从启发式方法到数据：基于深度学习和多模态数据的城市规划布局指标量化
摘要
城市区域布局影响土地利用效率和空间组织。传统的区域规划往往依赖经验判断和单一数据源，限制了对多功能布局进行系统化量化。我们提出了区域规划布局指标（Site Planning Layout Indicator, SPLI）系统，一个集成经验知识与异构多源数据的驱动数据框架，用于生成结构化的城市空间信息。SPLI支持多模态空间数据系统进行分析、推断和检索，通过结合OpenStreetMap（OSM）、热点地点（Points of Interest, POI）、建筑形态、土地利用和卫星影像。它通过五个维度扩展了传统指标：（1）层次化建筑功能分类，将经验系统细化为清晰的层次结构；（2）空间组织，量化七种布局模式（如对称、同心、轴向导向）；（3）功能多样性，将定性评估转化为可衡量的指标，使用功能比（Functional Ratio, FR）和 Simpson 指数（Simpson Index, SI）；（4）对必需服务的可达性，整合设施分布和交通网络，提供全面的可达性指标；（5）土地利用强度，使用地板面积比（Floor Area Ratio, FAR）和建筑覆盖比（Building Coverage Ratio, BCR）来评估利用效率。通过深度学习，包括关系图神经网络（Relational Graph Neural Networks, RGNN）和图神经网络（Graph Neural Networks, GNN），解决了数据缺口。实验表明，SPLI在功能分类准确率方面取得了改进，并为自动化、数据驱动的城市空间分析提供了标准化基础。
引用
@article{arxiv.2508.11723,
title = {From Heuristics to Data: Quantifying Site Planning Layout Indicators with Deep Learning and Multi-Modal Data},
author = {Qian Cao and Jielin Chen and Junchao Zhao and Rudi Stouffs},
journal= {arXiv preprint arXiv:2508.11723},
year = {2025}
}
备注
42 pages, 32 figures, submitted to Environment and Planning B: Urban Analytics and City Science