（论文翻译）基于深度学习方法的城市形态特征提取与多维相似性分析

摘要：城市形态研究有助于城市的演变和可持续发展。在许多研究中，城市形态特征提取和相似性分析是一个实践框架，用于解释和介绍当前的建筑环境，以帮助提出新颖的设计。在传统方法中，形态特征基于定性描述、符号解释或手动选择的指标来表示。然而，这些方法可能会导致主观偏差并限制普遍性。本研究提出了一种混合数据驱动的方法，以支持城市设计决策的定量形态描述和多维相似性分析，并通过深度学习方法利用信息丰富度进一步开展形态学相关研究。我们构建了一个包含 3817 个住宅地块的数据集，其中包含几何和相关基础设施信息。通过将形态特征量化为 2048 维特征向量，利用地块的图形背景图像实现了深度卷积神经网络 GoogLeNet。我们通过计算高维特征向量之间的欧氏距离对图进行了相似性分析。然后，通过分别基于地块形状和地块与建筑物检索案例进行比较研究。所提出的方法考虑了城市形态和社会基础设施情况的整体特征以进行相似性分析。这种方法灵活有效。所提出的框架表明了通过深度学习方法整合面向任务的信息以引入习惯和充分参考的可行性和潜力，这可以支持形态学与城市后果的决策和关联研究。这项工作可以作为进一步的类型形态学研究和其他与可持续建筑环境形态相关的生态、社会和经济研究的基础。

关键词：城市形态;深度学习;相似性分析;聚类分析;特征提取

1. 引言 城市形态学是指对城市形态在自然环境、文化保护过程和可持续发展方面的多学科研究。形态学方法提供了一种观点，即形态学有可能成为城市设计的动力。许多研究将城市错别字形态与公民生活、社会经济和能源系统效率的研究联系起来。因此，城市形态学为城市规划者和管理者提供了宝贵的基础。城市形态与复杂的城市系统分析有关，例如能源绩效，公民行为和经济效益。

另一方面，在城市更新过程中，在城市设计中需要考虑与竣工城市结构的沟通。在一项关于城市社区的研究中，基于足迹模式随时间变化的形态分类和聚类，提取了与可持续城市社区相关的进化模式。

除了基于模拟的城市形态学分析外，研究人员最近还通过考虑构建竣工和待建环境之间关系的方法，例如城市形态的多维（例如几何维度和社会维度）来关注数据驱动的城市形态学研究方法。3D 扫描、深度检测、多向扫描以及同步定位和映射 （SLAM） 等技术正变得越来越复杂。大量的基于Web的地图数据，如高德，百度和OpenStreet Map（OSM），使建筑师能够有效地掌握数据。在信息丰富的环境中，机器学习方法通过为设计人员提供基于案例推理（CBR）的新设计解决方案的先前案例来支持设计。在数据驱动的城市设计中，从现实中学习（在这种情况下，城市形态学）有助于决策者做出全面的设计决策，并有助于研究人员研究与空间形式相关的功能和性能。一方面，决策过程中的城市形态设计建议考虑了社会、环境和经济因素。这些建议既可作为参考，也可指导决策者。城市形态是生活质量的物理载体。在城市设计过程中，非专业决策者缺乏对城市形态的具体理解，限制了设计师的讨论空间。开发人员和设计人员都可以从类似情况下的案例中展开讨论和想法，介绍信息和知识。另一方面，城市形态学与功能和进一步后果的关联支持了形态学相关研究的研究人员。对城市案例的建议不仅可以基于空间形态，还可以基于形态相关的交通网络、能源性能、经济条件等，从而支持进一步的科学实用性。

就病例检索系统的数据表示而言，有效的病例形态量化方法至关重要。