图谱实战 | 一种基于知识图谱的城市形态深度解析方法

转载公众号 | 城市规划

---

1

引言

城市形态定量解析方法的内核是把抽象形态转换为具象数字的思维过程，并对形态的某一个维度或某一尺度的特征进行刻画，但却难以同时对城市形态进行大尺度与高精度的深入刻画。一方面，在三维的城市形态被压缩为各类指标的降维过程中，大量三维形态细节特征丢失。另一方面，目前对于城市形态的高精度刻画往往聚焦于城市形态的某些地段，但是由于彼此之间的空间维度、数据量纲、计算公式完全不同，仍无法以统一且高精度的数据量纲形式对城市形态进行多维度精细解析。

针对上述问题，本文从城市形态的内在构成——空间要素及其空间关系入手，尝试以知识图谱模型方法对城市形态进行深度解析，阐明城市形态定量分析的主要制约因素，揭示城市形态内在建构机理，在此基础上，提出兼顾城市形态大尺度与高精度特征的知识图谱解析方法，并以南京老城地区为例进行实证研究，通过深度解析实现对老城形态的再认知。通过城市形态精细量化解析，能够有效解释城市形态在微观层面的建构机理，实现城市形态的整体认知与重构，为定量揭示城市内在的空间基因提供关键方法支撑。

2

城市形态的知识图谱方法模型

2.1 城市形态深度解析的主要制约因素

随着大数据方法的普及和人工智能技术的蓬勃发展，城市形态定量研究的理论和实践均有较大突破，但对城市形态进行高精度定量解析的技术与方法仍有一定壁垒，难以完整充分地对大尺度范围的城市形态进行高颗粒度解析，其制约因素主要包括以下几方面：

其一，城市形态是一个复杂巨系统，其要素构成的高度复杂性导致定量解析缺乏统一的数据标准。其二，城市形态是三维空间特征的高度集成，其维度和量纲的多样性导致定量解析难以用统一的量化指标来衡量。其三，城市形态涵盖了多元要素之间的复杂空间位置关系，传统对空间关系及组合特征的界定模糊是导致解析精度无法提高的关键所在。因此，对大尺度城市形态的高精度定量解析，其破题关键在于兼顾要素复杂性、维度多样性和关系模糊性，即既要对多维度的城市形态进行同步解析，又要对多尺度下的空间要素进行层级划分和指标量化，做到城市形态信息的无损描述，更要对要素之间复杂多样的空间关系进行高颗粒度下的精细描述和集成表达。

2.2 知识图谱解构城市形态的内在机制

知识图谱可以将构成城市形态的空间要素和空间关系抽象化并且可以进行形式化的描述，而且可以精细到建筑。这种网络化结构的定量解析与展示的关键在于本体的建构，本体可以理解为一种定量解析与描述城市形态的模式，这种模式既可以反映空间要素自身的特征，又可以定量刻画要素与要素之间的空间关系(图1)。

▲ 图1 | 知识图谱本体及城市形态对应关系

将本体运用到城市形态定量研究的领域，通过知识图谱解析城市形态的内在机制概括为“集成”“拓扑”与“转译”(表1)。

▲ 表1 | 知识图谱解析城市形态的内在机制

3

城市形态的知识图谱解析方法

3.1 集成：

多尺度城市形态要素的层级体系划分

基于分形视角对构成城市形态的基本要素进行再梳理。分形的基本特征是自相似性，即没有尺度或特征规模，既包括最小颗粒度的建筑分形特征，也包括城市形态的整体分形特征，这与知识图谱解析城市形态的方法较为契合。本文将构成城市形态的基本空间要素总结为水系、山体、道路、街区、用地和建筑，旨在满足大尺度城市形态的高精度定量解析，既可以反映城市形态的整体构成，同时也刻画到城市形态的最小颗粒度——建筑体量(图2)。

▲ 图2 | 城市形态要素的层级体系

3.2 拓扑：

建筑精度下的城市形态本体建构

构建城市形态的知识本体，并基于此对城市形态进行拓扑计算。城市形态的知识图谱本体主要包含两个部分：其一是实体（entities）及实体属性（entity properties），其二是关系（relationships）及关系属性（relationship properties），由两个部分共同交叉关联生成城市形态本体。其中，前者需要通过形态特征拓扑来实现对各类要素、属性、关系的定量计算，并根据实体的特点选取了用于刻画城市形态特征的实体属性；后者总体可划分为空间关系、距离关系、方位关系，相似关系，通过对不同的关系类型建构属性模式，用来表示不同关系的具体属性，例如包含关系的中心距离、相对偏转角属性，相似关系的相异度属性等(图3)。

▲ 图3 | 城市形态知识图谱本体

3.3 转译：

基于本体的城市形态图谱化解析

城市形态的图谱化解析可以概括为以下三个关键步骤：第一，概念关系库生成及结构化编码。第二，基于NEO4J的城市形态知识图谱网络生成及可视化。第三，基于聚类算法的城市形态解构及形态谱系划定。通过聚类算法对城市形态图谱网络进行解析，可以进一步得到城市形态的抽象谱系，它是在抽象模式上梳理、分类、归纳而总结得出的类型谱系脉络(图4)。

▲ 图4 | 城市形态谱系抽象流程

4

实证应用：南京老城

本文选择南京老城为研究对象，包括明城墙内的全部区域，主要包括鼓楼区、玄武区和秦淮区，总面积约50km²(图5)。

▲ 图5 | 南京老城研究范围

将本体及其关系网络导入到可视化软件后，用节点来表示城市实体，不同实体之间的连线表示两者间的关系，在整个南京老城区的尺度上，各个实体由层级关系、空间关系，相似关系连接形成完整网络(图6)。

▲ 图6 | 南京老城空间的知识图谱解析

注：街区形态类型过多图例无法逐一展示，仅罗列具有代表性的15种图例。

从局部单个街区的尺度来看，形成了以街区节点为中心的星型放射状结构，街区所包含的用地、建筑清晰地展示出不同街区具体包含的下层级用地、建筑实体和其丰富的实体属性，从局部层面保证了城市形态转译的颗粒度(图7)。

▲ 图7 |单个街区知识图谱结构

5

深度解析后潜在形态关系的再挖掘

基于关系属性与实体属性，知识图谱对南京老城城市形态要素的联系能够对于潜在的形态关系进行挖掘，根据关系路径进行精确或模糊查询检索，通过特定的目标条件，对于实体对应的实例进行目标识别，包括单一条件检索，例如搜索与秦淮河相邻的全部街区；多条件叠加检索，如与城市主干道相邻的高强度商业功能主导的街区等，同时基于检索得到的结果与其他实体的关系可对其结果进行二次的叠加，诸如此类需要人工投入大量精力的形态关系识别、挖掘工作，都可以在知识图谱中高效完成(图8)。

▲ 图8 | 潜在形态关系的挖掘流程

6

结语

基于知识图谱的城市形态解析，其本质在于通过网络化的结构语言，来精细化转译城市空间中整体与局部、二维与三维、布局与关联等复杂的形态关系，并通过知识本体中的关系、属性来实现定量计算，知识图谱为城市形态研究提供了新的量化途径与解构思路，为城市形态的基础研究探索与实践创新应用提供借鉴。

---

OpenKG

OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。

点击阅读原文，进入 OpenKG 网站。