时空机器学习用于建筑拆除风险建模

《Computers, Environment and Urban Systems》:Spatiotemporal machine learning for building demolition risk modelling

【字体: 大 中 小 】 时间:2026年07月25日 来源:Computers, Environment and Urban Systems 8.9

编辑推荐:

  研究人员提出了一种时空机器学习(spatiotemporal machine learning)框架,用于预测瑞士范围内的建筑拆除事件。该框架联合整合了空间、社会经济与拆除动态数据。空间、社会经济和拆除动态数据被共同集成进模型。该框架在资源有限的情况下能有效优

  
研究人员提出了一种时空机器学习(spatiotemporal machine learning)框架,用于预测瑞士范围内的建筑拆除事件。该框架联合整合了空间、社会经济与拆除动态数据。空间、社会经济和拆除动态数据被共同集成进模型。该框架在资源有限的情况下能有效优先识别高风险建筑。可解释机器学习(explainable machine learning)被用于识别并解释拆除可能性的关键驱动因素。建筑存量是关键资产,但因房地产投资动态、空间需求演变与人口结构变化,拆除仍十分普遍。作为城市转型的决定性力量,建筑拆除对环境可持续性、住房政策与遗产保护影响深远。随着气候变化日益紧迫,保留与适应性再利用(adaptive reuse)现有建筑通过节约材料、延长建筑寿命及避免拆除与新造相关的隐含碳排放(embodied carbon emissions)带来显著效益。尽管适应性再利用具环境益处,大规模拆除持续存在;瑞士每年近5000栋建筑被拆,产生约1600万吨建筑垃圾,违背循环经济(circular economy)原则与瑞士能源战略2050目标。建筑存量亦可视为未来建材储备(即“城市采矿” urban mining)。从循环经济视角,减少拆除、促进整体结构/构件/材料再利用,对最小化环境影响及保留建成环境已投入的隐含碳至关重要。预测何时、何地、哪些建筑可能被拆,可支持主动城市规划、资源管理与循环经济策略,尽早识别需适应性再利用或适宜选择性解构(selective deconstruction)及材料再利用/回收的建筑。既有建筑拆除建模常用死亡模型(mortality model),假设建筑遵循特定寿命分布(正态、对数正态、威布尔分布),但仅考虑建造至拆除间时间,忽视广义社会经济与历史语境。近期研究将时空机器学习用于城市扩张、土地利用转型及碳排放预测,但未见其用于高粒度建筑拆除预测,且建筑特征与驱动拆除的社会经济因素交互仍理解不足。为此,研究人员提出时空机器学习框架,在个体建筑尺度、多时间窗下估计拆除风险;整合瑞士多个联邦数据库构建统一地理信息系统(GIS)数据集(2011—2023年),采用XGBoost、LightGBM与Random Forest三种集成树模型,探究极端类不平衡处理策略,并用模型可解释技术识别关键因子。主要贡献包括:首次在建筑级探索拆除预测并建立基准;构建集成建筑属性与上下文(社会经济、分区、机动性、局部拆除动态)的GIS数据集;以瑞士为例分析建筑特征、空间语境与局部拆除动态的影响,深化对拆除风险驱动机制理解。
研究背景方面,建筑存量作为关键资产,因房地产投资动态、空间需求演变与人口结构变化而面临持续拆除压力。既有死亡模型仅依据建筑年龄与寿命分布概率预测拆除,忽视社会经济、邻里属性、城市政策与住房市场等广义语境,且既有宏观统计预测缺乏邻域或单体建筑尺度的空间粒度与情境敏感性。时空机器学习虽已用于城市扩张与土地利用转型建模,但尚无研究将其应用于高粒度建筑拆除预测,建筑特征与社会经济因素的交互机制亦未明。在此背景下,开展瑞士全域个体建筑级拆除风险建模,对支持适应性再利用、选择性解构、城市采矿与循环经济资源管理具有迫切性。
研究人员以瑞士为案例区(2011—2023年联邦建筑与住宅登记册FRBD、建筑与住宅统计BDS等多源地理参考数据),构建集成GIS面板数据集,涵盖建筑固有特征(类型、层数、总面积、供暖系统、建造期)、周边居住密度、社会经济(人口/就业密度)、分区、机动性(至集聚中心路网/公交时间)、再开发动态(200米/500米内拆除计数、距最近拆除距离、相对建筑年龄等衍生变量)及宏观利率指标;将数据集转为以建筑×观测年的时空面板,定义未来h∈{1,2,3,4}年窗内是否拆除的二分类任务,按建筑ID与时间滑窗切分训练/验证/测试集,并以州级留出测试评估跨区泛化。模型采用XGBoost、LightGBM、Random Forest三类树集成模型,比较上采样、下采样、代价敏感学习、类平衡损失、Focal Loss与难负样本挖掘等类不平衡策略,以PR-AUC为主指标,辅以ROC-AUC、加权F1、Top-K(Precision/Recall/Lift@k)与混淆矩阵,并用SHAP(SHapley Additive exPlanations)解释特征贡献。
关键方法概括:研究人员整合瑞士多源联邦地理参考数据库构建2011—2023年建筑级时空面板,以XGBoost/LightGBM/Random Forest树集成模型在1—4年预测窗下做二分类拆除风险预测;针对约500:1极端类不平衡,系统比较数据级重采样、损失级重加权与难样本强调三类策略;评价采用PR-AUC、Top-K提升度与混淆矩阵,并以SHAP解析特征方向与量级,辅以州级留出与市镇级空间异质性鲁棒性检验。
研究结果部分,3.1性能评估显示:跨所有预测窗,梯度提升模型(XGBoost、LightGBM)PR-AUC稳定优于Random Forest;1—2年窗XGBoost最优(PR-AUC达0.094—0.306区间),3—4年窗LightGBM略优;随预测窗拉长PR-AUC上升(4年窗XGBoost PR-AUC≈0.306,相对正类基线率提升约50倍);4年窗最佳配置混淆矩阵显示召回60%、非拆误报4%。类不平衡策略中,上采样、代价敏感、类平衡损失表现相近且优于下采样,Focal Loss与难负样本挖掘PR-AUC近零(4年窗Focal Loss仅0.004,高召回低精度),证明后两者在极端不平衡下扭曲排序。Top-K分析表明,4年窗top 0.1%精度85.0%、Lift@k≈109×,top 1%精度29.6%、召回38.0%,模型在受限巡检预算下能高效锁定高风险建筑。消融实验中加入再开发动态特征使3年窗PR-AUC由0.241升至0.259;5种子鲁棒性实验4年窗LightGBM+上采样ROC-AUC 0.9061±0.0004、PR-AUC 0.3057±0.0017;州级留出测试平均ROC-AUC 0.909、PR-AUC 0.291,但单州如Appenzell Innerrhoden PR-AUC达0.899,显示德语区及小州表现优、法语/意语区偏弱,市镇级28.14%无拆除事件区PR-AUC为0。概率校准上,基线/类平衡损失轻微低估(high-risk gap≈?0.022),上采样/下采样/代价敏感强高估(high-risk gap>0.5),故预测分作相对风险分而非绝对概率。3.2 GIS可视化在Lausanne、Geneva、Zurich呈现风险空间集聚。3.3 SHAP分析指出parcel building count、total floor area、building age及canton/municipality行政变量最重要;周边拆除计数、距最近拆除距离、200米相对建筑年龄次之;供暖类型、层数、利率中等;依赖图显示住宅密度与层数单调负向,建筑年龄非线性(中龄正向最高),公交出行时间中等正向、过长负向,相对年龄正向但边际递减,距上次拆除间隙越小SHAP越高。
讨论部分指出,树集成尤其梯度提升在极端不平衡下有效;除建筑年龄外,parcel级与邻里再开发动态是拆除关键语境,打破仅以年龄为主的死亡模型范式。循环经济含义上,该风险评分可作为GIS建筑/材料存量工作流的概率优先层,用于适应性再利用初筛、选择性解构审计与近期材料流出时序估算。局限性含类不平衡、缺所有权/地价/详细规划变量、制度行为因素难量化、跨州异质性强。未来可融区域规划、遥感与材料流分析,建“拆除概率—材料组成—流出时序”全链。
结论翻译:在循环经济语境下,建成环境可视为未来建材之矿。早期识别高拆除风险建筑对适应性再利用或通过构件/材料回收之资源恢复至关重要。本研究以瑞士为例开发展望时空机器学习框架,在个体建筑级建模拆除风险;构建集成建筑特征、周边建成环境、社会经济、分区、机动性、宏观变量与局部再开发动态的GIS数据集,用三类树模型与类不平衡策略在约500:1不平衡下有效预测拆除,相对正类基线大幅提升,能在受限资源下优先高风险建筑。SHAP表明瑞士拆除不仅由建筑年龄驱动,亦受周边语境与再开发动态塑造,拓展了基于年龄的存量建模。该框架可作概率风险层嵌入既有GIS存量模型,支持巡检、材料清册、解构规划与近期流出估计,桥梁式连通拆除预测与城市采矿运营决策,为建筑级拆除预测立基准,推动从聚合预测走向细粒度风险建模。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号