《ENERGY AND BUILDINGS》：Automated Urban Archetypes: Integrating Urban Morphology and Topology for Scalable Urban Building Energy Modeling
编辑推荐：
随着气候变化与城市高密度化加剧城市环境中的能源需求，可持续发展策略日益重要。现有城市尺度能耗模型通常基于聚合的建筑原型，但常忽略城市内部建筑间关系，限制了能源应用的可扩展性。为此，研究者提出了“城市原型”——一种基于图的、富含元数据的表示方法，该方法能映射城市到代表性的城市原型，同时捕捉建筑的形态特征及其在城市肌理中的拓扑关系。以旧金山为例，该框架识别出四种城市原型，在城市尺度年能耗上相比全分辨率基准（4,170个街区）误差仅2.77%，并保持了空间结构（Δ Moran’s I = 0.6%）。该方法在显著降低计算成本的同时，为城市尺度的能源模拟、社区级能源策略及下游城市分析提供了可扩展、数据驱动的基础，对能源韧性城市设计具有重要意义。
在气候变化和城市高密度化双重压力下，城市环境的能源需求不断攀升，建筑部门更是占据了全球能源消耗的相当大比重。寻找可持续的能源解决方案迫在眉睫。传统上，理解和优化城市能耗主要在两个尺度进行：单体建筑尺度和新兴的城市尺度模拟。然而，介于两者之间的“中观尺度”——即街区或邻里尺度，正逐渐被视为研究能源效率更具潜力的平台。现有的城市尺度能耗模型，为了处理海量数据，通常采用聚合的建筑原型来代表城市尺度的能耗。这种做法虽然简化了计算，却常常忽略了一个关键现实：城市并非孤立建筑的集合，建筑之间的空间关系、相互遮挡、功能联系等“拓扑”相互作用，深刻影响着区域的微气候和整体能耗。这种“见木不见林”的简化，限制了模型在更大范围、更复杂场景下的可扩展性和准确性。那么，能否找到一种方法，既能捕捉城市肌理的复杂性（形态），又能刻画建筑间的相互作用（拓扑），从而提炼出更具代表性的“城市原型”，为大规模、精准的能源规划与设计提供高效工具？
为了回答这一问题，来自德州农工大学建筑系的Xinwei Zhuang和Freya Huying Tan在《ENERGY AND BUILDINGS》上发表了一项研究。他们提出了一种名为“城市原型”的、基于图的表示新框架。这项研究的核心在于，不再将城市视为散点，而是将其结构编码为“图”：图中的每个“节点”代表一栋建筑，附带上其用地性质、建造年份、建筑面积、高度等元数据；而“边”则根据建筑之间的空间临近度来定义，从而刻画建筑群的拓扑连接关系。通过这种“图编码”，城市的形态（单个建筑特征）和拓扑（建筑间关系）被整合到了一个统一的、机器可读的数据结构中。研究者以旧金山为案例，构建了包含4,170个城市街区（以人口普查街区为边界）的图数据集。为了进行能耗分析，他们巧妙地整合了来自美国国家可再生能源实验室的ComStock（商业）和ResStock（住宅）合成负荷曲线数据集，并通过基于高斯核的相似性匹配算法，将这些负荷曲线分配给了旧金山的每一栋建筑，生成了城市尺度的合成能源需求档案，并与实际电力消费数据进行了校准验证，确保了数据基础的可靠性。
在研究方法上，该研究主要运用了几个关键技术：首先是城市图编码，利用公开地理信息数据（如微软全球建筑足迹、旧金山开放数据平台）构建以建筑为节点、空间邻近关系为边的城市街区图。其次是图表示学习，采用基于Transformer的图卷积网络，对构建的城市图进行无监督学习，生成能够表征街区形态与拓扑特征的嵌入向量。最后是联合特征聚类与原型识别，将学习到的图嵌入向量与从合成负荷曲线中提取的八个街区尺度能耗特征相结合，通过层次聚类等方法，识别出代表性的城市原型，并以其为代理进行城市尺度能耗模拟的验证。
研究结果部分清晰地展示了该方法的有效性和价值。
5.1. 学习嵌入的验证：训练的Transformer自编码器模型在验证集上取得了较低的均方误差，表明模型能够较好地重建输入的城市图特征，学习到了有效的、低维的图表示。
5.2. 基于Transformer图嵌入的层次聚类：对4,170个城市街区的图嵌入进行层次聚类，结合轮廓系数和惯性分析，确定最优聚类数为4。通过UMAP降维可视化可以看到，四个集群在潜在空间中分离良好。将其映射回地理空间后发现，集群3和集群2（共占80%）主要是住宅区，集群0和集群1（共占18%）则代表了市中心商业区、混合用途及工业区等形态。聚类内部的均方误差分析表明，住宅集群内部相似度高、结构紧凑，而商业/混合用途集群内部则展现出更高的异质性，这符合对城市肌理的直观认知。
5.3. 用于UBEM的城市原型：从每个集群中选取最靠近聚类中心的街区作为该集群的“代表原型”。由此，旧金山的城市形态被提炼为四个典型的城市原型。统计分析显示，这些原型在商业比例、平均建筑面积、用地混合熵、节点与边数量等形态和功能指标上存在显著差异，清晰地分离了不同的邻里类型。
5.4. 验证：研究的关键验证在于评估这四种原型能否作为高效的“代理模型”来近似整个城市的能耗。他们将全分辨率模型（基于4,170个街区的个体模拟）的结果与原型模型（仅用4个代表原型的能耗按集群规模加权聚合）的结果进行对比。在城市总尺度上，原型模型再现的年总能耗误差仅为2.77%。空间自相关分析显示，原型模型生成的结果与全分辨率模型的空间结构高度一致。虽然在单个街区尺度上存在一定误差，但该模型在街区尺度仍表现出显著的解释力。这表明，用极少的代表性原型，就能在保持城市整体能耗模式和空间结构的前提下，将计算量降低数个数量级。
结论与讨论部分强调了此项研究的重要意义。该工作成功开发并验证了一个数据驱动的框架，用于创建整合了形态与拓扑信息的“城市原型”。这些原型可以作为城市建筑能耗建模的高效代理模型，在捕捉关键空间与类型学特征的同时，大幅降低计算需求。以旧金山为例，仅用四个原型就在城市尺度上准确地复现了年度能耗总量和空间分布模式。这种方法将研究焦点从单一建筑转向了建筑群及其相互关系的街区尺度，为可持续城市设计、社区级能源策略制定、需求响应优化以及目标性改造项目提供了可扩展的、数据驱动的基础。它不仅支持城市尺度的能源模拟，还能促进下游的多种城市分析，例如评估节能措施、制定韧性政策以应对气候变化等。未来的工作可以探索将更多维度的数据（如微气候、基础设施状况）整合进图中，并将该框架扩展到更多样化的城市环境中进行验证，进一步提升其普适性和实用性。这项研究为理解复杂城市系统、推动能源韧性城市规划，迈出了坚实而富有启发性的一步。
