基于机器学习算法探索街区空间形态对公共建筑碳排放的非线性影响——以合肥市政务区为例OA

在全球能源短缺和环境问题日益加剧的背景下,提高公共建筑的能源效率和降低碳排放,已成为城市规划和建筑设计领域的重要研究课题。研究以政务区93栋公共建筑为研究对象,基于不同公共建筑能耗数据核算其碳排放数值,运用多种机器学习及其可解释性方法,评价多个空间形态指标对建筑碳排放的非线性影响和交互效应。结果表明:第一,XGBoost模型在预测公共建筑碳排放量方面表现出最佳性能,测试数据集的决定系数(R2)为0.896>0.749(RF)>0.680(Cat Boost)>0.670(SVR)>0.659(Light GBM);第二,建筑面积、建筑平均高度、容积率、开敞空间率和道路网密度是影响公共建筑碳排放的关键因素,建筑面积和平均建筑高度的平均绝对SHAP值分别为0.05和0.01;第三,开敞空间率、道路网密度、天空开阔度和平均周长面积比等变量对公共建筑碳排放具有非线性的影响和明显的阈值效应,建筑面积、容积率和平均建筑高度与公共建筑碳排放更近似于线性关系;第四,道路网密度与容积率的交互作用主要表现为负向,仅当道路网密度低于0.015 km/km2时,才会与高容积率产生正向交互作用。