基于PCA-BP神经网络的用地碳排放预测研究*

闫凤英 刘思娴 张小平 YAN Fengying, LIU Sixian, ZHANG Xiaoping

0 引言

城市是碳排放的主体，全球约80%的碳排放来源于城市区域[1]。大量研究已探明，城市建设用地（以下简称“用地”）的碳排放强度远远高于其他土地利用类型[2-3]，且不同的用地利用方式所产生的碳排放差异巨大[4-5]。因此，对用地进行合理的规划利用对控碳及城市的低碳发展有重要作用。对用地的研究始终是空间规划学科理论和规划实践的核心内容之一，空间规划作为引领城镇低碳发展的基本依据，主要通过对用地的性质、开发强度和空间形态等用地特征指标进行管控来实现。可以说，以空间规划作为结构调整式减排手段进行碳排放控制的潜力可观[6]。研究表明，虽然通过使用清洁能源、调整产业结构、推广节能新技术等可以在一定程度上减少用地的碳排放，但不能完全解决用地的功能、规模、建筑空间等建成环境要素所引起的碳排放效应，而一旦用地的上述用地特征得以确定，再调整其承载的碳排放将非常困难[7]。目前我国空间规划技术中控碳方法缺失等问题未解决[8]，仍然缺乏相对客观的、可衡量城市用地碳排放的有效工具。

综上，本文提出基于PCA-BP神经网络的用地碳排放预测方法，以城市用地端能耗的角度探寻各类型用地的碳排放特点，通过用地特征指标估算用地碳排放，在碳排放管控层面提供关键量化指标，更科学地找到用地的减排潜力，为空间规划提供有力的碳排放数据依据，使空间规划能够更大程度地发挥其结构调整式减排作用。

1 既有研究综述

目前，国内外学者对城市用地碳排放的量化方法展开了广泛讨论。其中部分学者将温室气体清单通过空间分配的方法选取一定的代用参数（建筑面积、GDP、人口密度等），将以行政区为单位的排放清单按照代用参数处理成以网格为单位的碳排放。例如，许盛采用空间插值法将各部门排放量通过GDP、人口、路网密度等的比值分配到各网格，将该比值作为每个网格的碳排放占碳排放总量的比例，从而求出各网格的贡献，最后得到各网格排放量[9]；揣小伟等基于不同土地利用类型特征分配参数，将农业、生活、商业、工业分配到用地上[10]。这种方法的优势在于所利用的数据为官方公开的统计数据，可操作性强，但这种清单部门总量数据采用的是空间间接分配方法，分配结果分配类别较粗，同时存在误差较大、空间网格属于栅格数据无法矢量化等问题，无法落实到更具体的空间区位，难以适应用地上错综复杂的地块划分与建筑空间分布情况，无法与空间规划中用地的类型与边界结合，对空间规划的指导价值有限。在此基础上，部分学者提出基于用地类型与温室气体清单的对应关系来评估用地碳排放，通过确定各用地类型所对应的碳排放部门来确定用地的碳排放。例如：王雅捷等将温室气体排放清单统计数据拆分再转换到承载终端能源消费活动的规划用地[11]；葛汝冰等按用地的温室气体强度依次降序排列各类用地[12]；姜洋等基于温室气体清单的排放部门和城市用地的对应关系，构建以用地规模与用地类型所对应的平均单位用地碳排放强度为核心的碳排放核算指标体系来确定各类用地的碳排放[13]。但此类研究方法主要是将同一部门类型的用地活动强度能耗碳排放视为均质，未体现城乡住宅用地、不同产业类型的工业用地、商业用地、商务用地与行政办公用地等的活动强度的差异。

综上，既有研究多从宏观部门统计数据角度将碳排放通过空间分配或排放部门对应土地利用的方式，将总量数据落实到用地上，虽然这些方法可以得到区域碳排放的空间分布特征，但无法从用地单元的角度揭示用地碳排放量与具体用地地块规模、类型、空间特征等之间的关系。针对这一不足，本文试图从空间规划的职权出发，探寻用地特征指标与用地碳排放之间的关联，建立PCA-BP神经网络的用地碳排放预测模型，为用地碳排放预测与规划决策提供思路参考与路径支撑。

2 基于PCA-BP神经网络的用地碳排放预测模型

人工神经网络（artificial neural network，ANN）是由大量具有自适应性的处理单元互连组成的网络，模拟生物神经系统对真实世界物体所做出的交互反应。其核心是通过统计分析方法，对已知的样本数据进行分析，建立映射关系，从而对未知的数据进行分析，被广泛应用于极端天气预测、疾病筛查、图像处理等各个领域，而且在建筑能耗预测方面也逐渐被广泛应用。目前，常见的人工神经网络有感知神经网络、前馈神经网络、径向基神经网络、回归神经元网络等，BP（back propagation，简称BP）神经网络属于前馈神经网络，是应用最广泛的神经网络[14]。研究表明，不管是大样本还是小样本的复杂应用情景，BP神经网络都能有较好的预测效果[15]。本文主要从网络的输入数据和预测模型流程两个方面对基于PCA-BP神经网络的用地碳排放预测模型建立过程进行解释。

2.1 模型的输入数据

输入数据是训练模型的前提，包括模型的自变量与因变量。因变量为预测项，即各类型用地的单位用地面积碳排放，需要通过样本调研获得用地碳排放数据，用地建筑碳排放是该地块碳排放的决定因素，同时考虑数据收集的便利性，本文确定用地碳排放核算范围为用地地块的民用建筑在运行阶段一年期内能源消耗产生的碳排放。用地类型不同导致用地建筑功能用途不同，因此为保证模型对样本学习的准确性，筛选出边界清晰、建设完整、功能单一明确的地块样本，并根据用地的建筑实际功能细分类型，对不同用地进行样本抽取，如表1所示。

通过分析影响用地建筑碳排放的因素确定输入数据的自变量，选择与碳排放高度相关的用地特征指标作为自变量对预测模型的准确率至关重要。从已有研究来看，国内学者普遍认为用地规模、容积率、人口密度、建筑类型、建筑高度、建设强度、地域、收入、使用情况、建筑布局、建筑形体、建筑围护结构等因素与用地碳排放密切相关[16-24]。通常情况下，能表征用地碳排放差异的影响因素涵盖越全面，测算结果越准确，但影响因素本身比较复杂，难以厘清。并且，若过度关注单个建筑层面的影响因素与能耗之间的关系，研究结果将很难为空间规划提供调整方向。再者，地域、收入、使用情况等很难在规划决策时加以调控。故本文指标选择主要考虑空间规划层面可以控制、容易量化、方便计算的指标，站在空间规划视角筛选出影响用地建筑能耗碳排放的最相关因素作为自变量。主要考虑可表征用地特征的用地建设强度、建筑形体特征、人口特征、土地使用特征四个规划层面的用地特征指标，选取了容积率、建筑单体数量、用地面积、建筑密度、建筑高度、用地类型、用地兼容性、人口密度作为模型的自变量因子（表2）。

样本的自变量选择代表用地特征指标，但描述的相关特征指标数量较多且指标之间常常包含的信息可能有重叠，导致通常存在共线性问题，选择合适的数据表达可以使特征更明显，而主成分分析（principal component analysis，简称PCA）可以在很大程度上降低网络输入样本之间的信息重叠，消除了样本之间的相互干扰，同时也能起到数据降维作用。PCA的目标为构造的新变量指标，保留样本中的主要变量，剔除次要变量。因此在自变量数据输入模型前需要PCA处理数据。

2.2 预测模型的流程

通过前文分析，在训练前对自变量进行主成分分析可以消除数据之间的干扰，并降低维度。因此，本文基于PCA方法对BP神经网络进行优化，然后通过优化后的算法— —PCA-BP神经网络，对输入数据进行训练并调整参数，误差测试达到期望值后建立模型，利用建立完成的预测模型可以快速完成对用地碳排放的预测仿真。整体而言，基于PCA-BP神经网络的用地碳排放预测模型预测流程如图1所示。

表1 样本类型分类表Tab.1 sample type classification table

表2 自变量指标的选择Tab.2 selection of independent variable indicators

图1 基于PCA-BP神经网络的预测流程Fig.1 prediction process based on PCA-BP neural network

图2 PCA-BP神经网络用地碳排放预测模型测试结果Fig.2 test results of land-use carbon emission prediction model based on PCA-BP neural network

本文运用MATLAB 2017a平台自带的神经网络工具箱，构建基于PCA-BP神经网络的用地碳排放预测模型。具体包括8个步骤：标准化数据；主成分降维；输入神经网络进行训练；初始化权值与阀值；设置变量初始值；计算反向修改权值与阀值；完成所有样本学习并达到误差期望值；保存并结束。

3 实例应用

3.1 研究区域与数据来源

本研究选择浙江省长兴县的老城区为研究区域（图2）。长兴县位于浙江省北部的湖州市，距离长江三角洲各个大中城市的距离均为150 km左右，具有典型的夏热冬冷地区的气候特征。长兴县老城区涵盖了不同性质的用地类型及不同功能的建筑，具有多样性的用地特征，在用地碳排放预测研究方面有一定的代表性。

图3 长兴县老城区现状用地碳排放分布图Fig.3 carbon emissions from existing land in the old city of Changxing County

表3 调研样本数量统计表Tab.3 statistical table of survey sample

本文中不同类型用地的用电建筑能耗数据及用地特征指标数据是建立预测方法的重要数据支撑。笔者获取长兴县老城区样本地块用电建筑能耗数据及特征指标数据主要通过会议访谈调查法和实地调查法，调研走访了包括供电公司、教育局、卫计局、统计局、发改委、经信局等11部门，获取了不同类型用地的2018年用电能耗、各类建筑的基本信息、人口、面积规模、能耗、空间位置等关键数据。

3.2 长兴县老城区规划用地碳排放预测

通过长兴县老城区用地碳排放的预测实例验证本文所提出的方法的准确性与应用性。首先，获取训练样本的输入数据，按照表1的样本类型分类，共收集了7类城市主体功能的样本用地建筑实测能耗数据，并对采样数据进行筛选。为保证计算数值准确，选取地块完整、边界清晰、功能明确单一的地块样本数据，最终各类型样本收集情况如表3所示。根据碳排放系数法，将用地能耗乘以能耗排放系数，计算出样本用地的碳排放作为训练模型输入的因变量。再按照表2计算出各项指标，作为训练模型输入的自变量。

然后，应用前文提出的PCA-BP神经网络用地碳排放预测模型，将样本数据输入模型进行训练。通过多次训练检验模型误差，该预测模型测试结果如图3所示。计算得出用地碳排放预测结果的平均误差率为10%左右，误差符合预想范围，模型建立基本成功。应用建立的模型对长兴县老城区现状用地进行预测，结果通过Arcgis平台符号系统可视化，分类采用自然断点法，共分为10类，如图4所示。

为验证模型的可行性与适用性，选取长兴县中心城区部分地块作为样本地块，按照表2中的自变量类型收集数据，输入模型计算后得出预测值并将其与真实值进行比对如图5所示，预测结果误差率在10%以下。预测结果证明该模型有一定的可行性与适用性，训练完成后能将其用于该区域内所有地块的碳排放预测，无需重复训练模型。

此外，本文将单位用地面积碳排放强度转换为单位建筑面积能耗强度，并将转换后的数据与《中国建筑节能发展报告（2018）》《民用建筑能耗标准（2016）》及其他相关学者的研究进行比较，对预测结果进行验证。通过比较可知，预测结果与《中国建筑节能发展报告（2018）》和《民用建筑能耗标准（2016）》中的研究基本持平，说明预测结果有一定的可靠性。

图4 长兴县老城区规划用地碳排放分布图Fig.4 carbon emission distribution map of planned land use in the old town area of Changxing County

图5 PCA-BP神经网络用地碳排放预测模型测试结果Fig.5 Test results of land-use carbon emission prediction model based on PCA-BP neural network

在对规划方案进行碳排放预测时，首先，按照规划用地分类，计算出各类用地碳强度值；其次，考虑到规划方案分析的多样性及方案本身的差异性，将用地碳排放强度根据建设特征进行二次分类，细分不同的梯度值如表4所示；最后，根据得到的用地强度值可以预测规划用地的碳排放，通过将规划用地地块与现状用地地块叠合，筛选出规划调整地块与未调整地块，其中调整地块选择表4中的年单位用地面积碳排放进行计算，未调整地块沿用现状预测所得到的碳强度值进行计算，汇总计算的各类用地碳排放，通过Arcgis平台符号系统可视化如图6所示。

3.3 预测结果讨论

3.3.1 模型为空间规划提供数据支撑

对现状与规划用地的碳排放分别进行模型预测实践，从规划方案的用地碳排放与现状用地碳排放的分布来看，规划方案的城市用地碳排放整体呈现上升趋势，部分地块的碳排放升高主要是由于规划调整地块的居住用地的建设特征一般为高强度开发所带来的高碳排。由于老城区内部更新，一些地块合并更新为商业用途，这也带来了碳排放的升高。本文的预测方法得到的结果可以在指导规划用地方案编制时，通过改变用地使用性质和用地指标来有针对性地降低碳排放过高的区域的用地单元，指引规划方案用地结构及指标调整，达到结构性减碳的目标，一定程度上可以缓解目前空间规划层面碳排放测算操作复杂、技术手段匮乏等困难，为空间规划提供基础碳排放数据，在用地结构优化、用地平衡调整、功能布局完善等规划工作层面提供量化依据，并且能根据实际需求，通过对用地碳排放预测结果进行二次处理，得到更深入的分析结果，为城市整体控碳提供数据技术支撑。

表4 各类用地碳排放强度表Tab.4 carbon emission intensity table for various land uses

3.3.2 模型适用性

我国幅员辽阔，气候条件、建设现状、民风民俗各不相同，这些因素势必会对用地碳排放造成影响且难以进行数据量化表达。本模型基于对地区现状碳排放进行模拟学习，掌握其内在智能逻辑再进行碳排放强度值的模拟计算，进而预测规划用地碳排放量，以机器学习内在逻辑代替对各类无法估量的数据的非线性关系的人为考量，解决碳排放模拟中定性分析操作难度高的问题。该模型训练完成应用于同一地域时，无需重复进行模型训练。但将该模型应用于不同地域时，仍需重新收集数据导入模型进行新的训练。可根据数据收集的丰富度与该地域的特殊性选择多于表2所列举的自变量选项，在主成分降维后进入下一个模型流程。通过大量训练，使模型学习该地区用地特征指标与碳排放之间的线性关系与非线性关系，训练成功后可将其用于该地区规划用地碳排放预测模拟。

图6 长兴县老城区规划用地碳排放分布图Fig.6 carbon emission distribution map of planned land use in the old city of Changxing County

4 结语

以用地地块为量化单元，以调研样本的用地实际碳排放为基础，以用地特征指标为自变量，以用地的碳排放为因变量，建立基于PCA-BP神经网络的用地碳排放预测模型，通过对现状各个类型用地的碳排放与用地特征之间的内在关系进行学习，利用该网络模型将规划用地特征指标数据输入预测模型，从而快速地预测出规划用地的碳排放。由于模型的预测基础是对现状用地特征与碳排放的关系进行学习，所以预测结果能体现特定地域当前实际的经济发展水平下各类用地的碳排放水平，可作为规划用地碳排放的基准值，为规划用地碳排放管制提供可靠的判断和量化依据，增强空间规划的低碳前瞻性与指导性。从本文的研究实例对方法的应用来看，该方法操作相对简单、切实可行。但是由于涉及部分数据涉密和统计缺失问题，本文中不同类型调研样本的数量有限，属于小样本预测问题，而且分类后不同类型调研样本的数量差别较大，虽然经过多次训练，最终误差稳定在10%以内，但是无法进一步降低预测误差，后续将进一步克服相关能耗数据可获得性差的限制问题，收集更多的样本数据来加强训练，进一步提高预测的精度。此外，针对偶然存在的模型误差不稳定和局部极值的问题，进一步优化模型算法以提升预测的准确度的相关研究以及针对再次降低模型数据需求以打破不同地域碳排放模拟数据壁垒的深层次研究也有待进一步完善。目前，创立低碳空间规划编制、优化、评审的基础、依据和标准，既缺乏成熟的理论体系和实践方法，又缺乏健全的编制体系和完善的制度保障。比如如何将本文提出的用地特征指标纳入控规法定的指标管控体系，并建立具有可操作性的弹性与刚性相结合的实施机制，以指导后续地块的开发建设等，都需要进一步的研究。