从优化到生成：一种结合机器学习和形态学约束的GAN框架，用于提升居住区的能源与热性能

《Sustainable Cities and Society》：From optimization to generation: A machine learning and morphology-constrained GAN framework for improving energy and thermal performance in residential clusters

　　•该研究提出了一个针对住宅聚集区的优化到生成框架。•MCGAN将优化后的形态参数转换为空间布局。•5466个分布在五个中国气候区的集群支持性能建模。•PAR和FRAR主导了能源性能，而SVF和BER影响了OTCA。•武汉的验证表明，优化后的布局优于原始设计。

引言
气候变化和城市热岛效应共同加剧了城市中的热暴露问题。预计到2100年，全球城市空气温度将上升多达4°C（Friesen & Taubenb?ck, 2025）。极端高温进一步加剧了热暴露的风险，导致户外热舒适度降低和与热相关的死亡率增加（Wang et al., 2025）。在中国，1990年至2019年间，因热浪导致的死亡人数增加了四倍（Hong et al., 2023）。除了对人类健康的影响外，温度的上升还增加了建筑物的能源需求（Li et al., 2019）。Akbari等人发现，温度每升高1°C，城市高峰电力需求就会增加2-4%（Akbari et al., 2001）。这种电力需求的激增不仅给城市电网带来了额外压力，还强化了热能使用-碳排放的反馈循环（Rizvi et al., 2023）。因此，提高户外热舒适度和减少能源使用已成为可持续发展和气候行动的关键挑战。

户外热舒适度和建筑能源使用与建成环境中的形态因素密切相关（Castrejon-Esparza et al., 2025）。城市形态可以通过改变局部微气候条件间接影响户外热舒适度（Patle & Ghuge, 2025）。相比之下，城市形态影响建筑能源使用的途径更为复杂（Javanroodi et al., 2023）。一方面，形态特征可能直接影响建筑能源使用。例如，适当的紧凑性有助于减少冷却负荷并改善室内日光利用率，从而降低室内能源消耗（Liu et al., 2023）。另一方面，形态对能源使用的影响也可能通过周围微气候变化来调节（Pasandi et al., 2024）。例如，城市形态的变化可以改变建筑物周围的气流模式，影响建筑物外表面的对流热传递，进而改变供暖和冷却需求（Jie et al., 2023）。此外，城市形态的变化还可以影响可再生能源的利用潜力，从而间接影响建筑能源使用（Tian & Ooka, 2024）。在可再生能源技术中，屋顶光伏系统在这一方面起着重要作用（Abdelrazik et al., 2022）。例如，Dehwah等人发现，如果将25%的屋顶面积用于光伏部署，可以满足19%的建筑电力需求（Dehwah & Asif, 2019）。

在建筑层面，单个建筑物的形式是影响建筑性能的关键因素。例如，深而封闭的建筑形式比其他类型吸收的太阳辐射少，同时也能抵抗冬季风的侵入，从而影响供暖和冷却需求（Li et al., 2020）。建筑物的朝向影响直射太阳辐射的角度，进而改变周围的遮荫模式，间接影响场地的户外热环境（Ji et al., 2022）。然而，形态对环境性能的影响不仅限于单个建筑物，还扩展到城市层面，城市形态和空间布局会影响局部微气候和能源使用。例如，建筑密度和容积率等参数对建筑能源使用有重要影响（Quan & Li, 2021）。基于对武汉办公楼的模拟，Li等人发现，包括建筑高度在内的形态指标显著影响了光伏安装潜力（Li et al., 2025）。根据Nasrollahi等人的研究，城市峡谷的高宽比会影响热舒适度，因为更深的峡谷会阻挡太阳辐射并减少冷空气流动，从而降低城市温度（Nasrollahi et al., 2021）。

尽管许多研究考察了城市形态对建筑能源消耗、光伏发电潜力和户外热舒适度的影响，但它们的发现往往显示出区域差异，在某些情况下，形态指标与性能结果之间的关系也存在不一致性。例如，关于容积率对能源使用的影响，Feng等人发现在炎热夏季和寒冷冬季地区的住宅建筑中，容积率与能源使用强度之间存在负相关（Feng et al., 2024）。相比之下，另一项研究发现，较高的容积率可以通过增加太阳暴露表面积和冷却需求来提高总能源使用强度，尽管可能减少供暖需求（Murathan & Manio?lu, 2025）。建筑密度、高宽比和视野因素等形态指标在不同研究中的与光伏发电潜力的相关性也表现出不一致性（Li et al., 2025）。在户外热舒适度方面，Xu等人发现，在中国武汉的住宅区，形状因子（SF）对户外热舒适度的影响最大（Xu et al., 2024）。相比之下，孟加拉国的一项研究表明，形状因子并不是户外热舒适度的关键解释变量（Sharmin et al., 2015）。

这些不一致性表明，形态-性能关系高度依赖于具体情境，因为形态指标的效果可能因气候区、城市配置和当地环境条件而异。尽管之前的研究已经确认了城市形态与环境性能之间的关系，但不同气候和城市背景下的研究结果存在差异，这表明这些关系受到当地条件的影响。此外，许多研究仍然关注单个形态指标，而不是它们的综合效应。因此，需要一个系统的形态指标框架，结合多种气候情景下的高效和可解释的分析方法，以更好地识别关键的形态驱动因素及其相互作用机制，从而提高对建筑能源使用、光伏发电潜力和户外热舒适度的理解、预测和优化。

为了实现最佳的形态设计，必须评估大量候选方案的性能。传统方法通常依赖基于物理的模拟来计算性能指标（Wang et al., 2025; Wang et al., 2024; Zhu et al., 2022）。然而，这些方法计算成本较高，限制了后续基于优化的设计探索的效率（Liu et al., 2023）。因此，开发能够描述城市形态与性能之间关系的替代模型，作为昂贵物理模拟的替代方案，已成为提高大规模设计评估效率的关键技术途径（Veisi et al., 2022）。

早期的研究通常使用线性回归框架来量化城市形态与性能指标之间的关系（Jiang et al., 2025）。例如，Xie等人使用多元回归模型来研究建筑密度和容积率等形态参数与建筑能源使用和光伏发电潜力之间的关联（Xie et al., 2023）。然而，城市形态对性能指标的影响通常具有明显的非线性、阈值效应和空间异质性，这些特性难以通过传统的线性模型完全捕捉（Ding et al., 2022）。因此，仅依赖线性模型不足以满足在复杂城市形态条件下进行高精度性能预测和后续优化搜索的需求。

随着数据驱动方法的发展，如XGBoost（Liu et al., 2024）和随机森林（Jiang et al., 2025）等机器学习模型已被广泛用于分析城市形态与各种性能指标之间的关系。例如，Yue等人使用XGBoost作为快速太阳辐射预测的替代模型，从而支持早期的设计决策（Yue et al., 2024）。Guo等人应用LightGBM预测住宅建筑能耗，结果显示该模型在大幅降低计算负担的同时实现了高预测准确性（Guo et al., 2023）。然而，机器学习方法的可解释性有限，可能阻碍其在关键决策中的解释和应用（Hong et al., 2025）。因此，需要可解释的人工智能方法来提高模型透明度，使机器学习模型更易于理解和应用（Darvishvand et al., 2025）。在这些方法中，SHapley Additive explanations（SHAP）可以通过估计每个特征对模型预测的贡献来量化特征重要性，同时揭示变量之间的非线性效应和相互作用（Zhang et al., 2026）。例如，Zhou等人开发了一个集成LightGBM-SHAP框架，系统地识别了视野因素和容积率等形态指标对高密度地区户外热舒适度的方向和相对贡献（Zhou et al., 2025）。因此，机器学习与SHAP的整合不仅可以实现快速性能预测，还可以解释形态变量影响性能目标的机制，从而为后续的形态优化提供更有针对性的变量级证据。

在基于替代模型实现快速性能评估的基础上，对城市形态的调整仍然需要在多个性能指标之间进行权衡。多目标优化（MOO）方法已在性能驱动的城市形态研究中得到广泛应用，因为它们可以同时处理冲突的目标并生成非支配解（Li et al., 2024; Shi et al., 2017）。常用的MOO算法包括非支配排序遗传算法II（NSGA-II）（Wang et al., 2025）、多目标粒子群优化（Chegari et al., 2022）和强度帕累托进化算法2（Fan et al., 2022）。其中，NSGA-II生成的帕累托解在目标空间中可以保持相对良好的分布，从而为设计决策提供更稳定的权衡解集（Dhanalakshmi et al., 2011）。因此，将替代模型与多目标优化算法相结合可以降低计算成本，同时系统地探索不同性能目标之间的权衡。

现有的性能-形态优化研究主要依赖基于物理的模拟（Song et al., 2024）或替代模型（Wang et al., 2025）进行性能评估，并将其与多目标优化结合，在预定义的规则和变量空间内搜索帕累托解（Huang et al., 2022）。然而，这些方法通常在预定义的规则或理想化的几何排列下识别参数解，难以直接表示真实城市街区的复杂和异质的空间布局（Zhang et al., 2022）。

为了更详细地表示复杂的城市形态，生成模型已被越来越多地应用于生成设计（Zhuang et al., 2025）。在城市规划和设计中，GANs和VAEs（变分自编码器）是两种典型的城市形态生成方法（Wu et al., 2026）。其中，GANs特别适用于城市形态生成，因为它们能够有效捕捉复杂的空间模式，并产生保留真实城市中观察到的形态特征的逼真城市形态。与传统简化几何模型不同，数据驱动的生成方法可以从训练样本中学习潜在的空间模式，并生成接近真实世界案例分布的新设计方案（Jiang et al., 2024）。例如，Wang等人提出了一个基于深度学习和图算法的自动化建筑布局生成框架，该框架可以在典型和非典型场景中有效满足设计要求（Wang et al., 2023）。Zhou等人开发了一个基于GAN的三维城市形态生成模型，并在六个城市中进行了测试。他们的结果表明，该模型能够准确再现原始数据中的大多数城市特征，并精确整合建筑高度信息（Zhou et al., 2025）。

与传统的基于规则的方法相比，基于学习的生成方法不需要广泛的领域专业知识来定义规则和参数空间（Peng et al., 2024）。然而，现有的深度生成设计研究主要集中在从样本分布中学习布局模式，通常缺乏明确的性能约束和属性控制。尽管这些方法可以快速生成设计替代方案，但其在可控性和性能一致性方面仍然有限（Jiang et al., 2023; Zhao et al., 2021）。此外，很少有研究将深度生成方法与多目标优化相结合以支持设计决策（Li et al., 2024），表明这类综合方法需要进一步发展。

基于上述研究进展和局限性，本研究提出了一个住宅集群布局优化和生成框架，以协调提高能源效率和热舒适度。该框架整合了机器学习替代模型、多目标优化算法和形态约束的生成对抗网络（MCGAN），从而建立一个包括性能预测、关键因素识别、参数优化、布局生成和结果评估的闭环工作流程。因此，本研究旨在实现以下目标：
1. 评估中国多个热气候区住宅集群在EUI（能源使用效率）、SEGI（太阳能得热指数）、NEUI（净太阳得热指数）和OTCA（建筑外部综合得热指数）方面的差异，并确定这些性能指标的关键形态学驱动因素。
2. 开发可解释的替代模型，利用ET（Environment Theory）、RF（Rapid Foresting）、XGBoost和LightGBM等方法以及基于SHAP的可解释性分析，揭示城市形态与建筑性能指标之间的非线性关系。
3. 建立一个以性能为导向的优化生成框架，结合替代模型、NSGA-II（Non--dominated Genetic Algorithm II）和MCGAN（Mutual Generative Adversarial Network）来寻找帕累托最优解，并为早期城市设计生成相应的住宅布局方案。

**材料与方法**
如图1所示，所提出的研究框架包括五个阶段。首先，在数据集构建阶段，基于3D-GloBFP数据集，为中国的五个热气候区的代表性城市开发了5466个参数化的住宅集群模型。然后提取形态学指标，建立一个包含三维建筑信息和城市形态属性的多城市数据集。其次，在性能模拟阶段，通过天气数据对建筑性能进行评估。

**结果**
本节展示了所提出的住宅集群设计优化生成框架的结果。首先，通过相关性分析、替代模型预测和基于SHAP的可解释性分析，研究了城市形态因素与性能指标之间的关系。其次，评估了所提出的MCGAN模型的生成性能，并将其与基准模型进行了比较。最后，应用了综合优化生成框架。

**主要发现及其解释**
SHAP分析结果表明，住宅集群的形态主要通过改变建筑外壳的暴露程度、太阳能获取量以及空间封闭性来影响性能。较高的PAR（直射辐射）和FRAR（反射辐射）增加了建筑外壳与室外环境之间的热量交换，从而增加了供暖或制冷需求。因此，在本研究中，PAR和FRAR都对EUI产生了积极影响，这与之前的研究结果一致，即建筑几何形状和城市形态对能源使用效率有影响。

**结论**
本研究聚焦于住宅集群的早期性能导向设计。以五个具有代表性的中国城市为案例研究，开发了一个闭环框架，该框架集成了机器学习替代模型、基于SHAP的可解释性分析、NSGA-II以及形态约束生成模型MCGAN。该框架建立了从性能预测和机制识别到参数优化、布局生成和结果生成的连续工作流程。

**作者贡献声明**
Kai Liu：撰写原始草稿、可视化、验证、软件开发、方法论、形式化分析、概念化。
Yuanpeng Tang：撰写原始草稿、验证、方法论、数据管理。
Denis Scott：撰写、审稿与编辑、监督。
Zita Vale：撰写、审稿与编辑、监督、方法论。
Ling Ma：撰写、审稿与编辑、监督、资源管理、项目协调。

**利益冲突声明**
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究工作。

**致谢**
本研究部分得到了中国国家重点研发计划（2024YFE0114400）和中国国家自然科学基金（项目编号72595830/72595835）的支持。计算工作在中南科技大学的超级计算平台上完成。

**作者名单**
Kai Liu | Yuanpeng Tang | Denis Scott | Zita Vale | Ling Ma