从“专业逻辑”到“智能建模”——城市用地智能化精细识别的方法探索

存量规划时代，我国城市空间治理面临更为精细高效的多重挑战，其中城市用地识别作为规划工作开展的关键前提，如何更加精准高效地对大规模存量用地进行科学识别，对于提高城市规划效率，以及城市更新工作的高质量开展起到了至关重要的作用。然而，面对城市用地在二维平面与三维立体上高度混合的复杂特征，现有数智化方法逐渐难以满足精细化用地识别的要求，其根本原因在于，未能依据规划师识别城市用地的“专业逻辑”去建构智能化模型，具体有以下3点技术瓶颈：（1）二维与三维数据的识别结果难以融合；（2）识别精细度难以突破至地块单元；（3）缺乏根据识别结果的自动更正与迭代。

基于当前城市用地识别的难点，本研究首先需要对规划师人工识别用地的“专业逻辑”进行解析，从中提取规划师依据城市用地的二维形态特征，并逐渐融合三维立体特征进行用地识别的核心关键步骤，以及多维用地特征影响用地识别的相互作用机理，进而指导后续智能化用地识别模型的建构。

总体来说，专业规划师需要按照“二维形态直观判断”“建筑功能识别”和“三维形态感知修正”的“专业逻辑”。首先，对用地二维形态进行总体认知，依据遥感影像的大类用地初识；其次，针对混合地块的用地功能与地块细分，对建筑功能进行分析；最后，对三维风貌形态进行感知，通过人眼三维视角对用地功能与边界进行修正，以此实现对城市用地的精细识别。值得注意的是，在精细化治理的要求下，城市用地精细识别的目标颗粒度需要达到混合用地内的地块单元，包括对地块单元的功能判定与边界划定。

人工识别城市用地的全过程本质上是将二维和三维的用地形态与功能特征进行融合，依据“专业逻辑”线性递归地对用地性质与地块边界进行判断与验证。一方面，为得到准确的用地识别结果，人工识别用地的全过程需要按照自上而下的线性路径，以逐步形成对目标用地特征的完整认识。另一方面，识别过程中随着城市用地信息维度的不断增加，规划师会对依据不同特征信息推断出的结果进行交叉验证，不断细化修正以得到最终识别结果。

智能算法完整还原人工识别用地的全过程，是通过对城市用地外显特征的数字量化，再依据人工识别用地的专业逻辑进行智能化建模与规则设定，以实现对混合用地内地块性质和边界的自动识别与划分。而人工识别用地全过程的特征表明，这种依据城市用地的多维特征，通过规划师线性推导的用地识别全过程具有被智能算法还原的可行性，其理论依据在于：城市用地多源特征信息的可量化融合、城市用地识别过程的可模块化、城市用地客观性质与边界的可解释性（图1）。

基于智能算法还原人工识别用地全过程的理论依据，本研究探索了一种将人工识别用地的“专业逻辑”转化为“智能建模”的方法，即“智能相地”。智能相地方法的建构主要包括3个模块，分别对应人工识别用地的3个核心专业逻辑，包括遥感影像深度学习模块、建筑特征向量分类模块和街景图像语义分割模块（图2）。

智能相地的方法优势与理论突破在于，不仅能兼顾识别结果达到专业规划师精细识别的高精准度标准，同时还能逾越人工识别过程中固有的局限性。智能相地的方法通过人工智能对城市用地识别的全流程模拟，一步步把人工用地识别的“专业逻辑”转译为计算机“智能建模”，使智能化用地识别的精细度突破至混合用地内的地块单元尺度，同时有效提高用地识别效率并降低人工识别的误差。而在方法智能化转型的过程中，规划师将摆脱原先繁琐重复的用地识别任务，转而投身于人机协同的策略机制制定与智能化模型的建构调优等决策性工作，促使规划基础性工作的智能化转型。

智能相地方法首先需对“平面直观判断”的专业逻辑进行智能建模，相比仅通过遥感影像深度学习的识别方法，本研究将建筑矢量平面转译为统一颗粒度的栅格数据，实现了遥感影像数据特征与建筑形态多维特征的融合，从而更精准地对大类用地类型进行识别。包括数据预处理与融合、大类用地识别模型建构与训练、地块边界初步划分3个步骤（图3）。

在南京主城区的实证案例中，将预处理后的数据集输入训练好的智能化模型中，可得到南京主城区大类用地的初步识别结果，图4显示了4个典型街坊用地单元的识别主要过程和结果。与仅通过遥感影像深度学习的方法相比，大类用地初识的智能模块融合了精细的建筑矢量特征，并通过智能规则的嵌入，提高了大类用地初识的准确度。然而该模块仅能准确识别至大类用地性质，因此需进一步通过智能化建模还原完整专业逻辑，以实现更精细的用地识别。

城市用地的业态标注与建筑形态特征是用地识别最主要的判断依据，在大类用地性初识的基础上，本研究在建筑单体颗粒度下建构建筑单体的多维特征向量，细化识别单体建筑的用地类型归属分类，突破了用地识别的精细度至地块单元的小类用地性质的局限。需要注意的是，由于POI业态标注和用地性质在语义上并不存在完全对应的关系，因此本研究采用监督分类学习模型，综合考虑POI业态标注与建筑形态特征以对建筑单体类型进行智能化识别，有效提高了智能识别模型的可解释性。包括建筑多维特征向量建构、建筑功能分类模型建构与训练、地块边界细化划分3个步骤（图5）。

在南京主城区的实证案例中，通过上述方法建构主城区建筑的多维特征向量数据库，并通过训练好的模型与智能规则对建筑功能进行预测分类，共得到36类建筑归属类型，进而智能生成南京主城区的地块细化识别结果，模型准确率达91.3%，召回率达88.5%（图6）。然而，由于业态标注数据普遍存在误差，以及用地发展与规划间的不匹配，导致真实情况与识别结果不可避免地存在偏差，识别准确度仍有提升的空间。

由于任何城市地块都至少拥有一个沿街界面，因此本研究创新性地增加了智能化模拟人眼观察街景风貌与建筑形态对用地性质进行判断的过程，同时还能识别出不同性质地块间的分界线。基于此，通过智能规则的设定对部分用地识别的误差进行修正，使识别准确度得以进一步提升。包括街景图像语义分割与空间配准、街景建筑分类模型建构与训练、建筑功能与地块边界修正3个步骤（图7）。

在南京主城区的实证案例中，以百度街景图像数据为基础，预处理后共得到16284幅连续街景风貌图像与75128张单体建筑风貌图像，通过空间网格法将其与建筑矢量数据进行空间配准。进而利用DeepLabv3+模型和训练好的VGG16深度学习模型，识别单体建筑立面图像的用地功能归属类型。基于此，对第二模块建筑功能识别结果进行校核修正，得到最终的用地精细识别结果（图8）。

需要说明的是，由于南京主城区发展所处的阶段，其商业服务设施用地普遍为混合功能用地，即无法将某一B类用地明确细分为单一中类或小类性质，因此本研究在识别B类用地时，不对其具体小类性质进行识别，而更多关注其用地功能混合的特征，包括对商住混合、商办混合和商业文化混合等混合功能地块性质的精细识别。部分城市小类用地的分类仅依靠相关政策、制度的解读，无法通过多源大数据提取其特征，例如M类、W类用地的小类用地性质，因此本文对于此类用地的识别不做具体小类用地性质的区分。

由于城市用地的现状特征与既定用地规划间不可避免地存在一定程度的不匹配，加之多源大数据固有的误差，导致少数用地不论通过专业人员或智能算法均难以准确识别。对此，本研究通过建构各子模块维度和总体维度的智能规则库，以进一步智能相地地提升识别准确度。在智能规则库嵌入的基础上，对训练集进行多轮迭代循环测试，以不断提高用地识别结果的精准度。最终35种用地分类的识别准确度均达到91%以上，平均准确度为94.5%。

智能相地方法不仅能促进规划学科“产学研”的交叉融合，还能为未来城市规划工作的模式的优化带来新的视角。通过传统规划师“专业逻辑”与新兴数智技术“智能建模”的优势互补，将规划师从大量基础性工作中解放出来的同时，也促进了“人机交互”的规划工作新模式的发展。

未来，随着城市用地精细识别的智能化转型，城市用地的更新与治理工作如何在专业内核与数智技术的融合下高效科学地开展，从而实现城市用地的高质量发展，仍有待持续深入的研究。