量化社区碳补偿——一种基于建筑与环境点云数据分割的方法

《ENERGY AND BUILDINGS》：Quantifying community carbon offsets - a method based on building and environment point cloud data segmentation

　　

Xiaoyu Yang|Liyong Yan|Haichao Zheng

摘要

作为城市碳排放的主要来源之一，社区在实现碳达峰目标中起着至关重要的作用。目前，高密度住宅社区的能源消耗和碳排放持续上升。如何通过环境碳补偿来平衡或减少社区层面的碳排放，已成为实现城市2030年碳达峰目标的关键任务。由于空间和环境限制，高密度社区中的碳补偿主要来自屋顶光伏和绿色碳汇。通过准确识别可用于安装光伏的屋顶面积并量化社区绿地面积，可以快速评估潜在的环境碳补偿能力。在本研究中，利用无人机获取的点云数据，通过过滤、投影和标注处理，构建了完整的点云数据集，进而分别提取并优化了屋顶和植被的点云数据。在屋顶数据处理流程中，采用U-Net进行特征提取，并引入注意力机制以提高屋顶点云分割的准确性。随后通过点云反投影和几何重建方法确定有效的安装区域。对于植被数据，则通过点云高度分层和基于网格的分析方法，确定社区内灌木和树木的有效覆盖范围。最后，根据获得的面积数据，结合电力碳排放因子和植被碳吸收因子计算出碳补偿量。研究结果表明，该样本社区中可安装的光伏系统每年可减少约128.31吨二氧化碳排放，而植被每年可吸收86.79吨二氧化碳，因此该社区每年的总碳补偿量为215.10吨二氧化碳。采用所提出的方法，社区碳补偿的估算误差控制在5%以内，其精度显著高于基于遥感技术的估算方法，且计算效率是手工测量的三倍以上。

引言

作为全球最大的碳排放国，中国的建筑行业是国家碳排放的主要贡献者之一。建筑施工、运营和拆除过程中的碳排放约占全国总排放量的25%，其中公共建筑、城市住宅建筑和农村住宅建筑分别占比37.9%、41.3%和22.4%[1]。显然，城市住宅建筑所占比重最大，因此作为城市住宅开发主要形式的社区，便成了节能减碳的重点对象。

高密度发展是中国城市社区的特征之一。在上海，住宅的楼面密度通常在2.5到4.0之间[2]。这样的密度导致了城市较高的能源消耗和碳排放水平，高层建筑的单位面积能耗比低层或中层建筑高出20–30%[3]。空调系统、电梯及其他电气设备的广泛使用，使得建筑运营阶段的能源消耗以3%–5%的速度逐年上升，这反映出居民对室内舒适度的需求不断增长[4]。因此，短期内降低运营能耗仍面临挑战。然而，为了在2030年前实现上海的碳达峰目标，各社区需要实现大约5%的年度减排率[5]，这一目标与目前的能源使用趋势相悖。

作为城市碳排放的主要贡献者，社区是实现城市节能减碳目标的关键所在。仅依靠节能措施不足以满足日益增长的碳减排需求。通过可再生能源和绿色基础设施来抵消和吸收碳排放的环境碳补偿，已成为一种不可或缺的手段。本研究探讨了社区尺度碳补偿的方法路径，为可持续城市发展提供了实用的见解和数据驱动的策略。

章节摘要

碳补偿的研究现状

近年来，关于碳补偿的研究呈稳步上升趋势，大多数研究集中在对碳补偿潜力的大规模分析上，尤其是对城市碳平衡的研究。Chappell等人对全球城市碳补偿情况进行了评估，发现有44个城市计划通过碳补偿来实现碳平衡[6]。后续研究从不同的空间视角探讨了碳补偿机制，包括时空变化等

碳补偿的研究方法

目前，尚缺乏有效的手段来评估社区的碳补偿潜力，这一问题主要体现在两个方面。首先，现有的碳补偿估算方法往往耗时较长。虽然手工测量精度很高，但需要投入大量的时间和精力。其次，估算数据的质量较差。例如，尽管卫星遥感能够快速获取数据并进行估算，但其结果往往存在较大误差

研究对象

碳补偿是一种通过减少、吸收或抵消等量二氧化碳，来平衡特定活动或系统所产生的碳排放的机制[43]。在建筑领域，可通过三种主要途径实现碳补偿：（1）直接减排：用清洁能源替代化石燃料，从而降低建筑运营阶段的碳排放。（2）嵌入式碳减排：使用绿色建筑材料和循环经济理念

数据获取

本研究以上海的一个住宅社区及其周边地区为研究对象。在数据获取之前，通过卫星图像和现场勘查进行了选址调查和规划工作，以确定社区边界、建筑高度、绿地分布以及障碍物（如电线杆、树木）的位置。研究选择了地形较为复杂的区域作为实验场地。所有无人机飞行均严格遵循上海的无人机飞行规定

屋顶光伏补偿

上海所处的地区太阳能资源相对丰富[45]，优化屋顶光伏系统的布局和倾角可以提高总发电量。此外，由于所研究的社区中相邻建筑之间不存在相互遮挡现象，因此可以最大限度地发挥光伏发电的潜力。

在本研究中，采用了PVsyst软件来评估系统性能并计算碳减排量。首先，根据

可行性分析

本实验中的数据过滤是整个流程中最复杂的部分，其过程可概括为：对从倾斜摄影得到的点云数据进行深度语义分割，然后将分割结果反投影到3D点云上，从而准确识别可用空间。通过多次实验，确定了三个有助于提高本研究可重复性的数据过滤关键因素。

首先，需要确定

结论

本研究结合倾斜摄影技术和基于深度学习的分割方法，以及对点云数据的精细提取，快速准确地评估了高密度城市社区的可再生能源利用潜力和碳吸收能力。对于屋顶光伏系统，采用了改进后的FPA-U-Net网络对建筑屋顶进行语义分割。经过点云反投影和几何重建后，确定了有效的屋顶面积

CRediT作者贡献说明

Xiaoyu Yang：撰写——初稿、软件应用、正式分析。Liyong Yan：撰写——审阅与编辑。Haichao Zheng：方法设计、正式分析。

未引用参考文献

[32], [39]

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。