1、119Journal of BEENo.7.in 2023(Total Vol.51.No.389)建筑碳中和2023年第7 期（总第51卷第38 9期）建筑节能（中英文Carbon Neutrality in Buildingsdoi:10.3969/j.issn.2096-9422.2023.07.021基于XGBoost模型的低碳住区规模优化方法研究以金堂县杨柳北片区为例*冯兰萌，王一帆，袁大昌（1.天津大学建筑学院，天津津30 0 0 7 2；2.北京市城市规划设计研究院，北京100045;3天津大学城市规划设计研究院有限公司，天津300072)摘要：住区整体规模形态特征对碳排放会产生
2、长期的影响。当前对低碳住区的研究多集中在单体建筑方面，对住区整体规模尺度和碳排放关系的量化研究并不多见。以四川金堂县杨柳北片区为例，利用实地调研和软件模拟的方式获取6 3处住区碳排放清单数据，选取容积率、空间紧凑度和街廊面积三个规模特征指标，基于XGBoost机器学习算法建立“住区规模一碳排放”预测模型，并据此模型对住区规模进行优化。研究发现，住区规模与碳排放之间并非简单线性关系，而是多指标综合作用下的非线性相关关系。通过机器学习方法可以建立量化的预测模型，并合理预测低碳住区的最优规模区间。就金堂县而言，住区街廊尺度在150 18 0 m，面积150 0 0 2 50 0 0 m，紧凑度在2
3、0 2 3最为低碳。本研究对控规层面住区碳排放预测，低碳住区规划设计、评价和规划管控的理论方法建立具有借鉴意义。关键词：个低碳城市；住区规模；碳排放；机器学习中图分类号：TU984.115文献标志码：A文章编号：2096-9422(2023)07-0119-06Low-carbon Oriented Residential Scale Optimization Method Based on XGBoostModel:A Case Study on Yangliubei Area of Jintang CountyFENG Lanmeng,WANG Yifan?,YUAN Dachang(1.
4、School of Architecture,Tianjin University,Tianjin 300072,China;2.Beijing Urban PlanningDesign&Research Institute,Beijing 100045,China;3.Tianjin University Research Institute ofUrban Planning Design,Tianjin 300072,China)Abstract:The scale of residential area refers to the land area and development in
5、tensity of residentialarea.The overall scale and morphological characteristics of residential area will have a long-term impacton carbon emission.At present,there are many studies on the carbon emission of residential buildings,butthe quantitative research on the relationship between the residential
6、 scale and carbon emission is rare.Taking Yangliubei area of Jintang County,Sichuan Province as an example,this study obtains the carbonemission data of residential areas by means of field investigation and software simulation,selects three corescale index elements of plot ratio,spatial compactness
7、and street area,establishes the residential carbonemission prediction model of residential areas based on XGBoost machine-learning model,and optimizesthe residential scale based on the model.It is found that there is a nonlinear correlation between residentialscale and residential building carbon em
8、ission,and the machine-learning model can predict residentialcarbon emission through residential scale index.In terms of the conclusion of this study,the carbonemission of residential area in Jintang county is lowest when the street scale is 150180 m,the total area is15 00025 000 m and compact ratio
9、 is 2023.This study has reference significance for the prediction ofplot carbon emission and the establishment of theoretical methods of low-carbon planning,design,evaluation and planning management and control.Keywords:low-carbon city;residential scale;carbon emission;machine-learning收稿日期：2 0 2 2-0
10、 3-15；修回日期：2 0 2 3-0 7-19*基金项目：国家重点研发计划资助项目：“基于县域控碳体系的数据驱动型规划设计技术集成与示范应用”（2 0 18 YFC0704706）120冯兰萌，等：基于XGBoost模型的低碳住区规模优化方法研究0引言科学界越来越多的研究证明，人类活动造成的温室气体排放要对全球气候变暖问题负主要责任。根据IPCC的报告，城市是全球7 5%以上碳排放的源头。城市中住区是规模最大、最主要的功能之一。住区碳排放占到全部建筑碳排放的16%2 5%，且呈逐年上升的态势 2.3。近年来，对住宅单体碳排放的研究广泛开展，在建筑设计建造运营全流程形成了一系列研究成果 4。
11、将住区作为整体,研究其规模形态特征对碳排放的影响，对于低碳住区的设计、评价和管控具有重要的理论和现实意义。现有研究已经关注到住区整体规模形态特征对碳排放会产生长期的影响。Rode、W i l s o n 等学者发现住区的形态特征对住宅碳排放会造成影响 5.6 。国内学者综合运用相关性分析、回归分析等方法证明了住区的容积率、建筑密度、空间布局等规模形态特征和碳排放存在相关性生 4.7-9。有学者通过分析住区碳排放的影响机制指出，空间特征指标影响主观的能源使用行为意识和客观的住区微气候条件，最终作用于住区碳排放 10 。然而，由于线性回归方法的局限性，现有研究的结论都较为模糊，难以量化地描述规模形
12、态指标和住区碳排放的关系，或给出指标调整的明确区间。因此本研究以四川金堂县杨柳北片区为例，以住区规模对地块内单位面积碳排放影响为切人点，通过综合运用实测调研、HTB2能耗软件模拟、机器学习等方法，建立基于住区规模指标要素的碳排放预测模型，进而基于预测模型开展住区规模优化，在详细规划层面，提出合理配置城市空间，减少碳排放的规划管控策略。本研究对明晰住区规模和碳排放的关系，从空间规划角度建立低碳住区评估指标体系，进行低碳住区规划设计具有重要意义。1研究数据与方法1.1研究数据获取1.1.1研究区域概况金堂县位于中国西南地区，属成都市管辖。根据课题组的研究成果一“全国县域碳排放特征分区地图”和“减碳
13、潜力分区地图”，金堂县碳排放量在全国县域中处于中高水平，碳排放结构问题较多。其中居民生活碳排放占据较大比例，且减碳潜力最为突出。杨柳北片区规划为绿色生态新城，总建设用地面积2 6 1.7 8 ha。课题组参照北京低碳规划的经验编制了该地区碳排放清单 12 。结果显示：片区总碳排放1347 1.8 0 tCOz/a，其中住区碳排放占总量的35.22%，是碳排放的主要源头之一。因此，开展面向低碳化的住区规模优化方法研究对金堂县绿色低碳发展具有重要的实践价值。1.1.2住区碳排放核算本研究主要核算了片区内6 3处住区的建筑运行各项能耗，再基于IPCC方法转化为碳排放数值（见图1），主要包括暖通空调能
14、耗和照明、炊事、家用设备能耗等。由于现状对住区能耗的统计监测不够全面，因此采用“实地调研+软件模拟”的方法获取详细的能耗清单。实地调研住区软件模拟住区图1样本住区分布图首先，采用走访政府部门和人户发放调查问卷等形式开展实地调研，获取了10 个代表性住区建筑能耗的准确数值。其次，对于缺少能耗统计数据的住区，暖通空调能耗量采用Virvil-HTB2模型方法进行模拟。该方法基于有限差分热传导模型，模拟建筑围护结构内外的热传导、热交换过程，并且可以与SketchUp软件联动，实现空间修改后建筑组群的能耗动态模拟 13。通过SketchUp搭建住区三维空间模型，在HTB2软件中输人当地气候因子和太阳高度
15、等参数，运行能耗模拟工具，输出全年采暖和制冷的能耗需求（热需求和冷需求），进而得到住区的单位面积能耗模拟值。其他日常生活能耗则类比片区内相似住区的人均能耗水平进行核算。为验证软件模拟的精度，以实地调研的准确结果作为对照数据集，通过修改空间形态参数反复校正三维模型,最终获得相对准确的住区能耗模拟结果。部分模拟结果展示见表1。冷热需求的碳排放之和为暖通空调碳排放，暖通空调碳排放和其他碳排放之和为住区总碳排放1.1.3住区规模指标提取现有研究对城市住区碳排放影响因素和理论机制已经进行充分论述。本文从相关文献提及的指标体系中，初步选取了容积率、紧凑度和街廓面积三个规模特征指标，进一步探讨其与住区碳排放
16、的量化关系。121FENG Lanmeng,et al.Low-carbon Oriented Residential Scale Optimization Method Based on XGBoost Model表1住区碳排放模拟结果（部分）热需求碳排放/冷需求碳排放/其他碳排放/总碳排放/单位面积碳排放/模型序号(tCO2/a)(tCO,/a)tCO2tCO2(kgCO/m)1961.70999.334591.696552.7211.6122682.013208.5812850.8918 741.4911.3731006.431405.175190.387601.9910.9741652
17、.681925.457694.8511 272.9910.7853088.972277.3412.537.1817 903.5010.246944.821223.9742366404.7910.237886.93808.493717.995413.4210.1181505.341996.336370.399872.069.7693712.542936.8214 609.5121258.889.59101507.811247.996057.028812.839.55（1)容积率。容积率是用来描述住区整体内的建筑容量特征的指标，不受建筑形态与组合方式的影响。容积率上升则土地使用效率提高，可以节约用
18、地，提高设施使用效率，有助于降低碳排放。同时建筑密度和平均层数的变化则会引起住区空间形态的改变，影响住区的采光、通风和绿化，间接影响建筑能耗。有研究发现，点式住宅单位碳排放随容积率提高而下降,而行列式住宅情况相反 14。因此，本研究将容积率纳人评价指标。(2)空间紧凑度。空间紧凑度是对住区边界形状的量化，用来衡量住区内部与外部的能量交换状态。紧凑度和碳排放的关系尚待明确。有研究认为紧凑住区政策不利于散热，会加剧城市热岛效应，增加住区建筑能耗15；也有研究认为紧凑的住区比低密度住区能耗显著降低 16 ；甚至有研究提出规整的城市建成区边界有助于实现低碳的结论 17 。本研究用住区的边界图形，通过G
19、IS用最小边界几何计算长短轴、最小外接圆。选取计算公式Richardson指数，具体见公式（1）：C=2/TS/L(1)式中：C为空间紧凑度指标；S为街区面积；L为街区周长。（3）街廓面积。街廓面积是衡量住区整体用地规模的最直接指标。由于住区平面构成形式有限，街廓面积一定程度上决定了建筑组合方式和道路组织形式，进而影响户外环境。同时，街廓面积也影响城市道路密度和土地利用混合程度。前者被证明对风环境存在影响，后者则影响设施可达性和使用效率，从而影响住区日常生活能耗 18 。因此，本研究将街廓面积纳人评价指标1.2研究方法与思路基于上述通过实地调研和HTB2软件模拟获取的住区碳排放数据，以及容积率
20、、空间紧凑度和街廓面积等住区规模指标，本研究将对住区规模和碳排放的关系开展定量研究。首先利用SPSS软件的相关性分析功能,验证样本数据中规模要素和碳排放的相关性。其次基于机器学习的方法，建立“住区规模一碳排放预测模型，并验证其预测精度。最后，基于预测模型的结果，探究探索低碳视角下住区规模的最优区间，给出住区规模优化的管控建议，2住区规模一碳排放预测模型构建和应用2.1住区规模指标与碳排放相关性分析在进行回归分析之前，首先对上述自变量（即容积率、紧凑度、面积）和因变量（住区碳排放）进行相关性分析，以排除变量间的多重共线性。根据指标之间的关系进一步筛选出具有代表性的独立变量指标，以确定样本的用地规
21、模指标和碳排放指标是否存在关系（见表2）。表2Pearson相关性分析结果碳排放容积率空间紧凑度街区面积碳排放10.687*0.2350.578*容积率0.687*10.0580.720*空间紧凑度0.2350.05810.056街廓面积0.578*0.720*0.0561注：“*代表指标P0.01,指标呈现显著性。根据Pearson相关性分析可以发现容积率和街区面积存在很强的自相关性，不利于模型的建立，因此排除容积率因子。而碳排放和容积率、空间紧凑度、面积指标之间的线性相关性一般或较弱。这说明，住区规模和碳排放之间不是简单的线性相关关系，还受到空间形态、住宅类型、用能效率等可能的中间因素影响
22、，需要构造非线性回归模型来解释这一问题。2基于XCBoost的“住区规模一碳排放”预测模型由于住区规模和住区碳排放之间可能存在复杂的非线性关系，传统的统计回归模型无法高效地解决这一问题，本研究引人了机器学习算法。机器学习属于采用计算机模拟人类的学习算法，对已有数据进行学习策略的探索和潜在结构的发现，依据所得模型进122冯兰萌，等：基于XGBoost模型的低碳住区规模优化方法研究行预测及分析。传统解析因子的方法需要依靠样本数据按照设定固定算法流程进行计算获得参数结果，方法本身并不涉及不断自我学习进行改进运算结果的问题，而机器学习不仅参与样本数据运算挖掘信息，还通过机器不断自我学习，适应最优策略改
23、变，不断得到新的改进结果在用于数据集测试和训练的所有机器学习模型对比发现,XGBoost 模型(Extreme Gradient Boosting)R=0.72,MAE=0.31具有最好的预测精度和拟合效果，因此选用XGBoost作为后续的基本预测模型（见表3）。表3机器学习基本模型参数对比模型模型名称MAER2TT(Sec)序号0Extreme Gradient Boosting0.312 20.724.30.269 51ExtraTreesRegressor0.325 50.706 30.282.92Light Gradient Boosting Machine0.36800.663.40
24、.32993Random Forest0.373 10.648 60.339 14Cat Boost Regressor0.371 10.635 70.323 25Gradient Boosting Regressor0.371 00.632.00.331 06Ada Boost Regressor0.481 60.555 30.498 47KNeighbors Regressor0.494 50.41510.45748Decision Tree0.463 70.387.50.366 59Bayesian Ridge0.598 20.004 80.645 410SupportVectorMac
25、hine0.675 5-0.058 50.679 4根据模型再进行十次随机交叉验证，根据验证结果进一步确认“住区规模一碳排放”预测模型的准确度良好（见表4）。表4模型交叉验证结果模型序号MAER20799.968 40.496 91700.31090.854.42965.46010.713131044.924 60.537 641106.098 70.78485929.91930.767 76921.491 20.729971393.71390.595681064.712 30.788 491360.934 80.142.9Mean1028.75340.641 1进一步的，本研究采用需要训练数
26、据集的监督学习方法以提高模型的预测精度。根据训练集和测试集3:1的原则，从数据中选取7 5%代入XGBoost模型进行训练，2 5%用于测试模型预测效果，并重复10 次。得到模型效果如图2 所示。从模型可知，训练结果在训练集上R达到0.879，在测试集上达到0.6 94，具有良好的表达效果通过这一预测模型，可以良好地反映住区规模和碳排放的关系。XGBoost模型预测误差XGBoost模型预测残差和预测值分布ICotCo-bestfitTrainR=0.87912000-identify40004000TestR=0.694R=0.69410000200020008000006000-2000-
27、20004000-4000-400020002000400060008000100001200020005000100001500020.000 1CO,Y真实预测值分布趋势(a)XGBoost模型预测误差(b)XGBoost模型预测残差和预测值分布图2训练模型预测效果图2.3模型结果应用在2.2 小节中，根据金堂县杨柳北片区的实地数据，基于XGBoost模型方法构建了“住区规模一碳排放”预测模型。本节将应用这一模型结果，探究住区规模和碳排放的量化关系。为排除无关变量干扰，控制容积率和街廓形态指标（长宽比）分别为1.0 和1.25，通过调整街廓规模，模拟预测碳排放的方法，探究单位面积最小碳排放
28、的住区规模区间。模型序号对应住区尺度和碳排放数据如表5、图3所示。表5住区地块规模一碳排放对照表序号12345678街廓尺度/(mm)90721058412096135108150120180144200160240192街廓面积/m648088201152014.58018 0002592032.00046080空间紧凑度15.8517.1218.3019.4120.4622.4123.6325.88单位面积cOz（k g/m）6.706.817.116.996.876.906.926.98123FENG Lanmeng,et al.Low-carbon Oriented Residenti
29、al Scale Optimization Method Based on XGBoost Model72717069858656412345678序号图3住区碳排放模拟值根据模型预测结果，在容积率和街廓形态一定的前提下，随住区规模扩大，空间紧凑度逐步提高，单位面积碳排放呈现非线性的变化过程。这一结果印证了建模之初的假设，住区规模和碳排放之间的关系受到多因素综合影响,是复杂的非线性关系。在号住区到号住区之间，面积由6 48 0 m扩大到18 0 0 0 m，紧度由15.8 5增长至2 0.46，单位面积CO，出现先增高,再降低的趋势。在号住区到号住区之间，面积由18 0 0 0 m扩大到46
30、0 8 0 m，紧凑度由2 0.46增长至2 5.8 8，单位面积CO2又呈增高趋势。其中,两种住区规模的情景较为低碳。号住区尺度90 m72m，面积6 48 0 m，紧凑度15.8 5，以及号住区尺度150 m120m，面积18 0 0 0 m，紧凑度20.46的单位面积CO，为极小值，分别为6.7 0 kg/m和6.8 7 kg/m。相比之下，号住区尺度12 0 m96m，面积1152 0 m，紧凑度18.30,单位面积COz为极大值,7.11kg/m。本研究通过对、四个典型住区进行模拟空间布局（见图4），进一步分析得出低碳的住区规模应满足以下条件：(1)住区街廓尺度和建筑空间组合形式相匹
31、配。住区对日照条件、通风条件有着严格要求，需要因地制宜地确定建筑组合形式。住区尺度与之相匹配时，才能形成良好的户外微环境，降低住宅冷热能耗需求，从而利于低碳。号和号住区建筑日照间距在3235m，户外微环境良好，碳排放为极低值。而号住区面积和紧凑度居于前两者中间，但建筑日照间距仅2 3m，布局不合理，碳排放反而偏高。(2)住区紧凑度和内外热交换效率需求相匹配。住区和外部的热交换是影响户外微环境的又一途径，紧凑度衡量着住区内外热交换的效率。应确定适宜的紧凑度，以满足住区内外热交换的需求。本研究中，当尺度大于150 m120m，紧凑度大于2 0.46 时，碳排放呈持续增高趋势。号住区布局相对合理（日
32、照间距30 m），但面积和紧凑度过大，碳排放同样处于较高水平。（3）住区规模指标组合最优，而非单个指标最优。住区碳排放很大程度上受制于户外微环境品质，这受到多个规模指标综合影响，而不决定于单一规模指标。因此最优住区规模应当呈现为指标组合。结果显示，、号住区相对低碳，而号、号住区尺度过小，从商业开发的角度看不够经济。因此本研究提出，对于金堂县，尺度在150 18 0 m，面积1500025000m，紧凑度在2 0 2 3之间的中小住区规模，对低碳住区开发最为有利。1号地块3号地块5号地块8号地块长宽：90 m72m长宽：12 0 m96m长x宽：150 m120m长宽：2 40 m192m建筑数
33、量：4.0 5建筑数量：7.2建筑数量：11.2 5建筑数量：2 8.8建筑间距：32 m建筑间距：2 3m建筑间距：35m建筑间距：30 m(a)）号住区布局示意(b）号住区布局示意(c）号住区布局示意（d）8 号住区布局示意图4典型住区空间布局示意图3住区规模优化管控建议确定合理的住区规模和开发强度指标区间，对低碳城市空间评价体系的建立和低碳城市的发展至关重要。金堂县处于夏热冬冷气候区，夏季太阳辐射强烈，易形成静风天气，较为闷热。冬季日照不足，空气湿度大，较为阴冷。结合研究结果，提出金堂县面向低碳化的住区规模优化管控建议。(1）控制街廓尺度，优化住区户外微环境。本研究结果表明，将住区规模控
34、制在150 18 0 m的中小尺度，并在此基础上保持合理的建筑密度和日照间距，有助于改善居住小区风、热环境的整体舒适性，从而降低建筑能耗需求，利于低碳住区建设。(2)提倡适度紧凑，改造现有超大住区。现有研究中多提倡城市紧凑开发，以提高土地和设施使用效率，降低用地综合能耗。然而本研究结果显示，过于紧凑的住区政策不利于住区内外热的交换，反而导致碳排放增加。对于既有的较大规模街区，应适当增加支路，或通过地块边线退让，增设步行街道。同时该措施有利于土地混合利用，促进绿色交通出行等，具备更大的综合减碳潜力。(3）因地制宜确定住区规模指标组合。对于不同的地域气候条件，空间布局模式，针对性地评估低碳124冯
35、兰萌，等：基于XGBoost模型的低碳住区规模优化方法研究住区最优规模指标组合。提倡在保证舒适的外部环境基础上，控制住区开发的适度规模，引导中小尺度住区建设，提倡适度紧凑的空间结构，为住区低碳化建设提供空间结构基础4结论本文根据金堂县杨柳北片区的研究数据，利用XGBoost机器学习模型方法建立“住区规模一碳排放”预测模型，对容积率、空间紧凑度、面积三个核心住区规模特征指标和碳排放的关系进行拟合分析，确定住区规模指标组合的最优区间，得出以下结论：（1）住区规模与住区碳排放的确具有关联性，可以在特定情景约束下，以一定基础数据为依据建立预测模型，根据规模指标要素组合对住区内居住建筑碳排放做出可靠推测
36、(2)住区规模与碳排放并非单一指标决定的线性关系，而是多指标综合影响下的复杂非线性关系。住区规模的变化首先对住区的户外微环境特征产生影响，进而影响到居住建筑室内外的热交换、热传导过程,从而对导致了碳排放的变化。这一过程受多个规模指标综合影响，单独讨论规模的某一方面指标存在局限性。（3）本研究结果表明，对金堂县杨柳北片区，尺度在150 18 0 m，面积150 0 0 2 50 0 0 m，紧凑度在202 3之间的住区规模对低碳城市建设最为有利。尽管其他地区的气候因素和建成环境与金堂县不同，无法照搬结论，但通过合理的地块规模控制，可以起到一定的节能减排效果。基于以上发现，本研究认为在一定程度上，
37、可以通过控制住区规模达到降低住区碳排放的目的。在确定合理的住区规模时，应考虑多指标要素的综合影响，因地制宜地制定指标最优区间，而非片面地强调小尺度或紧凑的住区政策。本研究充分利用机器学习方法的优势，突破传统统计回归模型的局限性，实现了对低碳住区规模的定量优化。城市住区必将走向低碳、节能化的趋势。开展住区空间规模形态和碳排放关系的量化研究，为低碳住区规划管控提供了新的技术工具，对丰富和发展低碳城市规划的理论方法和实践应用具有一定现实意义。参考文献：1 联合国政府间气候变化专门委员会（IPCC）.气候变化2 0 14：综合评估报告 R.哥本哈根：剑桥大学出版社,2 0 14.2 Ipcc.Clim
38、ate Change 2007:The Physical Science Basis R.NewYork:CambridgeUniversity Press,2007.3蒋秀娟，唐婷.中国建筑节能年度发展研究报告2 0 11发布 N.科技日报.2 0 11-0 3-2 8.【4 吴巍，宋彦，洪再生，等.居住社区形态对住宅能耗影响研究一一以宁波市为例 J.城市发展研究，2 0 18,2 5（1）：15-2 0.5 Wilson B.Urban Form and Residential Electricity Consumption:Evidence From Illinois,Usa J.Lan
39、dscape and Urban Planning,2013,115:6271.6 Rode P,Keim C,Robazza G,et al.Cities and Energy:UrbanMorphology and Residential Heat-energy Demand J.Environment andPlanning B:Planning and Design,2014,41(1):138-162.7王伟强，李建.住区密度与家庭能耗碳排放相关性研究一一以上海曹杨新村为例 J.城市规划，2 0 17,41（6）：8 3-91.【8 颜文涛，俞诗言，邹锦.基于碳排放构成因子的城市住区
40、低碳规划要素体系构建以重庆主城为例 J.现代城市研究，2 0 17，（6）：113120.9江海燕，肖荣波，吴婕.城市家庭碳排放的影响模式及对低碳居住社区规划设计的启示以广州为例【J.现代城市研究，2 0 13，28(2):100-106.10王馨珠，汪坚强，郑善文.住区碳排放影响机制及减碳规划策略研究以九江市为例 J.华中建筑，2 0 2 1,39（3）：44-50.【11 张赫，王睿，于丁一，等.基于差异化控碳思路的县级国土空间低碳规划方法探索 J.城市规划学刊,2 0 2 1,2 6 5（5）：58-6 5.12王雅捷，何永.基于碳排放清单编制的低碳城市规划技术方法研究 J.中国人口资源
41、与环境，2 0 15,2 5（6：7 2-8 0.13杜孟鸽,袁大昌.基于VirVil-HTB2建筑能耗模拟的生态社区空间优化研究 J.建筑节能，2 0 2 0,48（2）：91-96.14黄欣,颜文涛.山地住区规划要素与碳排放量相关性分析以重庆主城住区为例 J.西部人居环境学刊,2 0 15,30（1）：10 0 10 5.15 Zheshan a.Nick-Baker-Simos-Yannas-etc.Climate esponsiveArchitecture:A Design Handbook for Energy Efficient Buildings M.New Delhi,Indi
42、a:Tata McGraw-Hill,2001.16 Pitt D.Evaluating the Greenhouse Gas Reduction Benefits ofCompact Housing Development J.Journal of Environmental Planningand Management,2013,56(4):588-606.【17 张赫，于丁一，王睿，等.面向低碳生活的县域城镇空间结构优化研究 J.规划师,2 0 2 0,36（2 4）：12-2 0.18陈锦富，卢有朋，朱小玉.低碳视角下的城市街区空间结构模式探讨 J.规划师,2 0 13,2 9（1）：6 6-7 0.作者简介：冯兰萌（1997），男，河北秦皇岛人，毕业于天津大学，城乡规划专业，硕士研究生，主要从事低碳城市、城市规划设计的研究()。指导教师：袁大昌（196 5），男，毕业于日本九州大学，都市共生专业，博士，教授，研究方向为城市总体规划及专项规划（）。
