基于成熟植物固碳数据的口袋公园生成式优化框架研究

本文推荐：该研究创新性地构建了基于植物固碳数据库的生成式优化框架（Generative Optimization Framework），运用遗传算法（GA）实现北京口袋公园的多目标优化（碳储量、遮荫面积、冠层景观多样性CDV），结合机器学习筛选方案。框架使三大目标性能提升超50%，突破传统设计"涟漪效应"局限，为高密度城市小微绿地低碳设计提供算法路径。

　　

Highlight

本研究亮点在于将植物固碳数据与生成式设计深度融合，通过参数化逻辑破解传统景观设计中碳 sequestration 与其他性能目标的权衡难题。

Research Framework

研究框架分为三阶段：(1) 建立含物种特异性固碳数据的植物数据库；(2) 对20m×20m地块进行种植规则参数化；(3) 采用遗传算法同步优化生物量（Biomass）、遮荫面积（Shading Area）和冠层景观多样性（Canopy Diversity in View, CDV）三大目标。机器学习后续筛选出兼具性能平衡与美学质量的方案。

Result

在设定中性至碱性土壤条件下，遗传算法经50代迭代（种群规模50，变异率0.1）获得86个帕累托前沿解。K-means聚类显示，三大目标均衡的第四类集群方案中，最优解生物量较初始随机方案提升53.2%，遮荫面积提升58.7%，CDV提升51.4%。

Relationship Among Objectives

关键发现：高生物量树种（如国槐Sophora japonica）倾向于分布在地块边界，其空间排布模式通过参数组合收敛显著提升遮荫与CDV。但部分高大树种会降低视野通透性，揭示目标间存在非线性拮抗关系。

Conclusion

该框架成功将口袋公园单株植物固碳数据转化为可操作的生成式设计语言。最终方案验证：边界种植高生物量乔木+中央灌木参差布局的组合策略，能实现碳 sequestration 23–42 kg C/m²的热带森林级固碳密度，同时满足多功能景观需求。