《Journal of Cleaner Production》：AI-driven granular LCA for apparel: Quantifying product-specific GHG emissions for sustainable design and circularity
编辑推荐：
专业术语翻译（论文摘要部分）
关键生命周期评价（LCA）参数通过视觉语言模型（VLM）从非结构化的二手交易平台用户生成内容（UGC）中提取。
该模型在尺码提取上达到92.3%的准确率，在面料成分提取上达到81.6%的准确率。
基于VLM的方法能够实现产品特定的
专业术语翻译（论文摘要部分）
关键生命周期评价（LCA）参数通过视觉语言模型（VLM）从非结构化的二手交易平台用户生成内容（UGC）中提取。
该模型在尺码提取上达到92.3%的准确率，在面料成分提取上达到81.6%的准确率。
基于VLM的方法能够实现产品特定的温室气体（GHG）量化，取代以往的平均值估算方法。
研究显示，面料成分是服装温室气体（GHG）排放的首要决定因素。
该模型为生态设计与可持续决策提供了透明化的数据支撑。
论文解读文章
研究背景与问题
在全球碳中和目标与气温升限倡议的推动下，各国政府与企业日益重视全生命周期视角下的温室气体（GHG）排放核算，相关监管框架如欧盟数字产品护照（DPP）也相继出台。生命周期评价（LCA）作为量化产品环境影响的国际标准方法（ISO 14040:2006），要求收集产品从原料开采、制造、分销、使用到废弃处理各阶段的物质与能源投入数据。然而，实际应用中数据可得性构成重大瓶颈：制造阶段常依赖制造商提供的数据或同类产品的研究报告，使用阶段的关键行为参数如穿着次数则通常基于消费者调查的平均值进行估计。这种数据获取障碍迫使许多既有研究采用一种有问题的替代方案——依赖时间不明确、对产品部门缺乏代表性、且过度泛化的数据作为广泛产品类别的通用基线。这一做法引入了显著的不确定性，无法反映单个产品的真实多样性。在服装领域，即使同一品类内部在材料、结构和消费者使用模式上也存在显著差异，上述局限性尤为突出。因此，量化反映产品个体特征的温室气体排放长期以来被视为排放核算中的关键挑战。
近年来，人工智能（AI）的进步为这一长期存在的数据收集难题提供了有前景的解决路径。AI能够自动处理海量非结构化数据并提取结构化信息，有望生成温室气体排放核算所需的产品特定数据。基于此，本研究探讨利用视觉语言模型（VLM）——一种能同时解读图像与文本的AI技术——来克服基于平均值的泛化方法的固有局限，实现产品级别的温室气体排放量化。
研究内容与意义
研究人员提出并验证了一个系统化框架，利用VLM从非结构化数据中自动提取关键LCA参数，包括面料成分、服装尺码（作为重量的代理指标）、洗涤说明和估计穿着次数（作为使用历史的指标）。该框架被应用于日本大型C2C二手交易平台Mercari的真实交易数据，样本涵盖女士、男士、儿童和婴儿四个子类别的上衣品类，共3500条交易记录（每子类875条），数据时间为2020年1月至12月。研究证明了产品特定温室气体计算的可行性，并通过分析高粒度数据为促进可持续消费提供了新见解。该研究发表在《Journal of Cleaner Production》上。
关键技术方法
研究人员采用的主要技术方法包括：其一，基于GPT-4o视觉语言模型（VLM）的多模态参数提取流程，该流程设计了针对各参数的提示词（prompt），定义了数据源优先级（文本优先于图像）、提取内容描述和输出格式要求；其二，人工验证与数据清洗环节，由人工对照真实信息将VLM提取结果分类为“正确”“错误”或“不可用（n/d）”，并据此计算各参数提取准确率；其三，基于Python编程语言开发的自定义温室气体排放计算模型，该模型整合了提取参数与系统假设及排放因子（EF），排放因子来源于日本AIST-IDEA数据库（v3.3）；其四，采用词频-逆文档频率（TF-IDF）方法与皮尔逊相关系数分析，验证VLM对推断穿着次数的估计与产品描述中定性词语之间的关联模式。样本数据来源于Mercari平台2020年度的上衣品类交易记录。
研究结果
VLM参数提取性能
在3500条产品列表中，面料成分、洗涤说明和估计穿着次数的数据缺失率较高，分别有57.8%、68.0%和27.7%的样本被分类为“不可用（n/d）”，而服装尺码的缺失率较低，为16.4%。在有效样本中，VLM对服装尺码的提取准确率最高，达到92.3%（2927个有效样本中2702个正确）；面料成分的准确率为81.6%（1476个有效样本中1204个正确）；洗涤说明的准确率相对较低，为56.6%（1121个有效样本中634个正确）。错误提取的主要原因包括图像识别错误（如标签模糊或倒置）、VLM对提示词的意外解读以及品牌特定术语的误读。对于估计穿着次数，由于推断值的“错误”分类未被测量，因此未计算准确率。
面料成分与服装结构分析
对1204个面料成分“正确”提取结果的分析显示，棉和涤纶是外层与内层面料中最主要的纤维（棉：55.5%/40.3%，涤纶：23.3%/27.1%）。虽然识别出超过210种独特的面料成分组合，但市场高度集中于少数几种类型。其中“100%纯棉”占据绝对主导地位，占全部样本的52.9%（637件），其次是“100%涤纶”，占8.4%（101件）。按服装类别细分分析揭示了整体趋势背后存在显著不同的材料模式，卡方检验结果（χ2=118.8，df=9，p<0.001）表明不同类别间的面料成分分布存在显著差异。
服装尺码分析
服装尺码的提取准确率最高，达到92.3%，表明VLM能够从文本描述和产品图像中可靠地识别尺码信息。尺码数据作为重量的代理指标，为后续估算面料消耗量和分析运输相关阶段提供了基础。研究指出，由于尺码标注系统在不同国家和制造商之间存在显著差异，从尺码到标准重量估算的转换任务留待未来工作。
洗涤说明分析
洗涤说明的提取准确率为56.6%，相对较低。该参数被分类为可机洗（washable）或仅可干洗（non-washable）二分类。洗涤方式的选择对使用阶段的能源消耗有显著影响，机洗与干洗之间的能耗差异较大。研究假设仅可干洗的衣物遵循与机洗相同的能耗特征，因为干洗排放因子不在本研究范围内。
估计穿着次数分析
估计穿着次数分为两类：明示次数（卖家在描述中明确提供的具体穿着次数）和推断次数（在未提供具体次数时根据定性描述估计的次数）。研究人员采用TF-IDF方法与皮尔逊相关系数分析了产品描述中定性词语与GPT-4o推断穿着次数之间的关联。分析揭示了某些词语与较高穿着次数呈正相关，而另一些词语与较低穿着次数呈负相关，初步验证了VLM推断估计的合理性。
温室气体排放计算结果
研究按类别和生命周期阶段对温室气体排放进行了核算。排放计算涵盖生产（原料提取与制造）、分销、使用和废弃处理（EoL）四个阶段。生产阶段的面料成分与服装尺码是关键输入参数；使用阶段的估计穿着次数与洗涤说明主要用于计算使用阶段影响；产品重量是贯穿分销和废弃处理等多个阶段的关键输入参数。研究结果表明面料成分是服装温室气体排放的首要决定因素，这一发现与既有文献中关于面料成分相比重量对环境影响的决定性作用更大的结论一致。
讨论与结论
讨论部分指出，C2C二手交易平台上的用户生成内容（UGC）尽管存在不一致性，但仍可作为量化环境影响的可行数据源。在客观属性如服装尺码和面料成分的提取上取得的高准确率，凸显了AI在产品数据化方面的潜力，为增强可持续产品的透明度奠定了坚实基础。VLM方法能够实现产品特定的温室气体量化，取代以往基于平均值的估算方法，为生态设计与可持续决策提供了透明化的数据支撑。该研究通过在大规模复杂数据集上展示可扩展的方法论，为理解与促进可持续消费提供了更坚实的实证基础，也为政策干预和创新可持续商业模式提供了更深入的消费者行为洞察。研究同时指出，从尺码到重量的精确估算关系、产品特定重量数据的收集以及干洗排放因子的纳入等，是未来研究的重要方向。
