利用地理可解释性人工智能（Geographic Explainable AI）研究建筑环境对建筑运营碳排放的非线性及空间变化影响

《Applied Geography》：Nonlinear and spatially varying impacts of the built environment on building operational carbon emissions using geographic explainable AI

本研究以深圳为例，构建GeoXAI框架整合自上而下统计校正与自下而上建筑模拟，揭示建筑形态空间异质性与非线性阈值对运营碳排放的影响，发现公共建筑碳排放强度最高（45.18 kgCO?/m2/年），并提出适用于快速城市化地区的空间减排策略。

　　

崔世熙|郑月|高爽|王少健

中山大学地理与规划学院，广州，510076，中国

摘要

了解建筑运营碳排放（BOCE）的空间分布及其驱动机制对于设计差异化的空间减缓策略和推进城市碳治理至关重要。然而，由于数据和方法论的限制，现有研究很少能够捕捉到建成环境特征对BOCE的非线性和空间异质性影响。以中国快速城市化的特大城市深圳为案例研究，本研究开发了一个基于GeoXAI的分析框架，该框架结合了自上而下的统计校准和自下而上的建筑级模拟，以生成精细尺度的BOCE估算。通过将建筑功能和形态的详细数据与可解释的机器学习相结合，研究揭示了在不同城市背景下塑造BOCE的非线性阈值、空间变异性和主要配置。研究结果表明，城市住宅建筑、城市乡村建筑和公共建筑的平均BOCE强度分别为24.43、25.83和45.18千克二氧化碳/平方米/年。在所有影响因素中，空间配置变量（包括建筑密度、天际线可见度和建筑高度的标准差）具有最强的边际效应，这些效应具有非线性阈值和空间变异性。与BOCE空间分布相关的关键因素在传统市中心、周边地区和过渡区表现出不同的特征。所提出的框架通过将可解释的AI嵌入到地理空间分析中，扩展了传统的空间建模方法，从而更深入地理解了形态强度、功能多样性和发展阶段如何相互作用以影响城市碳排放。这些发现为快速发展地区的低碳城市转型提供了方法论创新和政策相关见解。

引言

气候变化对全球可持续发展构成了严重威胁，需要立即并持续努力减少温室气体排放，并加速向低碳社会的转型。在所有排放源中，建筑行业在减缓工作中发挥着关键作用，因为它消耗大量能源且使用寿命长（C. Zhang等人，2026年）。建筑物的运营碳排放尤为重要，约占全球能源相关排放量的26%（国际能源署，2023年）。在中国，2021年的此类排放量估计为23亿吨，占全国总量的21.6%（中国建筑节能协会，2023年）。快速的城市化、高密度的城市空间结构以及大规模的人口流动显著增加了中国城市的建筑能源需求，进一步加剧了运营排放（Feng等人，2025年；Guan等人，2026年；Huo等人，2023年）。除了能源系统本身，建筑运营碳排放（BOCE）还受到建成环境属性和人类活动模式的复杂相互作用的影响，这些因素在城市空间中存在显著差异。这些空间差异凸显了理解BOCE的地理分布和相关关键因素的必要性，以支持有针对性的空间减缓策略并加强城市碳治理。

现有研究已经对建筑碳排放的核算给予了大量关注。该领域主要采用两种方法论方法：自上而下的核算和自下而上的模拟。自上而下的方法使用汇总的能源消耗统计数据结合排放因子进行估算，通常应用于国家或区域层面（Cui等人，2025年；Geng等人，2022年；Yu等人，2024年）。像EDGAR这样的空间化全球数据集的发展通过纳入人口密度、土地使用和夜间光照强度等代理变量，进一步改善了空间表示（Crippa等人，2020年）。然而，这些数据集的空间分辨率通常约为0.1°×0.1°，不足以捕捉城市内部的排放变化。相比之下，自下而上的方法基于建筑特征、气候条件和居住者行为等详细参数来模拟建筑能源消耗（Foucquier等人，2013年；Mazzeo等人，2020年）。虽然这些模型可以达到高精度，但它们对数据的需求量大，通常仅适用于涉及有限数量建筑或社区的小型案例研究（Fumo等人，2010年；Magnier & Haghighat，2010年；Taylor等人，2010年）。因此，仍需要一个能够结合自上而下方法的可扩展性与自下而上模拟提供的详细表示的集成框架，以生成空间明确的BOCE估算。

除了排放核算之外，越来越多的研究开始探讨影响建筑碳排放的因素。宏观层面的分析经常使用分解或基于回归的框架，如对数平均分解指数（LMDI）、人口、富裕程度和技术的随机影响（STIRPAT）模型以及Kaya恒等式的扩展，以识别排放的关键驱动因素（Güneralp & Seto，2012年；Ortega-Ruiz等人，2022年；Zhu等人，2022年）。这些研究一致强调了经济发展、城市化和家庭消费模式的重要性。例如，家庭收入被认为是住宅和商业排放的主要决定因素，而与城市化相关的人口迁移对排放增长做出了重大贡献（Lin & Liu，2015年）。最近的研究结合了空间分析技术来探索排放驱动因素的地理异质性。例如，使用Geodetector方法的研究表明，城市人口规模和家庭电器拥有情况（如冰箱）是中国各省BOCE空间变化的关键预测因子（Chen & Bi，2022年）。尽管取得了这些进展，大多数分析仍局限于省份或城市等粗略的行政单位。因此，建成环境特征如何在城市内部影响排放的精细空间动态仍不够清楚。

现有研究的另一个局限性在于用于分析排放驱动因素的建模方法。大多数实证分析依赖于线性或近似线性的统计模型（Ahmad等人，2019年；Luo等人，2023年；Shi等人，2017年），这些模型往往难以捕捉排放与其潜在决定因素之间的复杂和非线性关系。实际上，BOCE受到多种相互依赖因素的影响，包括城市形态、人口密度、土地使用多样性和发展强度，这些因素以非线性和空间异质性的方式相互作用（Pu & Xia，2025年；Xie等人，2025年）。虽然机器学习技术在建模复杂非线性关系方面表现出强大能力，但许多模型作为“黑箱”运行，解释性有限。此外，它们常常忽略预测因子-响应关系中的空间依赖性。多尺度地理加权回归等空间回归方法可以捕捉变量效应的空间梯度（Li等人，2024年），但在表示非线性相互作用方面仍存在局限性。为了解决这些局限性，本研究采用了一种地理可解释人工智能（GeoXAI）框架，该框架结合了空间数据、遥感输入和可解释的机器学习算法来分析与BOCE相关的关键因素。通过结合集成学习的预测能力和空间明确的解释性，GeoXAI实现了准确的排放估算和空间异质性影响的透明识别。这种方法在之前的城市洪水、热暴露和土地利用分析研究中表现出稳健的性能（Foroutan等人，2025年；Ke等人，2025年；Zhang等人，2025年）。

本研究选择深圳作为实证案例。深圳位于中国南部，珠江三角洲东缘，占地面积约为1997.5平方公里，常住人口接近1800万，是中国人口最密集和城市化最快的城市之一。作为中国城市发展轨迹的领先典范，深圳为研究BOCE的空间模式和驱动力提供了有吸引力的背景。该市多样的建筑类型、多中心结构和快速扩张为低碳城市转型的挑战和机遇提供了宝贵的见解——特别是对于仍处于城市化早期阶段的全球南方城市。在现有研究的基础上进行扩展，本研究做出了三个关键的方法论和实证贡献。首先，它开发了一个混合框架，结合了自上而下的统计校准和自下而上的物理模拟，以高空间分辨率估算BOCE，从而提高了结构准确性和地理特异性。其次，它在精细的100米×100米网格层面上对排放数据进行了空间化处理，克服了行政边界的限制，实现了详细的城市内部分析。第三，它引入了GeoXAI方法来识别多个建成环境变量对BOCE的非线性和空间异质性影响。这些贡献共同提供了一个可扩展的方法论框架，用于理解城市碳排放，并为快速城市化的城市的空间定向碳减缓策略提供了新的见解。

部分摘录

BOCE核算和分配

在本研究中，建筑存量被分为三类：城市住宅建筑、城市乡村/农村住宅建筑和公共建筑。为了估算建筑层面的电力消耗，采用了广泛应用的DeST模型进行自下而上的模拟，该模型针对中国的建筑能源系统进行了定制。DeST框架整合了四个核心模块，共同代表了建筑围护结构特征和居住者行为。

BOCE的空间分布

2022年，深圳的BOCE总量估计为约1844万吨。在这三类建筑中，公共建筑贡献最大，占41.1%，其次是城市住宅建筑（40.89%），而城市乡村建筑占剩余的18.01%。在排放强度方面，公共建筑的平均值最高，为45.18千克二氧化碳/平方米/年，远高于城市住宅建筑（24.43千克二氧化碳/平方米/年）。

BOCE估算的准确性

为了评估模拟电力消耗数据的可靠性，本研究将公共建筑的建模能耗与实时能源监测平台的实证记录进行了比较，如表2所示。该平台包括659栋公共建筑的数据，总面积约为3456万平方米，约占深圳公共建筑总量的21%。需要注意的是

结论

在本研究中，我们开发了一个综合框架，结合了自上而下的统计校准和自下而上的模拟，以在单个建筑层面估算BOCE。利用高分辨率的城市尺度建筑功能和几何数据，我们采用GeoXAI方法来研究建成环境属性对碳排放的非线性和空间异质性影响。该框架实现了准确的估算和对影响因素的可解释归因。

CRediT作者贡献声明

崔世熙：撰写——原始草稿、资源、方法论、调查。郑月：撰写——原始草稿。高爽：撰写——审阅与编辑。王少健：撰写——审阅与编辑、监督、项目管理和资金获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本工作得到了中国国家社会科学基金重大项目（项目编号23&ZD100）和中国国家自然科学基金（项目编号42371207）的财政支持。