核心概念
土地利用の変化は気候変動に大きな影響を及ぼすため、地域ごとの最適な土地利用政策を発見することが重要である。
要約
本研究では、過去のデータと土地利用変化シミュレーションを組み合わせて、土地利用決定の結果を効率的に予測するマシンラーニングモデルを構築した。その上で、進化的最適化手法を用いて、土地利用変化コストと炭素排出量削減のトレードオフを最適化する政策を発見した。
具体的には以下の通り:
土地利用変化による炭素排出量(ELUC)と土地利用変化量を目的関数とした多目的最適化問題を設定した。
過去のデータを用いて、ELUCを予測するための回帰モデル(線形回帰、ランダムフォレスト、ニューラルネットワーク)を構築した。ニューラルネットワークモデルが最も優れた予測性能を示した。
進化的最適化手法を用いて、予測モデルを評価関数として、土地利用変化政策(プレスクリプター)を発見した。
発見されたプレスクリプターは、単純なヒューリスティックな政策と比較して、中程度の土地利用変化領域で優れた性能を示した。これは、大きな変化が可能な場所を上手く活用することで、全体としての性能を高めたことによる。
発見された政策を視覚化・対話的に評価できるデモシステムを開発した。
統計
土地利用変化に伴う炭素排出量は、地域によって大きく異なる。
土地利用変化率が1%増加すると、炭素排出量は平均して12tC/ha増加する。
引用
土地利用変化は気候変動の主要な要因の1つである。
森林は一般的に他の土地利用よりも多くの炭素を吸収するが、経済的にも重要な利用法である。
土地利用パターンを最適化することで、炭素吸収を最大化しつつ経済的な実現可能性も維持することが重要である。