1. 引言
城市更新背景
城市更新通常涉及老旧建筑拆除、土地重新规划和新建筑物建设，是解决土地短缺、优化城市空间布局和功能定位的有效方法。
特大城市亟需进行城市更新，这是城市规划、智慧城市建设和可持续发展的有效手段。
建筑垃圾问题
建筑垃圾是城市更新过程中不可避免的产物，粗放式大拆大建的城市化建设模式导致了建筑垃圾的显著增长。
据统计，每10,000 m²的新建建筑产生500~600 t建筑垃圾，而每10,000 m²的拆除建筑产生8,000~13,000 t建筑垃圾。
全球建筑垃圾现状
建筑业每年产生超过5亿t的建筑垃圾，占欧盟产生所有垃圾的50%
建筑业每年产生7亿t的建筑垃圾
2006-2020年，中国建筑垃圾产生量从4.70亿t急剧增加到30.37亿t
现有方法不足
严重依赖统计数据和历史经验，耗时耗力，准确性和时效性不足
准确性取决于清单的完整性和准确性，实际应用中易产生偏差
小目标、多尺寸和多形态建筑物识别准确性相对较低，边界模糊
2. 方法设计
建筑垃圾年产量计算总体系统架构
图1 建筑垃圾年产量计算总体系统架构
MS-FF-AENet网络结构
图2 MS-FF-AENet网络结构
编码器
- 采用ResNet-101作为骨干网络，通过卷积层和池化层进行深层卷积
- 将Layer4中卷积层的步长设置为1，增加输出特征图的分辨率
- 构建DS-ASPP模块，包括1×1卷积、3个3×3的深度可分离空洞卷积
- 引入由位置注意力和通道注意力组成的DAMM，提取多尺度上下文信息
解码器 (Decoder)
- 添加多尺度特征融合模块，融合骨干网络的低级和中级特征
- 对编码阶段得到的特征图进行四倍双线性插值上采样
- 将结果经过3×3卷积后进行2倍双线性插值上采样
- 最后对特征图进行3×3卷积再进行2倍双线性插值上采样
双注意力机制详细结构图(DAMM)
图3 双注意力机制详细结构图(DAMM)
建筑垃圾年产量计算模型
建筑垃圾包括工程垃圾和拆除垃圾：
- 工程垃圾：各类建筑物、构筑物等建设过程中产生的废弃材料
- 拆除垃圾：各类建筑物、构筑物等拆除过程中产生的废弃材料
所有类型的建筑垃圾除了资源化重新利用的部分，剩下都将进入指定建筑垃圾消纳场暂时存放。
计算方法
建筑物总面积计算：
ST = ∑iT SR∙SR∙pi
工程垃圾与拆除垃圾计算：
∆S = ST2 - ST1
Mg = Rg∙mg; Rg = ∆S; ∆S > 0
Mc = Rc∙mc; Rc = ∆S; ∆S < 0
3. 实验设置与结果分析
研究区概况
北京市昌平区，介于115°50′17′′E—116°29′49′′E，40°2′18′′N—40°23′13′′N之间，总面积1,343.5 km²。
该区域建筑密度高，种类丰富，这为遥感监测研究提供了丰富的数据来源，有助于在训练过程中提高模型的泛化能力。
图4 研究区与数据源概况
实验数据集
使用ArcMap软件获取北京市昌平区的建筑物矢量图，将其与原始GF-2影像进行地理校准、空间坐标变换和图像切割等预处理流程。
- 建筑物图像：1,000张清晰的建筑物图像（500像素×500像素）
- 建筑垃圾消纳场图像：228张无重叠影像（500像素×500像素）
- 通过数据增强技术扩充至6,000张建筑物数据集和1,368张建筑垃圾数据集
本研究致力于将制作的建筑垃圾消纳场数据集开源共享，命名为CWLD (Construction Waste Landfill Dataset)。
图5 实验数据集部分原始影像和真值标签
实验设置
Python 3.7，PyTorch 1.9.0，CUDA 11.7
Intel Core i9-10900X CPU，Nvidia GeForce RTX 2080 TI
训练轮数200，批次大小4，图像大小500×500，初始学习率0.001
评价指标
| 指标 | 公式 | 说明 |
|---|---|---|
| 准确率(Acc) | (TP+TN)/(TP+FP+FN+TN) | 所有正确预测的比例 |
| 精确率(Precision) | TP/(TP+FP) | 预测为正例中实际为正例的比例 |
| 召回率(Recall) | TP/(TP+FN) | 实际为正例中被正确预测的比例 |
| 交并比(IoU) | TP/(TP+FP+FN) | 预测结果与真实结果的交集与并集之比 |
| F1分数(F1) | 2∙Precision∙Recall/(Precision+Recall) | 精确率和召回率的调和平均数 |
| 贝叶斯误差率(BER) | 1/2∙(FN/(TP+FN)+FP/(FP+TN)) | 衡量模型在实际应用中的鲁棒性 |
4. 实验结果与分析
建筑物提取结果
| 方法 | Acc | Precision | Recall | F1 | IoU | BER |
|---|---|---|---|---|---|---|
| UNet | 96.88 | 86.87 | 86.56 | 86.37 | 76.94 | 7.82 |
| SegNet | 97.12 | 88.39 | 86.60 | 87.15 | 78.64 | 7.57 |
| PSPNet | 95.02 | 80.61 | 74.53 | 76.66 | 63.66 | 14.13 |
| DeepLabV3+ | 96.42 | 83.78 | 86.22 | 84.57 | 74.26 | 8.27 |
| MS-FF-AENet | 97.45 | 90.33 | 87.90 | 88.82 | 81.09 | 6.78 |
图6 不同模型在北京市昌平区建筑物数据集的提取结果
建筑垃圾提取结果
图7 不同模型在建筑垃圾消纳场数据集的提取结果
| 行政区域 | 2019年建筑物面积(10⁴m²) | 2020年建筑物面积(10⁴m²) | 变化量(10⁴m²) | 工程垃圾(t) | 拆除垃圾(t) |
|---|---|---|---|---|---|
| 百善镇 | 369.644 | 333.440 | -36.204 | - | 289,631-470,651 |
| 北七家镇 | 976.173 | 942.694 | -33.479 | - | 267,835-435,233 |
| 昌平区总计 | 10,389.570 | 10,086.387 | -303.182 | 24,916-66,443 | 3,089,887-5,021,067 |
关键发现：
2019-2020年，昌平区累计拆除改造建筑物303.182 hm²（约3.03 km²）。城市更新过程中产生的工程垃圾为24,916~66,443 t，平均约45,679.5 t。产生的拆除垃圾为3,089,887~5,021,067 t，平均约4,055,477 t，最终计算得出建筑垃圾年产量为4,101,156.5 t。
建筑垃圾消纳量分析
关键发现：
2019年共堆放建筑垃圾约32,798,392.32 m³（约59,037,106.176 t），2020年约34,049,423.36 m³（约61,288,962.048 t）。两年差值得出建筑垃圾增加量约2,251,855.872 t。
建筑垃圾实际年产量约4,101,156.500 t，填埋部分约2,251,855.872 t，资源化利用部分约1,849,300.628 t，建筑垃圾年资源化利用率45.09%。
错误识别案例分析
图8 错误识别案例研究
案例(a)：
在积雪覆盖这类恶劣环境中，排列密集的小型村镇建筑物往往和周围环境体现出相似的语义特征，尽管MS-FF-AENet可以提取大部分建筑物，但却不能清晰地识别边缘区域。
案例(b)：
在城乡交界处会出现很多被树木、植被遮挡的区域，在应对这类卫星图像时，MS-FF-AENet有时会忽略一些被遮盖的小型建筑物，导致建筑边界模糊。
案例(c)(d)：
有的建筑垃圾堆体上覆盖了大面积的植被层，在此类场景中，植被的阴影将产生很多噪点，导致MS-FF-AENet在提取时产生了大量碎片化的区域，更容易产生错误分类的情况。
5. 结论与展望
主要结论
- 提出的MS-FF-AENet在建筑物和建筑垃圾提取任务中均表现出色，各项指标优于对比方法
- 2019-2020年昌平区建筑垃圾年产量约为4,101,156.5吨，其中填埋部分约2,251,855.872吨
- 建筑垃圾资源转化率为45.09%，与政府统计报告结果一致
- 方法突破了传统估算方法的局限性，为城市更新代价精准量算提供了新思路
未来展望
- 改进网络结构，提高对复杂场景和恶劣环境的适应能力
- 使用更高分辨率的GF-7号卫星影像，提升测量精度
- 将方法推广到更大区域，为全国范围的城市更新提供数据支持
- 优化先验参数获取方法，提高计算结果的准确性
研究意义
本研究在当前的建筑垃圾量化管理领域具有理论和实践意义，突破了传统建筑垃圾估算中严重依赖历史数据和统计方法导致在实际应用中缺乏灵活性，耗费大量人力、物力和时间，缺乏高精度和高效率的困境。
该方法适用于不同的环境和城市，增强了实用性。对于政府和相关企业来说，省时高效的建筑垃圾计算方法更具吸引力和实用性，可直接用于指导城市更新政策的制定，为城市建筑垃圾资源化处理提供重要的数据支撑。