面向数据匮乏地区建筑材料隐含碳预测的政府锚定图学习框架

《Journal of Cleaner Production》：A government-anchored graph learning framework for predicting embodied carbon of construction materials in data-scarce regions

　　

•图框架整合了跨区域的五个国际 LCI 数据库。
•以 KEITI 为锚定的校准在韩国材料上实现了 Spearman ρ = 0.878。
•在基于检索的匹配失效的地方，图学习增加了分布内鲁棒性。
•基于 QR 码的贝叶斯反馈将 EPD 合规性从 66.7% 提高到 83.3%。
•通过消融研究、5 折交叉验证和建筑案例研究验证。

引言

建筑和建筑部门约占全球能源相关 CO2 排放量的 37%，其中建筑材料中的隐含碳构成了显著且不断增长的份额（国际能源署和联合国环境规划署，2024）。随着更严格的建筑法规提高了运营能源效率，隐含碳的相对重要性大幅增加，这使得准确的材料级碳评估对于实现碳中和目标至关重要（Cabeza 等，2014；Zuo 和 Zhao，2014）。此类评估的需求在经济层面得到了强化：随着排放配额成为定价资产，企业越来越多地将碳暴露视为一个定量优化问题——例如，确定在价格不确定下的排放权购买最佳时机（Liu 等，2023）——由此产生的决策会继承基础排放数量中存在的任何误差。在建筑领域，这些数量源于材料级清单，因此该层面的数据差距会直接传播到企业碳管理中。

生命周期评估（LCA）是量化建筑材料环境影响的既定方法。然而，对建筑项目中的每一种材料进行全面 LCA 在时间和资源上都令人望而却步，通常每种材料需要数周的专家分析（Cabeza 等，2014；Fnais 等，2022；Khasreen 等，2009）。生命周期清单（LCI）数据库，如美国生命周期清单（USLCI）（国家可再生能源实验室，2012）、欧洲 LCA 环境足迹平台（EF 2.0）（欧洲，2022）以及瑞士 BAFU 数据库提供了预计算的环境数据，但由于电网、制造工艺和运输距离的差异，这些数据库表现出显著的区域差异（Kbob, ecobau 和 Ipb，2022）。Anand 和 Amor（2017）报告称，相同材料在不同国家数据库中的差异高达 300%，这使得将外国 LCA 数据简单地转移到新的区域背景中不可靠。

韩国在这方面面临尤为严峻的挑战。虽然该国拥有雄心勃勃的 2050 年碳中和目标，但其建筑业依赖于碎片化的环境数据来源。韩国环境产业技术研究院（KEITI）为约 60 种建筑相关材料提供类别级的 EPD 评估系数，但这些仅覆盖广泛的材料类别，而非单个产品。韩国绿色建筑产品声明和低碳环境产品声明（EPD）覆盖了超过 39,000 种认证产品，但仅提供认证级信息，缺乏全面碳评估所需的过程级 LCI 数据。因此，从业者要么依赖于区域适用性未知的外国数据库，要么进行昂贵的项目特定 LCA 研究。

这一数据差距推动了机器学习（ML）在 LCA 预测中的应用。最近的研究表明，ML 模型可以学习材料特性与环境影响之间的复杂关系（Martínez 等，2026；Su 等，2024），图神经网络（GNN）在建模材料科学和工程中的关系结构方面表现出特别的 promise（Fei 等，2024；Selvaraj，2024；Xie 和 Grossman，2018）。然而，现有方法通常基于单一区域的数据进行训练，并未解决跨区域迁移问题——当目标区域缺乏足够的训练数据时，这是一个根本性的局限。少数将 ML 应用于 LCA 预测的研究在单一数据库环境中运行，无法弥合国家 LCI 数据库之间存在的模式、语言和标签差异（Khadem 等，2022；Wang，2025）。

为解决这些挑战，本研究提出了一种利用 GNN 进行跨区域知识迁移的方法，通过利用国际 LCI 数据库的标记数据来预测韩国建筑材料的隐含碳。主要贡献有三方面：

(1)跨区域 GNN 框架：一种异构图神经网络，将来自五个 LCI 数据库（USLCI, EF 2.0, BAFU, EcoProfiles 和韩国产品声明）的 52,486 个过程整合到统一的图结构中，实现了从数据丰富地区（北美、欧洲、瑞士）到数据稀缺地区（韩国）的知识迁移。门控特征旁路机制和辅助碳类别分类防止了基于图的跨区域迁移中固有的均值回归问题。旁路不是固定的残差连接：一个 sigmoid 门控，由消息传递嵌入和节点自身原始特征的线性投影共同计算，为每个隐藏维度返回一个权重，因此每个节点决定从邻域聚合中获取多少维度的信息以及从自身特定材料的属性中获取多少。因为门控形成凸组合并与回归目标联合训练，那些邻域携带少量标签信息的节点——被其他未标记的韩国节点包围的未标记韩国节点——可以抑制聚合信号并保留其自身特征；该机制是针对开发阶段的一次失败而引入的，在该失败中所有 39,372 个韩国预测都崩溃为 1.7–1.9 kgCO2eq/kg 的狭窄频段（第 3.2.2 节）。在共享相同特征和校准的预测器中，只有两个在全测试集上的 R2 超过 0.70，其中只有 GNN 在类似于训练集的材料上保留了预测能力，而基于检索的 kNN 在此处崩溃。

(2)以 KEITI 为锚定的校准及系统性性能归因：一种事后分品类校准，以韩国政府 EPD 评估系数（KEITI）为锚定，对 18 种韩国建筑材料实现了 Spearman ρ = 0.878 (p < 0.001)（中位绝对误差：24.5%，66.7% 在 KEITI 参考值的±50% 范围内；当包括两种最难的材料时，ρ = 0.862，n = 20）。系统性的反事实分析（第 4.3 节）表明，锚定提供了这种准确性的主要份额，且在该验证规模下预测器的选择在统计上是无法区分的——这是一个原则性的界定，将框架而非单独的 GNN 定位为主要贡献。

(3)基于 QR 码的自动现场反馈系统：一个自我改进的反馈循环，通过 QR 码扫描整合现场收集的碳数据，应用贝叶斯分品类修正，随着 33 次现场观察，将预测准确性从 66.7% 提高到 83.3% 的 EPD 合规性。

这三项贡献解决了不同的问题，框架的准确性应相应归因。KEITI 锚定提供了绝对的、特定区域的尺度，是韩国侧准确性的主要来源，但政府系数仅存在于 20 个统一类别中的 11 个，覆盖了 39,372 个韩国产品中的 81.3%；对于剩余的 9 个类别，锚定回退到标记的国际训练数据的中位数，付出了已记录的准确性代价（表 2）。跨区域图提供了覆盖面，为每种韩国材料生成预测值，无论锚定是否可用。GNN 在该覆盖范围内提供了泛化能力：72.3% 的韩国产品没有自信的跨数据库匹配，因此相对于标记数据是新颖的，这正是基于检索的预测崩溃而 GNN 没有崩溃的区域。基于 QR 码的反馈循环提供了韩国特定的实证证据，逐步用现场观察到的锚定替换借用的锚定，并为政府系数无法触及的类别提供第一批韩国锚定。第 4.3 节量化了这种归因，第 4.7 节界定了它。

本文其余部分组织如下。第 2 节回顾了基于 ML 的 LCA 预测、建筑中的 GNN 以及智能反馈系统的相关工作。第 3 节详细介绍了提出的框架。第 4 节报告并讨论了实验结果。第 5 节提供了结论和未来工作方向。

章节片段

建筑中的机器学习和基于 GNN 的方法

机器学习在建筑工程中的应用在过去十年中迅速扩大。在环境影响评估领域，几项研究采用 ML 来预测建筑和材料层面的隐含碳。D'Amico 等（2019）使用人工神经网络（ANN）从设计参数预测住宅建筑的隐含能源，在欧洲数据集上实现了超过 0.9 的 R2 值。最近，Shadram 等（2016）集成了 BIM...

提出的框架

提出的框架通过四个集成模块解决跨区域知识迁移问题：（1）多源 LCA 数据集成和异构图构建，（2）带有门控特征旁路机制的区域自适应 GNN，（3）带有分品类校准的不确定性量化，以及（4）基于 QR 码的自动现场反馈循环。图 1 提供了完整流水线的概述，说明了如何将五个 LCI 数据库解析为统一模式...

预测性能和交叉验证

提出的 RegionAdaptiveGNN 在 52,486 个过程节点和 23,702 个流节点的异构图内，使用 3686 个标记过程进行了训练（70% 训练，15% 验证，15% 测试）。表 3 总结了在保留测试集和 5 折交叉验证上的整体预测性能。

遵循审稿人的建议，我们在相同特征上额外基准测试了两个现代域适应家族：Deep CORAL（协方差对齐）和基于 MMD 的对齐（核均值...

结论

本研究提出了一种政府锚定的图学习框架，将跨区域图特征与韩国政府校准锚定耦合，以预测数据稀缺地区建筑材料的隐含碳，以韩国为目标应用场景。通过跨语言语义匹配和过程 - 流关系，构建了整合来自五个国际 LCI 数据库的 52,486 个过程的异构图，并提出了区域自适应图注意...

CRediT 作者贡献声明

Jongmyeong Kim：撰写 – 原始草稿，可视化，验证，软件，方法论，形式分析，概念化。Heebin Kwak：撰写 – 审查与编辑，调查，数据管理。Ahyun Nam：撰写 – 审查与编辑，调查，数据管理。Subeen Moon：撰写 – 审查与编辑，可视化，调查。Jongnam Ho：验证，软件，形式分析。Seongoh Cho：撰写 – 审查与编辑，验证，资源。Yonghan Ahn：撰写 – 审查与编辑，

利益冲突声明

作者声明，他们没有已知的可能影响本论文报告工作的竞争性财务利益或个人关系。

致谢

本工作由韩国基础设施技术进步机构（KAIA）资助，资助来源为土地、基础设施和运输部（授予号 RS-2022-00141900）。本工作也得到了韩国国家研究基金会（NRF）资助，资助来源为韩国政府（MSIT）（RS-2023-00217322）。

Jongmyeong Kim|Heebin Kwak|Ahyun Nam|Subeen Moon|Jongnam Ho|Seongoh Cho|Yonghan Ahn