[论文解读] The Nature of Human Settlement: Building an understanding of high performance city design

Kerry A. Nice, Gideon Aschwanden+4 more|arXiv (Cornell University)|Oct 8, 2019

Impact of Light on Environment and Health参考文献 34被引用 4

一句话总结

本文提出一种基于自组织映射（SOM）的方法，通过街区尺寸和规则性对全球城市进行基于街区类型的分类，实现可扩展的、数据驱动的跨城市比较。研究发现街区组合与机动车活动之间存在强烈相关性（r = 0.97），并识别出独特的‘城市指纹’，揭示了城市形态与污染及可持续性结果之间的关联。

ABSTRACT

In an impending urban age where the majority of the world's population will live in cities, it is critical that we improve our understanding of the strengths and limitations of existing city designs to ensure they are safe, clean, can deliver health co-benefits and importantly, are sustainable into the future. To enable this, a systematic and efficient means of performing inter- and intra-city comparisons based on urban form is required. Until now, methods for comparing cities have been limited by scalability, often reliant upon non-standardised local input data that can be costly and difficult to obtain. To address this, we have developed a unique approach to determine the mix, distribution, and composition of neighbourhood types in cities based on dimensions of block size and regularity, sorted by a self-organising map. We illustrate the utility of the method to provide an understanding of the underlying city morphology by overlaying spatially standardised city metrics such as air pollution and transport activity across a set of 1667 global cities with populations exceeding 300,000. The unique approach reports associations between specific mixes of neighbourhood typologies and quantities of moving vehicles (r=0.97), impervious surfaces (r=0.86), and air pollution levels (aerosol optical depth r=0.58 and NO$_{2}$ r=0.57). What this illustrates, is that this unique approach can identify the characteristics and neighbourhood mixes of well-performing urban areas while also producing unique `city fingerprints' that can be used to provide new metrics, insights, and drive improvements in city design for the future.

研究动机与目标

• 开发一种可扩展、客观的方法，用于比较全球城市之间的城市形态，克服局部化、非标准化数据的局限性。
• 基于城市形态的基本要素——具体为街区尺寸和规则性，识别并分类街区类型。
• 通过空间标准化的度量方法，在300×300米的街区尺度上实现跨城市与城市内部的比较。
• 揭示城市形态与环境表现之间的系统性关系，包括空气污染和不透水地表。
• 生成反映城市结构组成的独特‘城市指纹’，用于城市规划与政策制定。

提出的方法

• 利用自组织映射（SOM）根据两个核心维度——街区尺寸和规则性，对城市街区进行聚类。
• 处理高分辨率城市影像与空间数据，提取1,667个全球城市（人口超过30万）的街区级形态特征。
• 采用空间标准化的网格化方法（300×300米），确保在多样化城市环境中的一致性。
• 使用核密度估计法，将每个城市SOM识别出的街区类型分布映射为独特的‘城市指纹’。
• 将SOM生成的街区类型分布与全球网格化数据集（如气溶胶光学厚度AOD、NO₂、不透水地表、车辆、树木）进行相关性分析。
• 通过加权平均每个城市SOM（x,y）位置，计算城市层面的城市形态与污染指标，用于跨城市比较。

实验结果

研究问题

• RQ1 如何利用客观、可扩展的度量方法，在街区尺度上系统比较全球城市之间的城市形态？
• RQ2 基于街区尺寸和规则性的特定街区类型组合与城市环境表现之间存在何种关系？
• RQ3 在多大程度上可以通过街区类型分布捕捉城市的结构性组成，形成独特的‘指纹’？
• RQ4 街区类型与可测量的城市结果（如车辆密度、不透水地表覆盖率、空气污染水平）之间存在何种相关性？
• RQ5 该方法能否识别出与可持续性和健康指标高或低表现相关的城市间共通结构模式？

主要发现

• 该方法成功利用街区尺寸和规则性作为主要形态维度，在1,667个全球城市中识别并分类了街区类型。
• 发现街区类型组合与可移动车辆占比之间存在强烈相关性（r = 0.97），表明城市形态能有效预测交通活动。
• 观察到街区类型组合与不透水地表覆盖率之间存在较高相关性（r = 0.86），揭示城市结构与地表径流及热岛效应的关联。
• 发现街区类型指纹与空气污染水平存在显著相关性：气溶胶光学厚度（AOD）的r = 0.58，NO₂的r = 0.57。
• 城市中心区域彼此之间的相似性高于其与同一城市外围区域的相似性，表明城市核心区在功能与结构上具有同质性。
• 该方法能够生成反映城市结构本质的独特‘城市指纹’，实现全球范围内对城市形态与表现的精细化比较。