基于可解释性机器学习的建筑物物化阶段碳排放量预测研究

作     者：王志强 任金哥 韩硕 李文超 WANG Zhiqiang;REN Jinge;HAN Shuo;LI Wenchao

作者机构：青岛理工大学管理工程学院山东青岛266520 智慧城市建设管理研究中心(新型智库)山东青岛266520 青岛理工大学建筑设计研究院山东青岛266520 

出 版 物：《安全与环境学报》 (Journal of Safety and Environment)

年 卷 期：2024年第24卷第6期

页      面：2454-2466页

核心收录：

学科分类：083305[工学-城乡生态环境与基础设施规划] 08[工学] 09[农学] 0903[农学-农业资源与环境] 0833[工学-城乡规划学] 

基　　金：国家自然科学基金项目(71471094) 青岛理工大学人文社会科学研究基金项目(Crw2023-006) 

主　　题：环境工程学 建筑物物化阶段 碳排放 机器学习 可解释性分析 

摘      要：现有碳排放计算方法存在数据量大、计算繁琐和仅适用于事中、事后控制等问题,不利于设计人员在设计阶段进行碳减排工作。为此,研究将机器学习引入建筑物碳排放量计算领域,帮助设计人员在早期设计阶段获得建筑物物化阶段的碳排放信息,提供碳减排参考。首先,收集并建立建筑物物化阶段碳排放数据库;其次,基于5个建筑物特征,建立4种不同类型的机器学习模型,并根据评价指标对模型性能进行评价;最后,利用沙普利加和解释(Shapley Additive exPlanations, SHAP)和部分依赖图(Partial Dependence Plot, PDP)验证最优模型应用的合理性,并深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的信息。结果显示:各机器学习模型可以很好地预测建筑物物化阶段碳排放过程,其中建立的极度随机树(Extremely Randomized Trees, ET)模型对碳排放的预测表现最优;机器学习模型各特征对预测结果的影响与现有研究相似,表明了机器学习模型预测结果的可靠性与合理性;机器学习模型可以深入挖掘各特征与碳排放之间的复杂关系,为建筑物碳减排提供新的指导。