概述

什么是城市形态学

经典城市形态学研究通过对于建筑及其开放空间、街区、街道、用地等基础空间形态特征的抽象来分析城市空间形态特征演化及其经济、社会效应[9-10]。这些基于手工分析和经验判读的分析方法奠定了城市形态学的基础，但以定性判断和手工操作为特征的分析一方面受制于分析者的主观判断而难以实现统一口径的研判，另一方面难以深入把握城市形态的细微特征及其非空间的感知品质影响[11]。

溯源

国际城市形态学会（ISUF）自2013年的多次会议宣言均提出量化分析技术的加入会成为形态学进一步向前发展的方向之一[12-13]。在2010至2019年的十年间，一大批高引论文和书籍的发表与出版，昭示了城市形态学研究的定量化转型趋势和蓬勃发展。

量化城市形态学的几个方向？

方向一：数据支持的空间形态特征提取及其品质测度
随着多源城市数据和新技术方法的普遍运用，相关研究在空间形态特征提取与非空间的效能评估方面都有了定量化、精细化的深入可能。包括：

立足形态学关键要素开展量化分析：
量化形态分析支持下的高品质空间共性指标归纳与设计导控
多源数据支持下的空间品质测度与设计介入

方向二：空间视角的具身性循证分析
虚拟现实（virtual reality，简称“VR”）是指通过计算机模拟产生一个数字化的三维虚拟世界，为使用者带来身临其境的感受[25]。这一技术能以较低的成本快速实现沉浸式场景的搭建，为空间形态视角下的具身性分析提供基础平台[48]。包括：

基于虚拟现实技术的空间形态评估与设计探索
基于可穿戴生理传感器设备的城市空间品质诊断与优化

方向三：算法驱动的空间形态与设计生成
在数据支持的量化测度与具身性循证分析方向的发展之外，算法的快速发展正在推动城市形态分析的深化与城市设计的范式变革，在此基础上的计算性城市设计正在日益涌现[53]。相关算法一方面能立足形态学特征维度，实现特定空间形态的生成和设计决策对城市的影响直接可视化，从而搭建互动式设计平台，有助于实现人本导向的城市设计；另一方面以生成对抗网络（Generative Adversarial Network，简称“GAN”）为代表的算法可将目标函数的学习自动化，使人工智能更接近设计问题[54]。

算法驱动下的计算性城市设计
基于生成对抗网络算法的城市设计方案场景实时可视化

摘自：量化城市形态学:涌现、概念及城市设计响应

相关应用和软件

KPF的“The Urbane”

KPF于2016年成立的“Urban Interface”部门致力于将计算机技术与城市设计实践结合，以数据和算法辅助更好的城市设计分析，比如利用计算可视化技术将建筑与城市设计对周围环境的影响量化，促进设计师探索和评估建成环境对设计价值的影响，以及打造互动性的设计平台，让更多利益相关者参与到设计过程中[55]。
“The Urbane”是该团队开发的将新算法应用于计算性城市设计实践的代表性工具。其将计算性城市设计的范式概括为条件输入、几何生成、模型评估与分析解读四个具体步骤[56]。具体而言，通过设定不同的输入条件组合，会在下一步生成不一样的设计结果，这些结果一方面受土地用途和建筑密度影响，另一方面也受到周围条件的影响。在生成全部设计方案后，还可以对相关数据进行三维可视化的呈现以便于各方面评估。如下图所示，用户可以通过拖动滑动按钮改变某个输入条件，并查看其生成的模型及相应的视野、日照、能源产生等方面的评估结果。与传统的城市设计方法相比，应用机器学习算法可以在满足生成条件的情况下生成初步的方案设定，为设计师提供快速决策原型，从而为城市设计提供立足形态视角的精准支持。

各类形态要素输入与设计生成

麻省理工学院媒体实验室（MIT Media Lab）城市设计可视化平台DeepScope

生成对抗网络算法是培训无监督机器学习模型的范例，最早由古德费罗（Goodfellow）等人于2014年提出[57]，通过使用两个神经网络进行对抗学习生成新的数据，从而大幅提升生成模型的训练效果和准确度，特别便于视觉图像的生成。麻省理工学院媒体实验室（MIT Media Lab）在其CityScope这一实体设计平台的开发基础上，引入GAN算法，开发了基于GAN的即时性、互动性的城市设计可视化平台DeepScope[58]。这一系统通过使用CityScope实现快速城市建模，将实体信息转化为电子信号并存储到云端服务CityIO上，进一步将识别出的内容转化为矢量数据后输入至训练后的DCGAN模型中，根据街道元素标签自动生成接近真实的渲染街景图像。在这一平台上，设计师可以通过调整建筑体量实时获得视觉场景的反馈，从而在设计早期阶段了解方案产生的视觉效果。

通过GAN算法实现城市设计方案的街景视觉效果实时呈现

同济大学叶宇团队与美国德州农机大学（TAMU）叶信岳团队 MasterplanGAN工具

生成对抗网络不仅能为设计方案的生成提供支持，还能作为城市设计辅助工具，高效地完成以往耗时费力的设计流程。笔者团队与美国德州农机大学（TAMU）叶信岳团队日前合作开发的MasterplanGAN工具，可立足于城市形态特征的识别，开展智能化的城市设计总平图渲染上色，以数秒一张的效率完成以往需要数小时乃至更长时间才能完成的工作。通过在Pinterest网站上采集大量高质量总图，基于CycleGAN这一基础算法开展面向总平面图上色的再训练和形态特征识别，通过长时间训练形成一套智能化渲染算法，可基于AutoCAD格式的线条输入快速转绘风格化的总平图。后续校核显示，MasterplanGAN所生成的图像被混入手工绘制的图像集后，有相当概率不会被受试者识别为机器生成的图像，初步实现了“类专家”水平的绘制。相关方向的探索，有望为城市形态研究与城市设计带来另一视角的推动。

基于AutoCAD格式的设计平面图输入（左）与MasterplanGAN支持下的智能化总平渲染输出（右）