城市意象认知地图解析方法虽能通过分析公众认知有力推动“人民性”设计的实现，但受限于传统社会调查的局限性，在数据量级、真实性方面存在不足。提出众包型的城市认知地图解析方法，以拟合属性特征相对应的社交媒体数据为切入口，构建“理论—方法—实践”三层级的全新媒介应用框架，充分考虑意象结构的理论内涵。以武汉为例验证全流程解析路径，对“空间—社会—视觉—情绪”4个维度进行结构解析，提炼出武汉复合化的意象认知地图，为人本化、特色化的城市空间发展提供坚实可靠的公众感知量化模型。
[关键词]城市意象结构；社交媒体；人民城市；众包分析；机器学习
[文章编号]1006-0022(2024)10-0142-09
[中图分类号]TU984
[文献标识码]B
[引文格式]李佳宇，陈戈，苏虹，等．社交媒体驱动的众包型认知地图解析方法：以武汉为例[J]．规划师，2024(10)：142-150．
随着“人民城市人民建”的理念深入人心，城市设计和品质提升更加重视特色营造与人民互动。为塑造人本化的城市特色，营造群众参与并喜爱的环境氛围，实现“接地气、有人味”的城市设计是高质量发展的基本要求。因此，作为联系群众感知与规划工作的桥梁，城市意象研究的价值和影响力持续增强。如何借助网络社交媒体进一步加强对公众城市意象的研究，成为未来人本化城市图景研究的重要方向。
认知地图作为城市意象研究的重要分析手段，是环境空间与认知心理的转译器，耦合了公众感知在城市空间的结构投影。此次研究以此作为切入口，考虑到传统问卷与访谈的调查模式受数据量少、代表性弱、真实性不足等限制，围绕社交媒体数据所包含的大量公众认知与体验信息资源，意图通过数字增强的转译路径构建一套众包型的城市认知地图解析方法，以激活社交媒体大数据的“人民性”价值，高效获取更直观、更具普遍性且更精确的对人民城市的感知信息，搭建城市环境要素与复杂多样的社交媒体数据之间的转译通道。
1 理论内涵：数位化驱动的四维认知结构体系
1.1 认知地图意象研究发展
认知地图意象研究来源于最根本的结构性城市意象研究，是强调事物之间拓扑关系和空间方位认知的城市意象研究，多以凯文·林奇的认知地图五要素为基础，利用问卷、访谈、绘制心智地图等方式进行调研及分析，探讨城市在人们心中最重要的形象和感知，进而总结出城市最突出的物质空间结构。
随着网络数据在城市规划中的应用得到强化，意象结构的分析深度被极大地扩展，许多研究以网络信息为突破口，从打卡照片、网络文本等数据中挖掘认知地图的新兴模式，结构化的意象研究由此进入一个全新的数字化转译领域。在此方向上，研究紧抓社交媒体这一主动分享型的网络媒介，尝试构建从复杂多元的人本信息到清晰层次化的意象结构的科学途径。
1.2 “空间—社会—视觉—情绪”四维认知结构模式
为充分挖掘网络数据在信息认知方面的解析潜能，研究从城市意象的认知逻辑链条出发(图1)，辨析城市意象转译过程的基本规律，进而以代表公众分享特征的社交媒体作为认知传导的信息媒介，以媒体数据属性拟合意象认知结构性质，通过公众认知资源的数字化转译，得出意象结构化的认知地图，实现意象结构转译解析方法的数位进化。
在意象转译的总体框架中，研究从代表认知信息来源的资源端和归纳城市意象内涵的架构端两方面进行剖析：①在资源端，进行意象转译的信息素材可以借助社交媒体得到多维度的扩充，这种变化促使城市意象的转译突破传统的问卷、访谈等形式，使信息来源在数量和维度上得到了拓展；②在架构端，在社交媒体的加持下，结构体系在传统五要素的基础上进化出了更多象限，可以拓展出多元的认知调查渠道，使意象转译在空间关系的分布、社会内涵的感知、视觉环境的建构及情绪体系的建立上均得到了跨越式的发展。
因此，研究对应意象属性提出了一种以空间关系为框架的意象组织体系，基于社会属性、视觉感受和情感偏向，形成涵盖公众感知的认知地图意向结构，旨在归纳出适用于数字化模式的城市意象体系，从而解析不同的意象结构要素和空间环境内涵(表1)。
空间型认知结构，是公众在城市环境中感受城市意象时所呈现的空间拓扑联系，由各类空间化结构要素组成。在应用社交媒体数据时，需依赖标记的空间位置信息，反馈公众信息在城市空间关系上的分布，并反映公众对于某城市场所的意象互动，表达个人对该地的想法，记录所见所闻等经历。这些空间位置可以理解为“重要性的空间位置”，以此为基础构建城市意象的空间化结构，形成“集聚点—联系廊道—印象区—边界—盲区”的构成模式。
社会型认知结构，来源于人群对城市的社会意义感知，并以此为基础构建信息元形成的结构模式。其由各类文化及活动因子构成，可通过不同业态属性转译认知的角度诠释社会影响，研究表征意义的行为活动，将社会属性认知地图要素概括为10类意象。
视觉型认知结构，将人群的视觉反馈提炼为属性层之一，反映人群在体验城市时的心理图景。该结构从环境风貌特征出发，描述意象化的视觉理解，可分为4种类型。
情绪型认知结构，来源于人群在特定时刻的心理状态，一般可以直接反馈人群对环境的喜好或厌恶。将各类情绪信息元汇集起来，便可构成公众对城市空间的直观评价感受。基于总体情感，以“正—中—负”来界定情绪型认知结构的要素类型。
2 方法框架：基于AI交互的意象众包型转译方法
2.1 认知地图的数字化属性拟合
为建立认知地图的四象限意象结构体系，需要从公众认知信息中总结出能够体现结构关系的空间组织模式，而这些空间关系需要用足够真实与具有代表性的可意象性标准进行验证筛选，往往以信息元在数字平台上的空间集聚程度和特征复现频率为准。因此，以微博为研究对象，可以即时、便捷地反映公众对城市原创性的兴趣、需求和行为特征，并附带较大的传播影响力，成为展示空间认知互动的数据库。通过提取公众主动发布的微博内容，可观察公众参与信息收集的众包行为，无介入地将感知信息反馈给研究者，同时通过技术手段规模化获取信息，形成意象信息分析数据池，为批量化转译提供基础。
基于此，研究采取双边结合模式，建立四象限意象属性的组织性集聚结构，从空间—拓扑、社会—意义、视觉—图景、情绪—偏好出发，形成认知地图内核。锚定社交媒体中的微博软件，采取人机协同与机器学习等方法，针对性地提取大量地理签到信息、活动意义信息、影像感官信息、心绪感受信息，并通过自相关、核密度等技术，得到集要素重复性与量化集中性于一体的高集聚标准。以认知地图为载体，进一步总结要素空间聚集关系、社会活动意义架构、图景主题分布关联、情绪数值评分模式等特征，综合现实环境情况后，得到能够描述城市内部结构关系的信息特征，形成“四维一体”的城市意象结构体系，最终得到由社交媒体用户被动式参与“绘制”的增强版认知地图。见图2。
研究运用机器学习协作等相关技术，实现社交媒体非结构化的行为信息的大数据处理转换，批量生产结构化的意象要素，既能理清复杂认知的结构模式，又能保持严格的认知地图解析转换标准。
在基底层，基于空间本体论，充分利用GIS系统搭建意象空间化信息整合平台，形成认知地图底盘。在四维结构层，首先通过机器学习快速整合地理标签点位置数据，汇总无形的认知信息数据元，变为结构化的空间拓扑联系，形成意象认知的空间属性结构；其次，抽取微博中的文字表述内容，利用自然语言处理(NLP)及智能语义分析技术，实现词语自动化分解与频数计量，尽量准确地对表征社会内涵的词语进行文本语义分析，并叠合在空间的分布特征中，得到社会型认知结构；再次，利用腾讯云AI图像服务，对微博中的图景进行特征标签鉴定，得到代表性的图片主题风格，从而形成视觉型认知环节的意象构成要素；最后，将微博中的完整语句段落提炼成句段数据，导入智能云平台的NLP接口，转化出每个句段的情绪偏向类型，并将置信度数据视为情绪强度的指标，从而整合出情绪认知结构的基本因子。基于各类属性的数据元基底，结合GIS地图，可以深化开展多维度、精细化，或叠图式、综合化的认知地图结构分析。
3 实证探究：武汉主城区城市意象结构分析
3.1 研究范围与数据基础
研究选取武汉作为案例城市，其坐拥得天独厚的山水风光与深厚独特的人文历史底蕴，山江相依的自然格局与租界时期的建筑风貌，共同构成了历经千年传承的宝贵城市记忆与意象。然而，这些极为丰富的城市个性资源，在日常生活中却与广大民众之间存在着显著的“认知鸿沟”，难以激发民众对城市的认同感与归属感，因此急需提升城市总体意象塑造。
研究应用众包型认知地图方法，解析武汉现阶段城市意象认知结构的发展体系。以国内用户最多、影响最大、更新最为迅速的新浪微博为数据来源，根据意象转译的对应需求，提前设置采集数据的存储结构，包含文本内容、经纬度、图片链接等字段，形成空间、文本、图像等方面数据的分析来源。以武汉主城区为研究范围，将主城区的几何中心点设为采集源(东经114.308 648°，北纬30.567 264°)，构建半径为25 km的采集区域，并于2021年1—3月的多个时段获取签到地点的微博数据，经过质量处理后，共获得有效微博数据35 300条。
3.2 武汉城市意象结构多维度剖析
3.2.1 空间型认知结构
研究在ArcGIS中导入认知地理坐标，转化出城市认知地图的基准空间要素，完整呈现离散分布基础，并同步采用GIS的核密度工具、网格赋值与局部莫兰指数自相关分析，得到武汉空间型认知分布体系与重心校核结果(图3)，认知反馈主要集中于汉口、武昌，汉阳及外围其他城区的聚集度不高，总的以长江中部两侧区域为核心形成内核强集中态势，并持续向二环路外侧延伸，形成零散的外部弱节点。
以此为基础，提炼出多项空间认知意象要素，将汇集性较高的因子作为表征空间认知的主体标志，共包含20个重点认知节点、4条重点认知连廊、7个印象汇集区域，同时还存在9条明显的认知范围边界、13个意象反馈盲区。
综合现况，归纳出以下空间特征：①初步形成了在东西方向上均衡生长的空间网络，以认知节点为源动力引导要素集聚，同时通过重要的城市线性界面进行串接，在建成区范围内实现各区域的有机融合；②立体互联的连廊在基础性的车行要道、地铁或高架轻轨上起到了拉动意象关系的作用，成为新的空间纽带；③城市印象区系统呈现出“西紧东松”的布局特征，总体区域框架主要沿长江展开，东侧区域形成极轴式架构，通过珞喻路、武珞路的线性延伸，垂直于长江形成了黄鹤楼—街道口—光谷广场3大片区的断续联系，而西侧区域则以循礼门—武广片区为中心，形成了圈层化的认知大区；④城市中的自然山水要素未能有效转化为认知空间的构建基石，产生了显著的自然割裂感，边界效应较大。见图4。
在社会型意象反馈中，研究共提取23 800条微博文本内容，导入开源GooSeeker网站进行智能语义分析，过滤出文本中的名词、形容词、动词并统计词频。随后，根据80/20规则选出代表社会意义前20％的词组，对应社会型认知的10类属性特征，进行社会型意象要素类型统计(图5)。同时，批量化地将基础实验数据分类转出，并为每条数据标记社会型意象特征标签，进而构建每条文本内容的社会型认知结构要素表，共得到23 941项标签。
在统计结果中，户外活动(16％)、工作活动(15％)、餐饮活动(14％)是最集中的3类社会型意象要素，说明户外环境体验、日常工作及美食餐饮占据了主要地位。同时，其他类型的意象要素也得到了一定的反馈，充分展现了武汉城市意象认知的多样性和丰富性，为进一步的深入研究和探讨提供了广阔空间。
在社会型认知结构上，武汉形成了“一核五心”的组织体系，并包含11个补充节点，江汉路片区带动了武广、武汉天地、武汉大学、光谷广场等片区的发展，具体特征如下：①形成“西区强极核、东区特色次心”的协同布局；②各区域的意象联系较弱，向外渗透性不强；③形成“重品质、轻自然”的服务供给基础；④历史沿革等因素在活动代表性方面的影响力较弱。见图6。
在视觉型认知维度，研究以编码图像数据库为基础，发挥Python语言的逻辑架构优势，将所有微博数据的图片进行批量下载与自主排序编号，建立了规模接近16万张的图片数据库。
将所有图片导入腾讯云平台，并使用专业付费的图片标签识别服务，生成AI智能的图片标签。关联图片数据库后，对每张图片进行具体的标签识别，之后借助编程方式将识别出的标签进行相互映射，自动生成表格字段并存储每条信息的标签特征。为了确保数据的准确性和可靠性，仅选取信赖度最高的3项特征进行配准记录。
研究对应上文鉴别出的4类视觉风貌，根据具体环境，将计算机视觉技术提取的图景特征类目进行细致归纳并分配到相应的类别中，构建了一个概括性的外部视觉特征要素分类表，进而对图片标签进行分类，形成了具备视觉属性的信息元数据。经过量化统计，共得到93 835条有效图景数据，其中文化生活类数据的占比为39％，占比最高，反映出社交媒体与公众日常生活具有重要关联，公共空间、自然景观、都市建设类数据的占比分别为26％、22％、13％。见图7。
借助上述数据，对视觉型认知要素进行空间分析，形成了“三核三心八节点”的武汉视觉型认知结构。江汉路、武汉大学—街道口及东湖磨山等片区形成了视觉反馈最强的集聚核心，楚河汉街、武汉天地—解放公园、蛇山—黄鹤楼等片区则形成了次中心化的视觉认知片区。整体视觉特征如下：①视觉型认知地图呈现了以人为主的特征，但都市建设类的图景相对不足；②仍然存在不少图景意象缺口，零散分布在各视觉认知区之间。见图8。
在情绪感知上，研究提取微博数据的完整语句，连接腾讯云平台NLP技术的API，进行AI语言处理的情感分析服务，便可输出完整句段所反映的情感评价偏好，以及相应的定量情感权重，进而对应每条数据，得到情感判断特征、消极情绪权重、中性情绪权重和积极情绪权重。同时，使用AI对每个句子的情绪强度进行无量纲化处理，构建量化评分模型，设置代表性的情绪偏向Qn，情绪强度Fn，消极感受指标Fb、中性感受指标Fi、积极感受指标Fg，以综合反馈的Qn为基准，分出3段情感评分：①当Qn为消极Bad时，Fn=-(Fb+0.5×Fi)，Fn区间为[-1，-0.5]；②当Qn为中性Indifferent时，Fn=Fg+0.5×Fi，Fn区间为[-0.5，0.5]；③当Qn为积极Good时，Fn=0.5(Fg-Fb)，Fn区间为[0.5，1]。将所有数据带入[-1，1]的区间公式赋值建表后，得到情绪智能化评分统计表，0值代表情感强度最低，无喜恶偏好，当数值向两侧递增时，正方向上趋向于环境情绪越好，负方向上趋向于环境情绪越坏。
对情绪型认知结构进行分层后发现，情绪积极性区域集中在江汉路与蛇山、汉街片区，情绪消极性区域集中在江汉路，并涵盖武广、光谷广场片区。同时，以100 m×100 m为单位进行网格划分，并对每个网格内的所有情绪数据元的情感强度变量值进行求和统计(部分网格缺少数据分布，没有情绪评分统计)，形成总体评分结构图，其中情绪积极网格占比达40％，情绪消极网格占比23％。见图9。
情绪型认知结构特征总结如下：①基本形成了正负面意象相嵌合的总体构架，在分布上西部更加集聚，东部相对离散，正负面单元混杂其中；以情绪集聚点为中枢，存在认知迁移效应，聚集性越强的区域，越容易形成明确的情绪影响力特区。②情绪认知的分布与网格化评分强度体系的耦合度较弱，但高评分区域更容易获得情感反馈。③主要的情感集聚场所以积极评价为主，环境反馈较好，但同时也存在局部情绪消极区域，如中山公园—新华路沿线等，该类区域缺乏较好的交互活动空间和公共艺术景观配套。
在众包型数据支持下，以四维认知地图为基础，进一步利用空间叠图分析方法构建武汉认知地图体系，对空间、社会、视觉、情绪等各项属性进行耦合协同，以公众交互为视角，形成认知集聚区域，最终构建出“七核三脉十八节点”的众包型武汉认知地图(图10)。“七核”，即围绕长江和汉江两江交汇核心形成的七大核心意象印象区，包括江汉路—江滩片区、武广—中山片区、武汉天地—二桥片区、蛇山—龟山片区、楚河汉街片区、街道口片区、光谷广场片区，体现了“强集聚—全视觉型—多社会—好情绪”的复合内涵。“三脉”，即沿长江大桥方向横轴、沿青年路方向纵轴、沿汉口江滩纵轴3条核心意象联系廊道；“十八节点”，即江汉关等18个核心意象集聚点(表2)。
4 特征凝练：武汉认知地图的赋能与应用
4.1 总体结构的中心集散对流效应
在结构体系层面，武汉逐步构建起以“江汉路—街道口—武广”为核心的意象三角。这一区域汇聚了武汉意象结构中最具支撑力的各类元素，并与城市中的其他次级意象中心持续产生集散对流效应，随着该区域的主体核心地位不断提升，展现出一种集高品质、多元化和互联性于一体的强心模式(图11)。在各类次级中心中，相对等级结构更为扁平化，环境支持与认知供应的差异不大，可参照不同片区的区位特征和资源禀赋，形成特色鲜明、作用各异的集群，如街道口、汉街、武汉天地等片区通过立体交通联系、名声牵引联系等，吸纳江汉路极核的意象流。
4.2 “空间—社会—视觉—情绪”复合联动的复杂特征
首先，武汉认知地图在空间维度上呈现出虹吸—禀赋模式(图12)。一方面，在意象密集且突出的区域会出现与认知标志节点之间的同频禀赋现象，区域内联动的各级要素会一同向标志元素汇聚，从而极大地提升了这些标志要素的认知复现度。以东湖景区板块为例，由于该区域周边拥有武汉大学、省博物馆、东湖等高强度因子，同步牵引的意象集群更为丰富。另一方面，认知强度较高的标志点对周边认知较弱的意象点产生显著的流量虹吸效应，导致强中心与弱腹地现象的出现，严重时还可能形成认知盲区。以江汉路片区为例，其在认知地图中拥有极高的意象强度，这在一定程度上削弱了黎黄陂路、吉庆街等节点的区域流量。从本质上看，这种现象源于公众体验中的“先入为主”心理，人们往往首先被显著的头部要素所吸引，并优先选择看似最佳的行为方案。
其次，武汉的认知地图还叠加了社会、视觉、情绪等不同结构特征。在社会维度，某些意象因其优势性、品质性和垄断性特征，会在认知地图中强化其聚集性和重复性，如汉口火车站具备交通枢纽功能、武汉大学拥有赏花胜地，这些空间优势场所被赋予了更高的活动依附性。在视觉维度，公众的认知意象往往与环境的丰富性、高敏感性、美景性关系密切，如昙华林、花园道等精致街道得到了公众的偏爱。在情绪维度，正负交织的情感态势为审视城市空间品质问题提供了更为多元的视角，如情绪强度高但评分低的户部巷片区，由于消费体验与环境支撑相对一般，难以与其显著的名气相匹配，正逐渐陷入被淘汰的困境。
研究揭示了武汉认知体系中存在的多个方面问题。在地域文化方面，尤其是在关于文化生活的感知上，意象反馈与武汉本土历史之间的关联性不足，难以构建一个涵盖三镇(汉口、汉阳、武昌)共同特征的文化网络标识体系。武汉的历史资源相对分散，缺乏连贯的衔接，未能形成一个清晰明确的整合体系，这导致公众在文化体验上的方向感不明确，参与频率也难以提升。此外，近代的人文载体和工业遗产载体的利用效率低下，前者缺乏城市功能的激活，后者虽然在城市更新中得到了关注，但是在公众意象中却鲜有出现，这些环境场所的活力并未达到理想状态。在自然山水方面，武汉作为山水城市的意象营造存在显著落差。原本应当连续绵延的绿色山体脉络被人工活动所阻断，致使大型山脉的形象变得模糊不清；汉江与长江东岸存在明显的视觉意象缺失，割裂感较大；众多湖泊如南湖、沙湖等缺乏足够的开放性和便捷可达性，亲水性的设计较少，导致民众的使用率不高，对周边生活圈的活化提升仍有待进一步加强。
研究建议深化公众认知结构的空间反馈，从内部与外部两个维度对空间结构进行优化。首先，针对主城区内部核心区域的环境问题，特别是意象盲区与意象缺失区域，需采取措施予以解决和弥补。例如，针对公共空间绿化欠缺、山水体系不够清晰的问题，可以鼓励构建城市绿道体系，充分利用内湖资源，通过建设绿道、慢行步道等手段实现有机串联，打造城市意象连廊。其次，针对地域文化活力不足的问题，应着重于文化空间的再生与重塑，使之成为公众乐于参与体验的场所。同时，积极挖掘文化线路，结合当前流行的City Walk等体验形式，以及元宇宙、虚拟现实等新兴规划手段，从多元体验的角度激发武汉本土文化的认知活力。通过设计文化社交游戏，将城市环境的视觉焦点与内涵亮点串联起来，从人民的视角全面提升千年楚城的文化特色意象环境。
面向城市意象研究在人民城市建设中的人本科学需求，并顺应城市形象运营的新逻辑，此次研究致力于优化认知地图解析方法，尝试挖掘社交媒体数据的潜能，构建了“理论—方法—实践”三层级的全新媒介应用框架，探索了众包型认知地图解析方案的实施路径，以武汉为例，将新浪微博数据中的多项公众认知信息，转化为涵盖空间、社会、视觉、情绪4个维度的综合认知结构，并借助AI协同化手段，复合叠加图像信息，得到了包括“七核三脉十八节点”的武汉全新的意象结构体系。这一研究凸显了群众共识性的复现型认知反应和集聚化的认知关系，从新媒体视角展示了武汉城市意象体系的新内容，将显著提升传统意象认知地图研究的效率与深度，为真正理解和把握城市情感交互提供有力支持。在人民城市的语境下，研究为提高城市设计工作的效率、科学凝练公众社会感知信息进行了技术优化的探索。
首页 >
电子刊物 >
文章分享 >
桂公网安备 45010302000195号
