[论文解读] Urban morphology meets deep learning: Exploring urban forms in one million cities, town and villages across the planet

Vahid Moosavi|arXiv (Cornell University)|Sep 9, 2017

Land Use and Ecosystem Services参考文献 33被引用 9

一句话总结

本文提出一种深度学习框架，利用卷积自编码器从全球一百万个城市、城镇和村庄的街道路网图像中学习密集的、分层的矢量表示。其主要贡献是提出一种可扩展的无监督方法，用于发现全球城市形态模式，实现基于空间结构、密度和方向的形态相似性搜索、聚类与可视化。

ABSTRACT

Study of urban form is an important area of research in urban planning/design that contributes to our understanding of how cities function and evolve. However, classical approaches are based on very limited observations and inconsistent methods. As an alternative, availability of massive urban data collections such as Open Street Map from the one hand and the recent advancements in machine learning methods such as deep learning techniques on the other have opened up new possibilities to automatically investigate urban forms at the global scale. In this work for the first time, by collecting a large data set of street networks in more than one million cities, towns and villages all over the world, we trained a deep convolutional auto-encoder, that automatically learns the hierarchical structures of urban forms and represents them via dense and comparable vectors. We showed how the learned urban vectors could be used for different investigations. Using the learned urban vectors, one is able to easily find and compare similar urban forms all over the world, considering their overall spatial structure and other factors such as orientation, graphical structure, and density and partial deformations. Further cluster analysis reveals the distribution of the main patterns of urban forms all over the planet.

研究动机与目标

• 解决传统城市形态学研究的局限性，后者依赖于小样本、定性分析，缺乏可重复性。
• 克服因数据有限和方法不一致导致的定量城市形态分析在可扩展性和一致性方面的挑战。
• 利用大规模开放城市数据（OpenStreetMap）和深度学习，实现大规模、自动化且可比较的城市形态分析。
• 开发一种城市形态的通用表示方法，捕捉全球地理范围内结构、方向和密度相似性的特征。
• 基于学习到的嵌入，建立全球城市形态搜索引擎和比较城市研究工具的基础。

提出的方法

• 从全球超过一百万个城市区域的OpenStreetMap中收集街道路网图像。
• 训练深度卷积自编码器，学习紧凑且密集的城市形态矢量表示，保留空间结构和形态特征。
• 利用学习到的向量通过归一化欧氏距离计算相似性，识别可比的城市形态。
• 应用自组织映射（SOM）可视化全球范围内城市形态的拓扑分布，揭示聚类与空间模式。
• 采用80%的相似性阈值和2,000个聚类进行聚类分析，识别主导的城市形态。
• 通过在北美城市形态上训练区域特定的SOM验证迁移能力，揭示主要大都市区的空间发展模式。

实验结果

研究问题

• RQ1 深度学习模型能否在全局尺度上自动学习到有意义且可比较的城市形态表示？
• RQ2 全球不同地区城市形态的主导形态模式是什么？
• RQ3 城市形态如何基于结构、方向和密度相似性聚类？
• RQ4 学习到的城市向量能否支持在多样化全球城市背景下可扩展的相似性搜索与比较？
• RQ5 学习到的表示在多大程度上能揭示特定区域的城市发展空间模式？

主要发现

• 深度卷积自编码器成功学习到捕捉全球结构和密度相似性的分层、密集的城市形态矢量表示。
• 采用80%的相似性阈值和2,000个聚类，自组织映射揭示了主导城市形态的环形拓扑结构，同时存在大量独特且低频的形态模式。
• 聚类分布呈现出自然的环形结构，表明存在一组重复出现的核心城市形态，以及大量罕见或高度特定的形态。
• SOM可视化中着色的节点证实了相似城市形态聚集在一起，其空间模式反映了北美地区的区域发展趋势。
• 学习到的向量即使在存在部分形变或方向差异的情况下，也能实现有效的形态比较与搜索。
• 该框架展现出良好的迁移能力，区域特定的SOM（如北美）揭示了围绕主要大都市区的有意义的城市发展空间模式。