基于深度學習的城市意象認知方法創新與拓展
——以重慶主城區為例

2020-01-14 02:50:22曹越皓楊培峰龍

中國園林 2019年12期

曹越皓楊培峰龍瀛

當前，中國邁入了新型城鎮化的轉型時期，美麗中國、城市雙修、加強城市設計的提出將城市特色的重要性提升至一個新的高度，而城市意象作為城市設計常用的工具之一，對提升城市空間品質與塑造城市特色風貌都有著重要意義。

大數據以其數據規模龐大、定量化分析等特征，為規劃研究、編制與決策帶來了新的途徑和方法[1]。日益豐富的數據也逐漸形成了城市的新數據環境，為城市定量研究提供了良好的基礎[2]。同時，以深度學習為代表的人工智能發展迅速，在城市研究中有著廣泛的應用場景[3]。

1 國內外相關研究進展

1.1 城市意象的研究進展

20世紀60年代，凱文·林奇提出以標識、節點、路徑、邊界、區域為要素的城市空間意象認知方法。顧朝林、宋國臣綜述了城市意象的概念與內涵，強調了城市意象在城市設計領域應用前景[4]，并通過認知地圖的方式辨析出北京城市意象空間與要素的整體結構[5]；沈益人提出空間性元素和非空間性元素的分類方法[6]；Richards等論證了城市文化對于城市意象提升的重要作用[7]；Hospers將城市意象與城市旅游相關聯，強調了城市意象對于城市特色營造、城市魅力提升、城市經濟發展的必要性[8]；徐磊青對中國城市意象的研究進行了梳理與分析，對目前城市意象的研究對象、研究方法和研究意義進行了反思和討論[9]；曹越皓等通過網絡照片數據對中國24個城市進行了城市意象研究，提出了大數據背景下的城市意象研究新思路[10]。

城市意象從提出至今，其研究內容和研究方法都有了較大發展。研究內容從單純的城市空間意象發展到以空間要素為主，同時融合城市文化、自然景觀等非空間要素；研究方法從描述性研究發展到類型學研究與定量化研究相結合[9]，新數據、新方法為城市意象的研究提供了新的契機。

1.2 利用深度學習的城市研究

目前，大數據已經廣泛應用于城市研究與規劃編制中，主要應用領域有區域城鎮體系[11]、城市空間結構[12]、公共服務設施[13]、城市交通出行[14]、居民活動[15]等。而利用深度學習的城市研究處于嘗試階段，主要方向為計算機視覺和自然語言理解。

Naik等利用街景照片與深度學習算法建立了街道安全度的研究模型[16]，分析了城市空間改變與社會經濟變化之間的關系[17]；Gebru等利用街景照片與深度學習算法進行美國城市的空間調查，并將采集的空間信息與社區的人口、受教育程度等信息關聯，旨在創新美國社區調研方法[18]。在國內，劉瀏等利用深度學習算法對地理照片的內容進行識別分類，探討了全球7個主要城市在城市意象上的相關性與差異性[19]；郝新華、龍瀛等利用中國街景照片，分析了街道的可見綠情況，并將結果與街道長度、地塊尺度、經濟水平、行政等級相關聯展開分析[20]；吳志強等利用人工智能在城市數據捕捉、城市功能配置、城市形態設計等方面取得了突破，并對人工智能輔助城市規劃做出了積極的判斷[21]。

1.3 研究評述

從城市意象、大數據、深度學習三者的關系來看，大數據與城市意象結合，可以補充城市研究的數據基礎；深度學習與城市意象結合，可以擴展城市認知的維度和廣度；大數據與深度學習結合，可以為城市數據的深度挖掘提供技術上的可能。三者互相支撐，能多維度、全方面地刻畫城市的整體意象，亦能從更大范圍思考城市意象形成與發展的深層邏輯及其應用場景。

2 基于深度學習的城市意象認知模型

綜合目前大量利用大數據進行城市研究的理論基礎與應用邏輯，本文擬提出基于深度學習的城市意象認知模型。該研究模型在理論層面，包括基礎理論、數據來源、技術方法3個基本要素；在應用層面，理論基礎為城市意象認知方法，數據來源為城市大數據，技術方法為深度學習(圖1)。

2.1 研究框架

該認知模型以凱文·林奇的城市意象認知方法作為理論基礎，并結合城市意象內涵新發展與新技術的支撐，提出城市意象認知方法的創新與拓展。在城市意象認知維度上，將傳統空間結構的單一維度拓展為包含意象結構、意象類型和意象評價的3個維度。在城市意象認知過程中，該模型包含了數據獲取、模型運算和規劃應用3個步驟。

在數據獲取中，本文以新浪微博數據作為主要來源，其中包括圖像數據、語言數據和時空數據；在模型運算中，圖像數據與語言數據采用深度學習分別得到意象類型與意象評價，時空數據采用GIS空間分析得到意象結構，形成3個維度的城市意象認知；在規劃應用中，城市意象認知模型增強了傳統城市意象的實踐性，拓展了城市意象的應用范圍，該模型的分析結果可以應用于城市設計、城市風貌、城市色彩、城市特色等領域的規劃與研究中(圖2)。

2.2 數據獲取

本文通過程序采集目標點周邊一段時間、一定距離范圍內，同時包含照片、文本和定位3類信息的微博。然后選取微博數據中的用戶ID、性別、地址、時間、經度、緯度、文本、照片ID共計8項數據作為本次研究的數據基礎。

2.3 認知維度

城市意象的認知維度包括意象結構、意象類型和意象評價。意象結構是意象要素在城市空間中分布、組合和變化的規律，本文延續了城市意象空間五要素認知方法，根據微博數據空間位置的分布特征來判定城市意象的空間結構，包括區域、邊界、路徑、節點和標志。

根據城市意象內涵的拓展，結合圖像識別的規則內容，本文將城市意象分為自然景觀、標志建筑、公共空間和文化生活4種類型(圖3)。利用微軟計算機視覺深度學習算法對微博圖像數據進行內容識別，將得到的標簽與意象類型進行對應(表1)，即可得到照片表征的意象類型。

圖1 城市意象認知模型的研究范式

圖2 城市意象認知模型框架

城市空間與環境能夠影響人情感與行為的表達，當研究樣本數量較小時，這種關聯性并不強，但以海量樣本數據作為研究支撐時，則可以建立情感與空間的高關聯性。本文利用玻森自然語義深度學習算法對微博語言數據進行識別，可以判斷該語言所表達的情感，并以此作為意象評價的依據。根據情感數值e的大小，本文將城市意象的評價劃分為3類，當0≤e＜0.40時表示負面意象，數值為0.40≤e＜0.60時表示中性意象，數值為0.60≤e≤1.00時則表示正面意象(表2)。

3 重慶主城區城市意象認知

3.1 研究范圍

由于新浪微博數據獲取的技術特征，本文研究范圍是以重慶主城區的幾何中心點為圓心，以11km為半徑所形成的圓形區域，該范圍覆蓋了重慶主城區的核心區域，面積約為380km2。

3.2 數據來源

本文通過新浪微博開放平臺獲取了研究范圍內2016年8月1—30日期間同時帶有照片圖像、文字內容和位置信息的微博，共計58 741條。經過數據清洗和篩選后，獲得了與城市意象研究相關的有效微博數據共計46 456條(圖4)，其中包含了159 883張照片，以此作為本文的研究數據。

3.3 城市意象認知

3.3.1 意象結構認知

按照城市意象空間結構的認知方法，生成城市意象空間結構圖(圖5)。從整體上來看，重慶城市意象結構呈現多中心組團式的分布，組團與組團間有較為明顯的隔離，這種形態與重慶主城區的空間結構一致；從組團的分布來看，重慶主城區擁有清晰的意象結構，其中包括6個區域、4條邊界、7條路徑、28個節點和8個標志(表3)。

1)區域。

區域是意象點聚集程度高且連續分布的范圍，重慶主城區共形成了6處意象區域。這些區域主要聚集在各城市組團的中心區和重要的城市交通場站，其中渝中半島意象區規模最大，意象要素的聚集程度也最高。

2)邊界。

從劃分意象區域的邊界來看，共形成4條明顯的邊界，分別是嘉陵江、長江、歌樂山和南山。從結果可以發現，山體與河流對意象區域的分隔作用最為明顯，道路對意象區域的影響則很小。

3)路徑。

從整個研究范圍來看，形成了7條主要的意象路徑，這些路徑構成了各意象區域之間相互交流的通道。從功能上看，意象路徑均為交通性道路，其中有4條路徑為跨江道路，無沿江分布路徑。

4)節點。

節點是意象要素點聚集密度較高的點狀區域，通過判斷選擇，研究范圍內共形成28個意象節點，整體分布較為平均，其中有16個節點分布在5個意象區域之內，23個節點分布在意向區域之外。

5)標志。

意象標志是意象要素聚集密度最高，并在意象空間感知中發揮著特征性指引作用的點狀區域，形成了大解放碑都市圈、觀音橋、重慶北站、三峽廣場、磁器口古鎮、時代天街、楊家坪、萬達廣場共計8個意象標志。

表1 意象類型標簽對應表

表2 微博語言評價示意表

圖3 城市意象類型分類

3.3.2 意象類型認知

研究將意象類型劃分為標志建筑、自然景觀、公共空間和文化生活4種類型。從重慶主城區意象類型的整體構成來看，在159 883張照片中，標志建筑的有47 210張，占29.53%；自然景觀的有447 051張，占27.55%；公共空間的有35 466張，占22.18%；文化生活的有33 157張，占20.74%。

從結果可以發現，重慶主城區的主導城市意象為標志建筑，其次是自然景觀、公共空間、文化生活；4種意象類型的構成比例較為均衡，表明重慶在城市意象的特色較為多元。

從意象類型的空間分布來看，標志建筑、自然景觀、公共空間和文化生活4種意象要素均呈現“節點聚集，散點分布”的特征，但每個單項意象類型都未形成完整的結構體系。

標志建筑意象聚集程度最高，最為聚集的區域為觀音橋和解放碑2個商圈(圖6)。觀音橋的建筑以現代、摩登為特色；解放碑商圈則包含了解放碑、洪崖洞、湖廣會館等重要意象節點，以融合現代、傳統、地域的多元建筑意象為特色。

自然景觀的意象類型特征范圍最廣，整體分布較為平均，這也反映了重慶主城區擁有良好的自然景觀資源。其中自然景觀意象最為聚集的區域是大解放碑都市圈，以洪崖洞、朝天門、較場口等濱江區域為主；自然景觀的具體內容以山水為主，特別是長江、嘉陵江、南山和歌樂山，都展現了重慶極具特色的自然景觀(圖7)。

在公共空間意象的分布方面，最集中的區域是大解放碑都市圈，其中包括了解放碑、較場口和洪崖洞，三者都是重要的城市廣場，行為活動豐富，其他區域還包括傳統街巷、交通場站等城市公共空間(圖8)。

文化生活是構成比例最少的意象類型，大部分意象要素點都在核心區域聚集。具體來講，最聚集的區域是解放碑、洪崖洞和觀音橋，其中解放碑與洪崖洞是重慶最核心的旅游目的地，以旅游觀光為主，觀音橋則是以市民生活為主(圖9)。

3.3.3 意象評價認知

從意象評價的整體情況看，研究區域情感數值的平均值為0.64，標準差為0.33，表明重慶主城區城市意象在整體傾向上呈現中性偏正面；從意象評價的正面和負面分布趨勢來看，人們對重慶的情感認知兩極分化比較明顯，呈兩極數量大、中間數量小的微笑曲線型分布。其中正面評價有28 085條，占60.46%；中性評價有6 348條，占13.66%；負面評價有12 023條，占25.88%。

從意象類型的分類評價來看，自然景觀的意象評價最高，數值為0.71，標準差為0.29；其次是公共空間意象、標志建筑和文化生活。這表明重慶大山大水的自然景觀得到了廣泛認可。

從意象評價的空間分布來看(圖10)，在研究范圍內，正面意象評價的區域占54.89%，中性意象評價占35.51%，負面意象評價占8.60%。通過進一步分析，可以發現意象評價的城市整體空間中的分布有以下幾個特點。

一是城市意象評價較低的區域主要位于各意象核心區外圍或區域與區域之間的邊界地帶(圖11)。由于核心區域往往是資本和人流的匯集地，是城市建設的重點；而非核心區域在城市的社會經濟和功能結構中所處地位較低，同時這些區域也存在大量的山體與飛地，得到的資本投入和更新維護較少。

圖4 微博數據點分布圖

圖5 城市意象結構圖

圖6 標志建筑意象分布圖

圖7 自然景觀意象分布圖

二是在兩江四岸中，長江、嘉陵江的南側城市意象評價明顯高于北側(圖12)。就嘉陵江兩岸來看，位于北側的北濱路負面意象路段長約6km，位于南側的沙濱路-嘉濱路負面意象路段長約1.5km；就長江兩岸來看，位于北側的長濱路負面意象路段長約8.4km，位于南側的南濱路負面意象路段長約2.2km。這些意象評價較低區域多集中在大型樓盤、立交橋和交通節點，例如北岸風光小區、江灣城小區、石門大橋北橋頭、嘉華大橋北橋頭、石板坡立交、鵝公巖立交等，表明人們對于大型社區與城市交通基礎設施的負面評價較高。

3.4 問題識別歸納

綜合上文的分析與論述，可以總結出重慶主城區的城市意象在以下幾個方面存在的問題，為城市意象優化與城市特色塑造提供指引。

3.4.1 自然山水在城市意象中的失落

大山大水的自然格局本是重慶城市特色的主要特征，兩江四岸的景觀資源賦予了重慶得天獨厚的優勢，近年來城市規模的迅速擴張、高強度的城市建設破壞了原有自然山水格局，山與水在城市意象中逐漸失落。

3.4.2 人文要素在城市意象中的缺位

重慶擁有幾千年的歷史，獨特的地形地貌孕育了具有山城特色的山水人文，九開八閉、江湖碼頭、吊腳樓等重慶的傳統人文要素在當下的城市意象中并沒有得到很好的體現。

3.4.3 城市意象結構有待優化

雖然重慶主城區的城市意象結構較為完善，但仍有優化和提升的空間，意象路徑形成了2個獨立的路徑網絡，這2個意象路徑網絡相互獨立，并未連接成為一個完整的系統；主城區的各意象區域間較為獨立，相互聯系較弱。

4 結語

本文基于城市規劃的轉型革新、大數據的廣泛應用和人工智能的技術突破三大背景，將城市意象、大數據、深度學習相結合，從理論基礎、數據來源和技術方法3個方面形成了研究的基本范式，并構建了基于深度學習的城市意象認知模型，拓展了城市意象的理論內涵和認知維度。借助新浪微博數據，對重慶主城區的意象結構、意象類型、意象評價進行了實證研究，總結出重慶城市意象存在自然山水失落、人文要素缺失、意象結構有待優化等問題，驗證了該認知方法的適用性與科學性，以此增強城市意象在規劃設計中的實踐性與應用性。