随着快速的城市化进程，建筑部门在节能降碳中扮演着日益重要的角色。尽管城市三维紧凑形态可通过调节微气候影响建筑能耗碳排放，但现有研究仍缺乏对“形态-微气候-碳排放”路径的系统量化与有效的空间优化策略。针对这一挑战，研究以典型沿海城市厦门为研究对象，构建了1995至2020年间1公里网格分辨率的城市三维紧凑形态（NVCI）、城市热累积（UHA）和建筑能耗碳排放（BECCE）空间数据库，并创新性地提出了一种结合贝叶斯与参数卷积优化的随机森林机器学习模型（RFBPC），用于深入解析该传导路径。  

核心发现表明，所构建的RFBPC模型在各项测试中均显著优于传统的随机森林和XGBoost模型，其测试集决定系数最高达0.993。基于该模型，研究揭示了微气候因素（UHA）在三维紧凑形态(NVCI)与建筑能耗碳排放（BECCE）之间发挥着显著的中介作用，解释了13.88%的BECCE变化，且该传导路径中存在显著的非线性和阈值效应。此外，研究发现将NVCI由5级（高紧凑）调整为2级（低紧凑）的减排效益最佳，单网格碳减排量可达401.74千克。情景预测结果进一步表明，通过实施有针对性的三维形态空间优化策略，有望使厦门市建筑部门的碳达峰时间提前2.56年。该研究为沿海城市实现碳达峰目标提供了可量化、可操作的决策支持与规划参考。

相关成果以“A machine learning framework for discovering carbon-peaking pathways: Coordinated optimization of 3D urban form and microclimate to regulate building carbon emissions”为题，发表在《Journal of Cleaner Production》。中国科学院城市环境研究所博士生季然然为第一作者，叶红研究员为通讯作者。该研究得到了国家自然科学基金（42271299、W2432029）、国家重点研发计划（2023YFF1304700、2022YFF1301200）、福建省自然科学基金（2022J01511）等项目的资助。

论文链接

图1 基于机器学习的三维城市形态-微气候-建筑碳排放影响机制与优化框架

（文：城市生命线安全与应急管控创新团队；图：城市生命线安全与应急管控创新团队）