基于贝叶斯推断与概率回归方法的教育建筑隐含碳排放特征及动态基准

《Building and Environment》：Characteristics and dynamic benchmarks for embodied carbon emissions of educational buildings based on Bayesian inference and probabilistic regression approaches

　　

摘要

随着建筑节能水平的提升，隐含碳排放已成为实现全生命周期零影响建筑的关键因素。作为公共建筑的主要类别，教育建筑已通过案例研究对其碳排放进行了评估。然而，其统计特征和基准值仍缺乏充分的量化研究，这对可持续建设和有效碳减排至关重要。本研究构建了一个包含208栋教育建筑的数据库，并利用贝叶斯推断和机器学习技术提出了隐含碳强度的动态基准化方法。隐含碳排放平均评估值为556.4 kgCO2e/m2，呈对数正态分布，均值为6.289，标准差为0.263。以该分布为先验知识，通过贝叶斯更新建立了考虑地震烈度影响的后验分布。随后，四分位数（范围为452.3至690.2 kgCO2e/m2）被用作不同地震烈度下隐含碳分类的基准值。此外，三种替代特征组合方案与高斯过程回归、自然梯度提升和分位数随机森林算法相结合，建立了九个概率回归模型以预测隐含碳强度。最优模型的测试R2值为0.900，95%预测区间覆盖概率为95.2%。随后，该概率模型被用于生成分位数预测，作为特定教育建筑的基准值。两种方法还通过案例研究进行了验证。结果表明，它们分别适用于基于分类和案例特定特征的隐含碳基准化，从而为低碳设计和评估做出贡献。

引言

建筑行业作为可持续发展的重要领域，占全球碳排放的近40%，引起了政府、公众和研究人员的广泛关注[1]。同时，中国作为世界主要经济体之一，已承诺在2030年前实现碳达峰，并力争在2060年前实现碳中和[2]。在此背景下，建筑行业的节能减排具有重要意义[3]。

各类建筑在环境影响方面具有不同的特征。教育建筑作为公共建筑的重要分支，具有建筑面积大、使用率高、使用寿命长和能耗密集等特点[4]，是建筑行业碳排放的重要来源之一[5]。根据《全国教育事业发展统计公报》[6]，2024年中国有超过47万所各级各类学校，师生总数达3.053亿人，学校设施总建筑面积近37.5亿平方米。随着公民教育的普及和公共基础设施的持续扩张[7]，教育建筑的规模也在不断扩大。因此，教育建筑已成为能源管理和碳减排的关键关注点[8]。

典型建筑的全生命周期包括生产、施工、运营和拆除阶段[9]。以往，运营阶段一直被视为建筑全生命周期的主要排放源[10]。然而，近年来随着建筑节能水平的提高和清洁能源的推广，该阶段的碳排放正在稳步下降[11]。相比之下，其他阶段，特别是从摇篮到现场阶段的碳排放，在碳减排中变得越来越重要[12,13]。此外，现有文献表明，建筑设计对碳排放有显著影响[14]，并已成为一种低成本、高效率的有效减排途径[15]。

为实现低碳建筑的定量评估和建立设计指南，在设计初期建立碳排放评级度量至关重要[16]。该度量被称为碳排放基准或基线。这种数据驱动的评估可协助优化设计方案并控制建造高碳排放建筑的风险。此外，设定基准还可增强低碳评估的透明度和可靠性[17]。然而，尽管已有部分关于教育建筑碳排放的案例研究，但对其统计特征和基准值的分析仍然缺乏，这阻碍了可持续发展。本研究通过开发教育建筑隐含碳排放的基准化方法，基于统计分析、理论建模和案例验证，为低碳量化提供了有效参考。

碳排放基准可通过自顶向下或自底向上的方法建立[18]。自顶向下的方法将宏观层面的碳排放目标分解为区域、行业甚至单体建筑层面的碳预算或配额。具体形式包括：根据环境容量和影响动态分配建筑行业的碳排放限值[19]，根据公平原则逐步将区域碳减排目标分配到街区或单体建筑[20]，或直接应用共识指标作为建筑建造和运营的约束条件[21]。这些方法以政策为导向，适用于指导政策法规的制定。

自底向上的方法基于统计或建模方法从参考建筑中推导基准值。其中，通过比较基准建筑的影响设定相对减排目标的做法在现行标准中被广泛采用，包括LEED、ASHRAE和DGNB等[22]。相比之下，从一组现有建筑样本中估算的统计指标也常用于确定碳排放基准[23]。通过基于样本均值或分位数设定绝对基准值（如限值、参考值和目标值），可以评估建筑的性能水平。此外，一些研究采用聚类分析来设定不同的基准值，考虑了建筑类型的差异，提高了基准值对特定建筑群体的适用性[24]。还有一些研究从全生命周期视角追踪建筑实时碳足迹，从而实现碳排放预算和减排目标的动态更新[25]。

如上所述，自底向上的基准值适用于指导低碳建筑设计及评估。然而，建立这些基准值需要分析足够数量的建筑样本。以往的研究对单体教育建筑的碳排放进行了案例研究，并提出了相应的碳减排策略。例如，Javid等人[26]研究了大学建筑改造的碳减排潜力，发现采用往复式发动机和排气吸收式冷水机组等可持续改造措施可使碳排放减少高达20%。Liu和Leng[27]评估了中国一栋教育建筑的隐含碳排放，发现钢铁和混凝土是主要贡献者，占比达85%，通过采用本地供应商和促进回收率可潜在减少这些排放。Kulkarni[28]利用实测数据评估了一所教育机构的运营碳排放，指出除人类呼吸外，电力和交通是排放的主要来源。Fenner等人[29]在分析一栋教育建筑时纳入了运送人员产生的移动排放，发现其与运营能耗并列为主要排放来源。Khan等人[30]探索了巴基斯坦一栋教育建筑外墙材料对运营碳排放的影响，结果显示使用轻质砌块和灰泥、适当的保温材料以及高性能玻璃可显著减少碳排放。Meng等人[31]模拟了不同供暖系统的能耗，综合考虑舒适度和碳排放，推荐乌鲁木齐的教育建筑采用电采暖。

鉴于单体案例建筑隐含碳排放的不确定性源于系统边界、排放因子和计算模型的差异，近期研究尝试将统计分析纳入以捕获碳排放的整体特征。Belizario-Silva等人[32]对巴西53栋住宅建筑的隐含碳排放进行了统计分析，发现尽管建筑高度有显著影响，碳排放在其他特征上也存在差异。Zhang等人[33,34]基于中国超过800个样本研究了多层和高层住宅建筑的隐含碳强度，将建筑规模、层数、地下室、结构、抗震要求和交付类型作为关键影响因素。Luo等人[35]和Victoria与Perera[36]分别评估了78栋和41栋办公建筑的隐含碳排放，并建立了线性回归模型用于预测。R?ck等人[1]基于文献综述比较了52栋办公建筑和186栋住宅建筑的碳排放，发现办公建筑的隐含碳排放显著较高，贡献了全生命周期排放的20%至50%。这些统计研究突出了隐含碳排放的一般特征及其驱动因素，为建立基准值提供了有价值的参考数据。然而，研究主要集中在住宅和办公建筑，其他建筑类型的研究相对较少。

关于建筑碳排放的基准值，大多数研究关注的是运营阶段。Alghamdi等人[37]采用模糊聚类方法开发了基于水、能和碳流的评价框架，将加拿大71栋学术建筑分为三个不同的性能等级。Li等人[38]利用统计描述和聚类分析，基于721栋公共建筑的能耗数据开发了运营碳排放基准值。Wang等人[39]使用173个建筑样本的中位数作为运营碳排放的基准值，分别对应政府机构、医院和学校。这些研究建立的基准值为开发运营阶段的碳减排策略提供了有用支持。相比之下，隐含碳排放基准值的研究相对有限。Izaola等人[40]定义了一栋平均西班牙住宅建筑来评估建筑全生命周期的基准碳排放，并针对实际样本考虑了六种情景以探索通过市场可用方案实现碳减排的潜力。Zhao等人[41]对中国85个案例进行了统计分析，建立了隐含碳强度基准值，根据其百分位数确定不同类型建筑的基准值范围为200至340 kgCO2e/m2。Guan等人[42]应用统计和回归分析，利用114个建筑样本评估了混凝土结构隐含碳排放的分布，并通过更新后验分布提出了区域特定基准值。

基于文献综述，关于建筑碳排放基准值的研究仍存在空白，尤其是针对教育建筑的研究。首先，隐含碳排放的统计分析已在住宅和办公建筑中开展，但对教育建筑的探索有限。其次，隐含碳排放基准值通常使用描述性统计和聚类方法建立。前者直接使用样本中碳排放的百分位数作为基准值，虽然简便，但无法有效捕捉建筑规模、类型和气候特征等因素差异带来的差异。相比之下，聚类分析可以通过在不同聚类中设定差异化基准值来部分解决这些差异，但作为典型的无监督学习方法，其在可解释性方面的局限性限制了适用范围。

值得注意的是，聚类和基于百分位数的基准化方法缺乏动态更新机制，使用静态值指导低碳设计和评估可能无法反映由技术进步、材料创新和政策建议驱动的碳排放时间变化。相比之下，贝叶斯推断能有效整合先验知识并适应样本更新需求[43]，在支持建筑碳排放动态基准化方面具有相当大的潜力。近年来，机器学习算法已深度融入建筑全生命周期的研究和应用，涵盖建筑方案优化[44]、构件碰撞检测[45]、施工安全管理[46]和劳动力调度[47]等场景。具体而言，机器学习驱动的模型已成功应用于预测建筑碳排放，并展现了出色的预测精度和良好的泛化性能[48,49]。

与典型机器学习模型（如支持向量回归和k近邻回归[50]）的点预测相比，某些机器学习算法（包括高斯过程回归（GPR）、自然梯度提升（NGB）和分位数回归森林（QRF））的概率输出能力为建立建筑碳排放基准提供了一条创新途径，其应用潜力仍有待充分挖掘。为了便于对教育建筑的隐含碳排放进行定量评级，本研究建立了一个包含中国208栋建筑的数据集，并分析了其隐含碳排放的统计分布。在此基础上，提出了两种基于贝叶斯推断和机器学习的动态基准建立方法，并通过案例研究进行了验证。本研究的主要贡献如下：基于中国的208个样本，研究了教育建筑隐含碳排放的统计特征、概率分布及影响因素，弥补了教育建筑隐含碳排放数据缺乏的不足。建立了一种基于贝叶斯推断的分类导向基准方法，用于教育建筑的隐含碳排放评估。该方法可以确定不同属性建筑的基准，并通过后验分布更新实现动态基准迭代（结合新样本似然性），克服了静态基准无法适应数据更新的局限。尽管现有基于机器学习的研究大多输出建筑碳排放的单点预测，本研究为教育建筑开发了概率回归模型。输出的概率分布可用于界定针对个别建筑项目特定特征的定制化隐含碳排放基准，弥补了分类基准无法完全匹配个案特征的不足。所提出的两种方法被整合为一个互补框架，覆盖了从分类动态基准更新到单个建筑定制化基准的全场景评估需求，为动态隐含碳排放基准建立和精确低碳性能评级提供了新的技术途径。本研究的其余部分组织如下：第2节描述数据集；第3节概述基准方法的方法论框架；第4节分析统计分析结果并评估模型性能；第5节讨论所提方法的应用及局限性；第6节总结主要发现。第2节片段：数据采集与预处理。建筑隐含碳排放来源于整个生命周期中的多个过程，包括原材料开采、制造、运输、施工、维护、拆除和废弃物处理[51]。本研究采用"摇篮到场"的系统边界，重点关注材料生产和运输阶段的隐含碳排放。研究范围与EN 15978:2011标准[9]中定义的A1–A4阶段一致。第3节片段：统计分析。根据公式(1)中的方法，评估了各教育建筑样本的隐含碳排放强度。为考察其一般特征，评估了常用的统计量，包括上下限值、样本均值、总体均值的置信区间、标准差和分位数。随后，采用最大似然估计法（MLE）估计隐含碳排放强度的统计分布。四种类型的……隐含碳排放强度分布。表4总结了208个教育建筑样本隐含碳排放强度的主要统计指标。隐含碳排放强度在246.5至916.5 kgCO?e/m2范围内，标准差为139.9 kgCO?e/m2，表现出显著变异性。样本均值为556.4 kgCO?e/m2，总体均值的95%置信区间估计为[537.4, 575.5] kgCO?e/m2。材料生产阶段约占……的90%。案例研究。基于已建立的后验分布和机器学习模型，对中国浙江一所中学建筑进行了案例研究，以考察所提出的基准方法。该建筑高度为20.1 m，标准层高为3.9 m。建筑共五层，无地下室，总建筑面积为12545.6 m2。该地点的抗震设防烈度为7度，建筑采用现浇……结构。结论。基于包含中国208栋教育建筑的数据集，本研究分析了其隐含碳排放强度的统计特征和似然分布。随后，结合贝叶斯推断、概率预测算法和分位数分析，提出了两种隐含碳排放基准方法。主要发现总结如下：教育建筑样本的隐含碳排放强度平均评估值为556.4……数据声明。如有合理需求，可联系通讯作者获取额外研究数据。作者贡献声明。张晓村：撰写—审阅与编辑，撰写—初稿，监督，方法论，调查研究，资金获取，数据整理，概念构思。胡丁：软件，调查研究，形式化分析，数据整理。郭宪春：可视化，软件，方法论，数据整理。张学琦：可视化，验证，数据整理。张晓村|胡丁|郭宪春|张学琦，宁波大学土木工程与未来城市学院，中国宁波315211