首页 > 电子刊物 > 文章分享 >
【规划设计】视觉基础模型支持的老城区更新规划方法与实践
规划师杂志社   2024-09-06 15:33:06
 

摘 要

对于具有复杂建成环境的老城区,采用人工智能技术可以提高更新规划的科学性,然而现有的目标识别方法高度依赖人工标注数据集,面临更新实践不足、分析精度受限和训练成本过高的局限。将视觉基础模型引入城市更新领域,探讨视觉基础模型支持的老城区更新规划方法:通过等间隔采样构建图像块数据集,使用视觉基础模型提取高维视觉特征;启动余弦距离、流形学习、高斯混合模型等机器学习技术,实现图像块数据集的智能分组;对图像块进行空间转译,精准识别重点区域;结合多维要素综合评判,优化智能识别结果,指导后续更新规划实践。同时,以陕西省榆林市清涧县老城区为例,探索该技术方法在城市更新规划实践中的应用,以期为老城区的城市更新提供新的思路。

[关键词]视觉基础模型;城市更新;老城区;卫星遥感图像;陕西省榆林市清涧县

[文章编号]1006-0022(2024)04-0088-10

[中图分类号]TU984

[文献标识码]B

[引文格式]梁程程,卓文淖,左琛,等.视觉基础模型支持的老城区更新规划方法与实践[J].规划师,2024(4):88-97.

图片

0 引 言


2023年7月,住房和城乡建设部印发《关于扎实有序推进城市更新工作的通知》,要求扎实有序推进实施城市更新行动,推动城市高质量发展。作为城市核心区域,老城区的更新改造需求尤为迫切。一方面,拥有城市活力和历史文化底蕴的老城区具有坚实的高质量发展基础;另一方面,老城区设施落后、交通拥挤、环境品质下降等城市问题亟待解决。面对新时代新要求,探索精准有效的老城区更新方法,对促进以人为核心的新型城镇化建设、推进城市治理体系和治理能力现代化具有重要意义。

随着人工智能基础理论和计算平台的发展,机器学习和计算机视觉技术特别是近年来以卷积神经网络(Convolutional Neural Network,简称“CNN”)为核心的深度学习技术在城市更新领域获得广泛应用。研究人员以卫星遥感图像、国土调查成果、无人机航拍图像作为数据基础,运用图像分类、目标检测、语义分割等计算机视觉程序,为城市更新改造方案提供科学依据和决策支持。

近3年来,人工智能和计算机视觉领域呈现了以Transformer架构、自监督学习、多模态学习为核心的新变化,特别是视觉基础模型和骨干网络成为计算机视觉领域的研究热点。视觉基础模型通常以ViT(Vision Transformer)为神经网络的核心架构,能够有效理解图像中的空间依赖关系,在处理卫星遥感图像中的长距离研究对象时具有较强分析能力。为充分发挥深度神经网络的性能,视觉基础模型通常运用自监督学习技术,在无需人工标注的条件下,使用对比损失函数迭代优化神经网络,显著拓展训练图像数据集的规模和多样性,促使神经网络具有更强的泛化能力和抗干扰能力。此外,以CLIP(Contrastive Language-Image Pretraining)、SAM(Segment Anything Model)、RAM(Recognize Anything Model)等为代表的视觉基础模型具有优秀的多模态数据分析能力,不仅可以有效分析图像和视频数据,还可以理解文本和语言信息,进一步提高深度神经网络的计算性能和实现应用场景。因此,相较于传统的卷积神经网络等方法,视觉基础模型具有更好的图像分析能力、更强的泛化能力和更高的图像分析速度,具备了在城市更新领域拓展应用的巨大潜力。

本文在前人研究的基础上,以卫星遥感图像中老城区建成环境的视觉特征为切入点,运用视觉基础模型和机器学习等技术,精准识别老旧小区、老旧厂区、棚户区、城中村等更新重点区域,进而将智能识别结果应用于更新规划实践,为老城区的城市更新探索一条新的技术路径。


1 人工智能背景下的城市更新困境


在城市规划中应用人工智能技术被视为一个时代的标志性变革。随着国土空间规划编制、城市体检等工作的不断推进,以卫星遥感图像为代表的地理信息数据成为图像识别和分析的重要数据源。综合运用机器学习和深度学习技术,特别是以卷积神经网络为核心的计算机视觉程序,对居住区更新规划、传统风貌保护、城市修补、城市更新单元识别等进行研究探索日趋普遍。然而,老城区更新面临复杂建成环境和城市问题,当前的研究方法仍有待完善。


1.1 针对城市更新规划的实践应用尚处于初级阶段

目前在人工智能与城市更新的交叉学科研究中,通常以数字图像作为研究对象,采用计算机视觉和图像处理技术,实现更新目标的识别与分析。然而,当前研究重点关注城市现状要素特征、环境品质评价等方面,大多集中于人工智能探索的理论研究层面,如何结合智能分析结果和规划师的专业判断,继而将人工智能应用于具体的更新实践,仍缺乏相对充足的实例探索。


1.2 针对复杂建成环境的图像分析技术存在精度局限

当前阶段,城市更新领域缺乏开源的高质量图像数据集,研究人员需要花费大量时间开展图像收集和标注工作,通过人工确定图像类别或更新目标的空间分布特征,为计算机视觉任务提供充足的训练样本。训练图像数据集的缺乏不利于深度神经网络平稳收敛,导致过拟合问题,以及深度神经网络的迁移能力和推广能力不足。此外,当前的城市更新图像分析程序主要以卷积神经网络为核心架构,通过堆叠多个卷积层来提取图像的多尺度视觉特征,在面对具有复杂建成环境的老城区时,卷积神经网络对道路、河道等长距离连通结构的分析能力存在一定局限。


1.3 高价值目标的精准识别需要较高的训练成本

现有的深度学习方法以有监督学习框架为主,研究人员在设定人工标签的基础上,通过梯度下降和反向传播方法微调深度神经网络,帮助计算机程序理解特定场景的视觉特征和空间分布特点。对于深度神经网络,训练速度和训练效果受到计算机硬件能力的制约。一个具有大量计算单元和存储空间的图形处理器(Graphic Processing Unit)成为深度学习的核心硬件工具,较高的设备投入制约了深度学习技术的推广应用。


2 基于视觉基础模型的老城区更新技术框架


卫星遥感影像可以清晰地表达地物内部的几何结构和丰富的空间信息。本文以高分辨率卫星遥感图像为基础数据,通过视觉基础模型和机器学习技术对图像中的更新重点区域进行精准识别,从而辅助规划师判别城市问题,提升研究成果在更新改造过程中的落地性。更新技术框架如图1所示。

图1 基于视觉基础模型的老城区更新技术框架图


2.1 图像预处理与视觉特征提取

卫星遥感图像提供了详细的森林、水体、建筑物、道路等自然和城市要素,图像预处理与视觉特征提取模块致力于识别这些要素的空间分布特征,主要包括以下3个环节。见图2。

图2 CLIP模型驱动的卫星遥感图像视觉特征提取基本流程图

首先,采用等间隔采样方法,将一张高分辨率卫星遥感图像均匀分割成大量图像块,构建图像块数据集,促使计算机关注城市微观尺度下的空间特征。为避免研究对象的漏选和错选,通过合理控制采样步长,使图像块之间存在部分重合内容,确保图像块的冗余采样。

其次,使用CLIP框架中的图像编码器,准确分析图像块数据集中各类要素的几何形态和空间关系,进而提取图像块中的视觉特征。作为多模态数据分析领域里程碑式成果,CLIP模型以对比学习为核心思想,构建文本—图像样本对作为训练数据集,满足视觉基础模型的数据需求。在网络架构方面,CLIP包含一个以Transformer为基础架构的文本编码器和一个以ViT为基础架构的图像编码器。神经网络训练程序不断运用两个编码器提取文本和图像的高维视觉特征矢量,对于具有相似语义的样本对,CLIP模型努力缩小两个视觉特征矢量之间的距离,同时试图扩大不同语义样本对之间的差异性。基于来自互联网的大约4亿个文本—图像样本对,CLIP模型逐步理解文本和图像中的复杂语义特征,两个神经网络逐渐收敛。

最后,本文使用已经完成预训练的CLIP图像编码器,根据图像块中的视觉特征,组建高维视觉特征矢量作为每个图像块的表征。对于两个具有类似特征和空间分布的图像块,相对应的视觉特征矢量之间具有较小的距离和较高的相似性。为了提高深度神经网络的计算速度,使用Python和Pytorch编程语言,将CLIP图像编码器加载到图形处理单元(Graph Processing Unit)中,实现神经网络的并行推理。


2.2 基于视觉特征矢量的图像块聚类分析

将每个图像块抽象为一个视觉特征,大幅降低后继数据分析的计算量。在上文组建的视觉特征矢量的基础上,分析不同图像块之间的相似性,进而通过聚类程序实现智能分组,有利于各类要素归类梳理,具体内容如图3所示。

图3 图像块聚类分析基本流程图

首先,使用余弦距离计算高维视觉特征矢量之间的相似性。相比于欧氏距离等方法,余弦距离关注矢量之间的夹角,在高维空间中具有更好的分离度、判别能力及较高的计算效率。其次,基于余弦距离矩阵,使用流形学习技术,客观呈现图像块的形态相似性。作为新兴的数据可视化和流形学习技术,UMAP(Uniform Manifold Approximation and Projection)致力于将高维空间的数据点投影到低维空间中,并保持样本之间的相似性。相较于多维缩放和tSNE(t-distributed Neighboring Embedding)等流形学习方法,UMAP具有更快的计算速度和稳定的输出结果,可以有效平衡局部相似性和全局相似性,其计算结果有利于后继的数据挖掘任务。最后,启动高斯混合模型(Gaussian Mixture Model,简称“GMM”)对数据点进行聚类操作,通过合理组织图像块,将具有高度相似性的图像块划定在同一个分组中。相比于K均值聚类、谱聚类等方法,高斯混合模型不仅能够判定每个图像块的类别,还能给出隶属度概率,更精细地理解图像块之间的视觉近邻关系。此外,为自动确定聚类簇数量、提高程序的自适应程度,本文使用轮廓系数评价聚类质量,输出具有最高轮廓系数取值的聚类结果。


2.3 图像聚类分析结果的空间转译

通过视觉基础模型识别和分析遥感图像的视觉特征,将采样获得的大量图像块样例划分为若干个具有相似特征的图像特征组(聚类簇)。然而,目前图像特征组仍属于计算机语言中的数据结构,尚未包含具体的语义理解,需要将其转化为城市规划的空间属性,从而为更新规划提供空间上的数据支撑。因此,本文根据用地用海类型人工标注图像块特征组,以实现对计算结果的空间转译。一方面,根据图像块中不同用地特征设置标签,有利于图像块的空间落位和计算机识别精度的验证;另一方面,本文计算每一个图像组中所有成员图像特征矢量的均值作为聚类簇质心,选择与聚类簇质心具有最小余弦距离的两个样例作为该图像组的代表性样例。以人工标注每个图像组中的代表性样例替代对海量数据集的直接标注,从而提高人工标注的工作效率。

在标注过程中,本文首先根据《国土空间调查、规划、用途管制用地用海分类指南(试行)》中一级类进行初级标注,划分建设用地和非建设用地。为提高更新改造区域识别的准确性,根据城镇建设用地中单一用地类型差异化的视觉特征,对该类重点用地进行二级标注。①对于商业服务业用地、公共管理与公共服务用地、工业用地等,根据建筑密度、建筑体量、空间布局等特征,按照二级类用地设置标签。②考虑凸显历史文化、保障性住房等公共政策,将居住用地在二级类的基础上,根据建筑尺度、建筑质量、周边环境等特征,细分为传统民居、普通住宅、简陋住宅等多种用地类别(表1)。其次,将人工标注的图像块进行空间落位,其中老旧小区、旧工业区、城中村、棚户区等是城市更新的重点区域。为了更准确地表征更新重点区域的空间分布,本文将高斯混合模型的隶属度概率作为训练数据,基于核密度估计程序,分析更新需求的热力特征,智能划定更新重点区域和优先次序。最后,通过空间投影结果与国土调查数据进行对比分析,验证计算机智能识别图像的准确性。


表1 居住用地重点标签设置内容


2.4 基于多维度评价的更新规划路径

老城区的更新规划侧重协调和解决多元复杂的城市问题,因此在计算机智能评价图像特征要素的基础上,对于非图像要素的评估分析,需要结合国家政策、规范标准及专业的工作经验,从不同维度识别老城区更新的重点地区。本文基于更新改造实践和已有研究成果,将叠加的非图像要素分为强制性评价要素和建议性评价要素。作为更新改造的基本前提,强制性评价要素包括环境安全、文化保护等;建议性评价要素包括服务承载力、环境品质等。本文根据实际更新场景选择分析,具体内容如表2所示。


表2 多维度要素评价内容

通过要素叠加整合和综合评判,优化城市更新重点地区和更新优先次序。依据价值判断、功能定位及产权归属划定更新单元,根据更新方式的差异提出针对性的更新策略,为老城区更新工作的实施落地提供科学支撑和依据。


3 视觉基础模型支持下的老城区更新规划实践——以陕西省榆林市清涧县老城区为例


清涧县位于陕西省榆林市最南端,是一个典型的陕北川道型小城市。清涧县老城区目前面临3大更新问题:①依托深厚的文化底蕴,老城区形成了“山—水—城”的空间格局,但基础设施老化、环境质量下降、道路拥挤等问题突出,更新改造需求迫切;②居住用地规模大,占总用地规模的75.52%,居住条件和环境复杂,城中村、老旧小区、商品房与古遗址、传统民居共存;③路网密度低,交通可达性较差,加大了对建筑、环境等实地调查的难度和工作量。

基于上文所述方法,清涧县老城区更新包括3个步骤:首先,对高分辨率卫星遥感图像进行预处理以形成图像块数据集,利用视觉基础模型和机器学习技术识别及分析图像块数据集的视觉特征,并进行智能分组;其次,设置图像组标签并实现空间落位,智能划定更新重点区域,分析验证计算机识别结果的准确性;最后,综合评判多维度现状要素,优化智能识别结果,划定更新单元,提出针对性的更新策略,为清涧县老城区的更新改造提供新思路。


3.1 基于视觉基础模型的图像识别与分析

清涧县老城区的高分辨率卫星遥感图像为清涧县自然资源和规划局提供的2022年卫星遥感影像数据,尺寸为37500×37500像素2,本文以625像素为步长对卫星遥感图像进行等间隔采样,每个图像块的尺寸为2 500×2500像素2,覆盖面积11025 m2,共计获得3136个图像块。使用CLIP图像编码器,以ViT-B/32作为骨干网络,提取各图像块的视觉特征。CLIP图像编码器使用一个512维矢量表示一个图像块的视觉特征,最终形成尺寸为3136×512的视觉特征矩阵。

运行余弦距离程序计算任意两个图像块之间的相似性,形成一个尺寸为3136×3136的距离矩阵。基于相似性距离矩阵,使用多维缩放技术实现数据降维与可视化。针对本案例,将所有图像块样例投影为一个二维散点图。特征空间内的每一个点代表一个图像块样例,在特征空间内具有较近距离的两个点表明相应两个图像块呈现出相似的城市空间结构。

启动高斯混合模型,将所有图像块划分为若干个组,相似的图像块被分配到同一个集合中。为了自适应计算聚类簇数量,本文参考轮廓系数曲线的极大值,将所有图像块划分为51个类别,每组图像包含相同或相似的特征元素。值得注意的是,不同元素在卫星遥感影像中所占比例不同,图像数量和分类组数也有差异。设定的组数越多,每组图像的相似程度越高,差异化越小,但随之而来的是计算耗时的增加和无效分类的增多。

对各模块的计算时间如图4所示。由于避免了已有方法中的图像标注、网络训练、网络微调等步骤,基于视觉基础模型方法总计耗时约4.5 min。因此,视觉基础模型的引入有助于快速分析图像的视觉特征,具有更高的计算效率和较少的人工介入,展示了良好的应用前景。

图4 视觉基础模型支持的老城区识别方法计算时间示意图


3.2 图像特征要素的空间转译

3.2.1 人工标注与空间落位

基于视觉基础模型将3136个图像块组成的数据集智能识别分析后划分为51个图像组,每组成员图像的数量为30~170个。通过初级标注该51个图像组中的代表性图像块,得到27个非建设用地图像组和24个建设用地图像组。非建设用地图像组分别对应林地(17个)、草地(1个)、陆地水域(5个)和耕地及其他用地(4个),其中林地占比最大,达到62.96%。建设用地图像组包括居住用地(21个)和公共管理与公共服务用地(3个),其中居住用地占比达到87.5%。在二级标注中,本文将居住用地和公共管理与公共服务用地的图像组进行再次细分,其中居住用地细分为传统民居(1个)、普通住宅(3个)、改造型简陋住宅(6个)、过渡型简陋住宅(6个)和设施欠缺型住宅(5个)等5类用地,公共管理与公共服务用地细分为教育用地(2个)和其他公共管理与公共服务用地(1个)。具体标签设置内容如图5所示。

图5 清涧县老城区标注结果示意图

将带有不同标签的图像块投影在空间上,分析计算机识别的各类用地空间分布的热力特征,其中颜色越深代表计算机认为该图像块是某类用地的概率越大(图6)。计算结果整体上呈现“三绿环绕、一水穿城”的自然格局,基本符合清涧县老城区实际的山水环境特征。

图6 基于视觉基础模型分析结果的空间投影图

进一步对居住用地进行分析,得出清涧老城区更新重点区域及优先等级(图7)。一方面,建设条件良好、基本满足设施和环境要求的普通住宅占比仅为11.6%,以陕北特色窑院式住宅为主的传统民居占比为6.4%,其余的改造型简陋住宅、过渡型简陋住宅和设施欠缺型住宅均为本次更新改造重点区域。其中:亟待拆迁改造的集中连片城中村、棚户区、临时住宅等改造型简陋住宅占比为35.2%,分布在老城区核心和东部区域;改造需求较为迫切的零散城郊村、棚户区、临时住宅等过渡型简陋住宅占比为22.3%,分布在东北、东南区域;不满足设施和环境要求的普通老旧小区等设施欠缺型住宅占比为24.4%,分布在老城区边缘区域。另一方面,根据更新迫切程度划定实施优先等级,其中等级最高的为图中颜色最深区域,其建筑质量差,设施和环境极不满足需求,更新改造需求最为迫切。

图7 清涧县老城区更新重点区域及优先等级分析图

3.2.2 识别精度验证

将计算结果进行空间落位后与国土调查数据(2020年“三调”变更调查数据)进行对比,以验证计算机识别和分析的准确性。需要说明的是,计算机所提取的每个图像块中可能包含混合用地类别,在设置标签时为简化计算操作,本文认定每个图像块中占比最高的用地类型为该图像块标签。基于上述原则,计算机智能识别图像的准确率达到81.1%,识别精度整体较高。

在进一步研究图像块标签的设定规则时发现,清涧县老城区存在一些用地高度混合区域,如沿河两岸、城乡结合部等,如图8所示。在图8-a中,林地占比为32.48%,居住用地占比为30.24%,陆地水域占比为11.84%,计算机基于多数投票原则将该图像块认定为林地,然而该图像块在视觉上与图8-b、图8-c、图8-d高度一致,计算机根据相似的视觉特征将上述所有图像块划分为同一个特征组,在人工标注时根据代表性图像块(图8-b)的用地占比将该组的用地类型划定为居住用地。

图8 清涧县老城区高混合度用地的图像块用地比较分析图

为解决部分图像块中用地混合度较高所导致标签不准确的问题,本文引入“信息熵”的概念。在信息论中,熵是衡量状态分布均质性和集合纯净度的重要指标,计算公式如下:

式中:pi代表图像块中第i个土地类型的比例,本案例中每个图像共包含7种用地类型。熵值越高表示集合的纯净度越低,即图像中用地混合程度越高。

计算所有图像块的信息熵发现:最纯净的图像块中只包含1种用地类别,信息熵值为0;最复杂的图像块包含7种用地类别,计算的信息熵值为1.65。依据熵值分布,将图像块的用地混合度划分为10个等级,等级越高则用地混合度越高。

围绕不同熵值的图像块,本文对比了智能识别结果和“三调”数据的差异,相应的计算准确度分布如图9所示。结果显示,视觉基础模型在识别和分析高纯净度图像块时的准确度较高。对于纯净度最高的3个集合,其成员样例在所有图像块中占比为30.0%,本文算法的识别精度高达90.1%。对于纯净度最高的5个集合,其成员样例占比为60.0%,识别精度高达85.6%。高混合度图像占比仅为9.48%,计算机识别分析结果仍为其中主要用地类型之一,虽不是占比最高的用地类型,但识别分析结果仍具有较高参考性。

图9 基于信息熵的计算机识别结果准确性分析图

值得注意的是,本文使用的卫星遥感影像数据的采集时间滞后于“三调”数据,导致在采集卫星遥感影像时用地性质、植被覆盖、建设工作等发生变化。例如,河道南侧区域的部分居住用地在卫星遥感图像中的用地性质发生了改变,从而导致智能识别分析结果与“三调”数据产生了偏差。


3.3 智能识别结果指导下的更新规划

3.3.1 非图像要素叠加

为进一步提高更新规划的科学性,规划人员不仅要参考上述智能分析结果,还要依据专业经验评估老城区现状的非图像要素。强制性评价要素为刚性保障,符合条件的区域将被直接划定为更新重点地区;建议性评价要素为柔性指标,规划师依据清涧县老城区特点进行综合评判。见图10。

图10 清涧县老城区非图像要素分析图

(1)强制性评价

在环境安全评价方面,主要考虑河道蓝线内的管控要求。穿城而过南北向的清涧河、东西向的霍公渠两侧河堤路内现存居住建筑、公共服务设施等影响了河道行洪安全和生态景观,需要优先对管控范围内的建筑和设施进行更新腾退。在文化保护评价方面,重点考虑历史建筑、古遗址等的保护要求。清涧县自古便为南通关洛、北及榆塞之要道,也是驻兵戍守的重要军事防御重地,老城区所在的古城现存明城墙遗址2处、建筑遗址10处、历史建筑15处、传统街道(清涧北街)1处,具有重要的历史文化印记和保护价值。

(2)建议性评价

在服务承载力评价方面,重点分析服务设施的覆盖程度,以公共服务设施、商业服务设施为中心划定生活圈。清涧县是具有山地自然特征的小城市,在范围划定时根据生理消耗、时间消耗等因素重点考虑5分钟、10分钟生活圈范围,并给予0.66的修正系数。在环境品质评价方面,分析公园、广场、河道等开敞空间的交通可达性,综合考虑老城区自然条件、路网密度、空间需求等因素,划定100 m、200 m、300 m的覆盖范围。

3.3.2 更新单元划定

将智能识别结果与上述非图像要素分析结果进行综合研判,从而优化更新改造范围及优先等级。更新实施的优先等级从以下3个方面考虑:①根据居住环境、设施条件和更新难易程度等,整体的更新优先程度由高至低分别为改造型简陋住宅、过渡型简陋住宅和设施欠缺型住宅;②对于强制性评价要素,由于其“一票否决”性质,将其划分为更新实施的最优先等级;③建议性评价要素影响居民日常生活的便捷性和居民的幸福感,因此将其作为补充性要素考虑。

在优化更新重点区域的基础上,结合清涧县中心城区的控规单元管理边界,按照道路中心线、城市蓝线、用地边界等条件,一共划分165个更新单元,单元规模为0.07~0.75 hm2。按照现状基础和更新诉求,将更新单元划分为文化保护、提升改造和拆除重建等3种类型(图11)。其中:文化保护类包含6个单元,包括重要的古遗址、历史建筑、传统民居等;提升改造类包含101个单元,包括服务承载力极差的设施欠缺型住宅、过渡型简陋住宅及部分改造型简陋住宅;拆除重建类包含58个单元,包含蓝线管控范围内的违建建筑和居住条件极差的简陋住宅。

图11 清涧县老城区更新单元确定示意图

3.3.3 更新改造策略

文化保护类单元是清涧县历史文化的高价值区域,是古城传统风貌的体现。对于此类单元,应严格保护历史建筑、传统民居的原真性和空间肌理,延续窑院式建筑传统风貌;划定城墙遗址、建筑遗址的城市紫线保护范围,落实保护与管控要求。

提升改造类单元更新内容包括功能完善和环境整治。一方面,在学校、医院、商业等公共服务设施以及公园、广场服务半径未覆盖的区域,结合老旧小区改造工作完善社区级服务设施体系和开敞空间;另一方面,对清涧北街两侧进行风貌整治,重点控制建筑高度、色彩、尺度和屋顶形式,针对过渡型简陋住宅和改造型简陋住宅中的棚户区、城中村等进行环境整治,修缮建筑,增加开敞空间,提高简陋住宅的居住品质和环境质量。

拆除重建类单元包含对环境、安全等威胁较大以及改造成本较高的地区。基于“杜绝大拆大建”的基本原则,采取循序渐进、逐步更新方式,对河道蓝线内的违建建筑予以拆除,将空间“让位”给公园绿地和广场。对于简陋住宅中环境极差的棚户区、城中村等,可分批次分阶段实施拆除重建工作,释放存量空间,提高土地资源利用效率。


4 结束语


人工智能、大数据、云计算等新技术的快速发展为城镇智能化建设带来更多可能性。利用深度学习和机器学习技术,可以提高对城市现状要素诊断评估的效率和精度,进而指导具体更新工作。本文基于高分辨率卫星遥感图像,采用视觉基础模型和机器学习等技术,对城市老城区复杂建成环境进行精准识别和分析,智能划定更新重点区域,结合规划人员的综合评判,优化识别结果并辅助后续更新规划实践,以期为城市规划向数字化、信息化、智能化发展转型提供借鉴。



【注 释】

①本文所使用的已经完成预训练的CLIP编码器来自OpenAI公司开源网站(https://github.com/openai/CLIP),使用Anaconda Jupyter集成开发环境,使用Pytorch编程语言加载预训练视觉基础模型。CLIP模型进行神经网络训练的技术细节可见参考文献。

②本文根据2020年自然资源部办公厅印发的《国土空间调查、规划、用途管制用地用海分类指南(试行)》中的用地用海类型设置标签。




[返回]
Copyright (C) 2013-2018 All Rights Reserved 版权所有 广西出版杂志社有限公司 桂ICP备08003917号 桂公网安备 45010302000195号
地址:广西南宁市青秀区月湾路1号南国弈园6楼 邮编:530029
电话:0771-2438012 传真:0771-2436269 E-mail:planners@planners.com.cn 投诉举报