解读城市土地利用：利用表示学习方法对美国105个城市的建成形态进行类型学分析

《Land Use Policy》：Deciphering urban land use: A typological analysis of built form across 105 urban areas in the U.S. using representation learning

城市形态类型学分析基于185,745张建筑图底地图，运用SwAV模型识别出七类建筑形态类型，揭示区域差异与城市梯度内形态多样性峰值现象，为形式编码和治理边界划定提供依据。

　　
本研究以美国105个主要都市区为对象，通过大规模图像分析技术揭示城市建成形式的类型学特征及其空间分布规律。研究团队基于185,745张建筑图式-地面地图（Building Figure-Ground Maps），创新性地采用Swapped Assignments between Multiple Views（SwAV）图像聚类框架，突破传统形态计量学依赖人工设定的参数阈值限制，实现了对城市物理形态的自动化识别与分类。该方法通过多视角特征交换机制，有效解决了大规模图像数据中局部特征干扰问题，显著提升了城市形态分类的准确性和鲁棒性。

研究首先构建了覆盖美国本土主要城市的高精度图式数据库。数据来源包括政府公开的地理信息系统（GIS）数据、卫星遥感影像及专业建筑数据库，经标准化处理形成统一格式的大规模图像集。研究团队特别强调，图式-地面地图采用二值化处理，仅保留建筑实体与公共空间的基本拓扑关系，这种简化处理既保留了形态学分析的核心要素，又规避了复杂参数设置带来的偏差风险。

在类型学识别阶段，SwAV模型通过自监督学习机制，自动提取图像深层语义特征。与传统CNN网络不同，SwAV采用交换式聚类算法，在保持图像空间连续性的同时实现高效分类。研究结果显示，传统文献中提及的"复合型结构""混合型布局"等经典类型被重新解构，最终归纳出七大典型形态，其中"紧凑环状与棒状组合体（CLLP）"和"离散环状与棒状组合体（DLLP）"两种新类型首次被系统确认。值得注意的是，这两种新类型覆盖了研究区域超过50%的建成空间和75%的人口分布，这为理解当代美国城市扩张模式提供了新的视角。

区域差异分析揭示了显著的地理分异特征。研究将美国本土划分为东北部传统工业区、中部农业过渡带、西南部新兴科技区等三大功能区域，发现CLLP类型在东北部占主导地位（占比38.7%），其特征表现为高密度环状布局与线性街道网络的有机组合；而DLLP类型在中西部农业带表现突出（占比42.1%），呈现出低密度分散环状结构；在科技导向的西南部，混合型（Urban Mix）与离散环状（DLLP）形成互补格局。这种空间分异不仅验证了经济基础决定建筑形态的理论假设，更揭示了不同区域发展阶段与形态生成的内在关联。

梯度分析发现城市形态具有显著的空间分异规律。沿城市核心-边缘梯度展开，形态多样性在5%-30%梯度区间达到峰值。具体表现为：在0-5%梯度段（核心区），大型建筑集群（Large-format Buildings）占比达61%；在5-15%梯度段（近郊），混合型（Urban Mix）与紧凑环状（CLLP）形成交替分布格局；15-30%梯度段（远郊），离散环状（DLLP）与稀疏斑块（Sparse Patch）占据主导地位；超过30%梯度段（郊区外），所有复杂形态均退化为单一种类。这种梯度变化规律为理解城市空间演替机制提供了实证依据。

研究创新性体现在三个维度：其一，构建了全球最大规模建筑图式数据库，突破传统研究样本局限；其二，开发新型机器学习分类框架，实现从图像特征提取到类型划分的端到端自动化；其三，首次将城市梯度理论与类型学分析相结合，揭示形态多样性随空间衰减的动态过程。该方法论突破为后续研究提供了可复制的分析框架，特别是在城市更新规划中，可精准识别不同梯度段的核心形态特征，为制定差异化管控策略提供科学依据。

实践应用方面，研究成果为城市规划管理提供了双重支持：在空间规划层面，类型分布规律可指导多中心城市群规划，优化核心-边缘功能配比；在政策制定层面，CLLP与DLLP的占比变化与人口流动、产业集聚存在显著相关性，为区域协调发展政策提供数据支撑。研究团队特别指出，新类型DLLP的广泛存在揭示了当前美国城市蔓延趋势的新特征——低密度开发与交通节点形成复合型增长极。

研究局限与未来方向：样本主要集中于美国都市区，需补充发展中国家的对比分析；机器学习模型对非典型建筑形态的识别精度有待验证；梯度分析中未考虑地形地貌的干扰因素。建议后续研究可引入多源数据融合技术，结合社交媒体画像分析，构建动态形态演变模型。

该研究通过技术革新拓展了建成环境分析维度，其揭示的形态分异规律与区域发展特征具有重要启示：在数字化浪潮下，机器学习技术为城市形态研究提供了新的方法论，但需警惕算法黑箱带来的解释力缺失。未来研究应注重跨学科融合，将机器学习特征提取与社会科学理论解释相结合，真正实现从数据驱动到知识生产的转化。