【文章导读】一种人工智能精细识别城市用地的方法探索——基于建筑形态与业态大数据

1

引言

随着我国第三产业的高速发展，城市职能向服务流通中心转型，除了为生活服务的零售商业、餐饮娱乐、文化服务等快速发展外，金融证券、贸易办公、财务法律咨询等知识型服务业也在不断上升，这些服务行业逐步向城市集聚，同时参与城市中心体系的调整与重组，使各大城市的空间集聚在规模和复杂度上都进入了一个全新的阶段，城市用地日趋复杂以满足人们生活需要是大势所趋。

规划用地分类是统筹城乡发展，实现集约节约、科学合理地利用土地资源的重要途径，国家《城市用地分类与规划建设用地标准》(GB50137-2011)将城市建设用地的使用性质划分为8大类、35中类、42小类。理清城市用地的各种使用类别，成为规划编制工作的必要条件。然而，城市经济水平提高引发的业态多元，导致中国城市出现超大规模和高复杂度的用地类型集聚，如何高效科学地识别大规模空间用地类型，不仅成为各规划编制过程中的一大难点，也是科学监测城市发展状态的基础。

2

既有研究方法

2.1 传统用地识别方法及问题

传统的城市用地识别方法为通过车载、骑行或步行的人工现场踏勘，结合现状地形图，根据各地块的建筑、业态、风貌、公共空间等综合判断的结果逐一手工标注，再逐一在矢量数据库中划分用地并标注用地类型，这样的识别方法调研时间长、投入人力物力大、依靠人脑判断识别标准不统一、混合复杂地块易判断失误且随意性大。因此，在城市尺度的大规模用地类型识别中，采用自动识别为主、人工校核为辅的方法是必然趋势。

2.2 基于POI的自动识别方法

的进步与不足

目前常见的自动识别方法是通过POI大数据及算法处理识别城市用地，如权重判定法、熵值赋权法、数学模型法等。可以发现，相比于手机信令、遥感影像、公交刷卡数据等获取门槛较高的数据源，业态POI数据可以通过网络开源数据直接获取或低成本采购，数据即时获取，有效节约研究和应用成本，可在规划编制工作中普遍运用。并且，相比于其他数据，业态数据及其内部属性与城市用地类型直接相关，其识别结果的可信度和准确率在一定程度上能有所保障。然而，仅通过业态POI数据来识别城市用地，忽略了城市建筑形态与城市用地间的关联性，同时业态数据分类与国标分类的不一致仍会导致最终识别结果存在相当大的误差，且无法达到识别城市小类用地的实用精度。

基于此，本研究将业态POI数据与建筑形态数据相结合，并通过人工智能技术实现从业态数据自身分类到国标用地小类的深度学习和精细识别。

3

人工智能识别城市用地的工作流程

3.1 数据处理及数据库建构

以网络开源数据采集业态POI数据及建筑空间矢量数据，通过膨胀法和空间连接法进行地块与业态点的自动空间关联并校正偏差。其中关键一步是业态数据的加权变换，本研究需要对案例城市的业态数据和用地类型进行深度学习，这就要求各类业态点的数量在同一或邻近数量级，然而真实的城市空间中各类行业数量差别甚大，无法保持在同一量级。因此，本研究以TF-IDF方法对业态特征数据进行归一化处理。最后进行数据库建构，将建筑形态相关指标与加权后的业态点数据在地块上进行空间关联，以建构包含加权的业态特征、建筑形态特征的数据库，并将其纳入到机器学习的训练模块中。

3.2 基于有监督分类学习的

城市用地自动识别

选择与目标城市同等级规模的城市作为学习样例，通过上述多源数据采集、空间校准和加权变换的方法，获取样例城市的业态加权数据库以及建筑形态数据库。同时将样例城市的用地数据（按用地性质标准小类划分）作为机器学习标签，采用GBDT梯度提升决策树进行有监督分类学习。根据笔者在实验中的经验发现，当训练样本数量不小于5000个地块时，其识别结果的准确率往往不低于80%。当然，不同规模等级的样例城市，可以通过组合形成城市用地自动识别模型簇。根据不同的城市规模分别训练独立的模型，以适应各类城市识别需要。

▲ 图 | 各算法性能比较

▲ 图 | GBDT算法优化后效果

3.3 人机智能规则嵌入及优化

在对业态POI数据的加权处理、建筑形态数据库的叠加和有监督机器学习的同时，也加入特定智能规则，以有效提高用地识别的精细度及正确率。首先是指标性规则，即当某一地块的建筑底面积、高度等形态指标处于特定的数值区间时，将智能对应到特定的用地类型。

4

案例实证——深圳

采用有监督分类学习算法对样例城市数据库（包含各样本城市的加权业态特征、建筑形态特征）进行机器学习训练，将其组合形成城市用地自动识别模型簇。输入深圳的“目标城市数据库”，识别并输出深圳市各个地块的用地性质。

在对深圳南山区、福田区、罗湖区进行实地调研后，对照所识别的结果并统计每类用地的识别准确率。可以发现A、B类用地识别已精确到小类且准确率整体达到80%以上，R、M、W、S、U类用地已精确到中类且准确率整体达到85%以上。为了进一步提高R、A、B、M类的用地识别准确性，融入指标类、形态类的智能交互规则，对R2、B2、A3、M等类型用地进行进一步算法优化。

例如，针对很多R2类地块会被识别为B1类用地的问题，通过实地调研发现此类住区多为城中村，通常布局密集、无日照间距且店铺大量沿街布局，从而导致其业态特征、建筑最高高度、建筑平均高度等指标与B1类地块存在较大相似性。进而总结其与B1类地块的差异特征为街区围合度高、业态沿地块边界布局，增加一项建筑布局形态规则置入到系统中：“若识别出的B1类地块（即B11-B14类地块）围合度≥70%、建筑数量超过15个/hm²且70%以上业态点集中于沿街10m内，即将识别结果转为R2类用地”。

▲ 图 | 通过样例城市学习训练后的深圳用地识别结果（局部）

▲ 图 | 深圳紧凑型住区布局形态

5

总结与讨论

随着城市化进程快速稳定发展，城市用地布局也变得愈加复杂，这为城市用地性质的测度加大了难度及时间成本。在大数据日益丰富的今天，高效科学地识别大规模空间用地类型、提高规划编制效率已成为可能。本研究探讨一种综合提取城市业态点的数据分布特征及城市空间三维实体的多维度形态特征来进行城市用地自动识别的方法，与传统的通过实地勘察来识别用地的方法相比，本研究能够有效避免调查时间长、投入人力物力大、建设复杂地块易误判等问题。

本文撰稿：杨俊宴  邵  典  王  桥  张宇豪

---

原文介绍

《一种人工智能精细识别城市用地的方法探索——基于建筑形态与业态大数据》刊于《城市规划》2021年第 3 期第46-56页。

杨俊宴，东南大学建筑学院教授，博士生导师，中国城市规划学会学术工作委员会委员。邵  典，东南大学博士研究生。王  桥，东南大学信息科学与工程学院教授，博士生导师，东南大学丘成桐中心数据科学与人工智能主题负责人。张宇豪，东南大学信息科学与工程学院硕士研究生。* 国家自然科学基金重点项目“基于大数据的城市中心区空间规划理论与关键技术研究”(51578128)。【全文下载】文章已在知网首发，复制并搜索下方网址，或点击下方“阅读原文”，即可下载阅读全文。https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=CSGH202103008&v=e0VWQrSXHmRwVyEsiJduXSPZaAsGHneqR0cmGpBeE9vmeoJt%25mmd2Bo3od8x2AtL%25mmd2BTQu%25mmd2F

---

欢迎在朋友圈转发，转载请在后台留言

---

微信改版后

好多人说不能很方便找到我了其实把咱们“城市规划”置顶就可以啦只需要5秒钟哟~

官方投稿网址：http://www.planning.com.cn微博：http://weibo.com/cityplanningreview微信号：chengshiguihuazazhi电子期刊：App Store搜索“城市规划”(支持iPad下载)国内统一刊号：CN 11-2378/TU国际标准刊号：ISSN 1002-1329





关注、分享、在看与点赞，至少我要拥有一个吧~