街道要素潜力：基于调查性与生成式AI的魁北克省地质条件自组织建模

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Elemental potential of streets: A self-organizing model of the geological conditions of the province of Quebec using investigative and generative AI

　　

研究人员提出以街道段作为基本分析单元开展地质条件建模。通过大语言模型（LLM）替代人工专家评分，将原始地质数据转化为定性文本评估；借助自组织映射（SOM）将文本嵌入向量编码为一维连续潜势谱，形成“情境化数值（contextual number）”。研究中构建静态知识检索管线以降低人工智能幻觉风险，并在无预定义目标条件下让数据内部协同关系自发涌现。该方法将不可直接观测的地下潜力以语义“阴影”转译为可空间化的分区谱系，为建筑师、规划师与地质工程师提供早期设计阶段的可沟通工具，支持可持续立体城市主义下的地下资源识别与冲突协同判断。

研究背景与问题意识

城市地下空间常被视为“sub terra nullius”式的空白载体，既有规划多沿用“需求驱动资源”的反应式逻辑，而非对地下潜势进行战略性认知。地质与岩土专业知识往往在选址确定后才被调用，导致地下知识难以向上传递给建筑与城市规划决策者。传统方法依赖层次分析法（AHP，Analytic Hierarchy Process）与专家打分，不仅人力成本高，还易受地方认知偏见影响，忽视低温地热、地下水、地质材料（geomaterials）之间的系统协同与冲突。现有系统论框架仍多预设功能目标，难以容纳地下介质的拓扑可塑性与不可直接观测性。

研究开展与核心结论

研究人员以加拿大魁北克省为案例，将街道段定义为城市地表与地下交互的基本摩擦单元，构建“障碍导向（obstacle-oriented）”而非“目标导向”的计算框架。通过OpenStreetMap街道网络、基岩与第四纪地质图层，进行街道尺度地质采样；以静态查找表与受约束提示词驱动LLM生成五类资源潜势叙述；再用文本嵌入与一维自组织映射（SOM）将语义信息转为连续分区谱。结果显示，该方法可在无人工专家打分、无预设权重条件下，稳定区分加拿大地盾结晶基底与圣劳伦斯低地沉积盆地之间的差异，并自下而上浮现资源协同与冲突簇。研究意义在于把地质知识前置于概念设计阶段，形成“Phase 0”决策支持协议，使地下潜力从不可见障碍转为可导航的拓扑场。

主要关键技术方法

研究以魁北克全省街道对象（290,266条去重街道段）为分析队列，结合省级基岩与表生沉积物矢量数据。关键方法包括：基于OSMnx的空间抓取与网格化地质邻域采样；构建33类岩性查找字典与受限提示词管线，使用gpt-4o-mini生成场地级文本评估；采用text-embedding-3-large将五类叙述向量化；以numbasom实现1000神经元一维SOM训练，将高维语义投影为连续上下文数值；并通过相同地质剖面组的离散度分析验证稳定性，再以HDBSCAN做空间—潜力混合聚类。

研究结果

4.1 魁北克地质图景：表生与基岩建造

通过空间分布分析发现，省域大部分为前寒武纪地盾结晶岩，城市走廊则以古生代碳酸盐岩、泥岩与砂岩为主，上覆冰碛、冰海黏土与砂砾层。该异质性决定了后续街道尺度潜势评估的必要性。

4.2 全省街道潜势变异

基于SOM分区谱直方图，研究人员在地质材料、地热、地下水、地下空间及协同冲突五个维度上识别出明显 lithologic divide：碳酸盐岩高地热与高地下水潜势但伴生岩溶风险；泥岩区潜势受限但具自封闭与废弃物阻隔属性；结晶岩区稳定性强但热提取策略不同。

4.3 蒙特利尔、魁北克城与莱维斯城市区潜势

结合UTM坐标与标准化潜力值做加权密度聚类，识别出碳酸盐平台高承载街区与泥岩约束街区，证明街道尺度指标可落地到邻里级地下容量判别，并提示快速黏土、岩溶与塑性变形等工程风险。

讨论与结论翻译

讨论指出，该方法超越AHP的静态权重逻辑，LLM在此不是决策代理而是语义转译层；局限包括街道单元对未开发区的盲区、缺乏真三维地层厚度、以及与AHP未做外部基线比对。结论部分可译述如下：

“研究人员批判以‘需求到资源’为主导的范式，论证地下整合受阻于专家知识边缘化与传统评分瓶颈。通过障碍导向框架，以街道段为建模单元，借助静态知识检索与大语言模型生成定性评估，再由自组织映射转为连续分区谱。该预特定建模（pre-specific modeling）不输出绝对适宜性标签，而输出由全省数据拓扑关系定义的情境化数值。案例证明方法可捕捉地盾稳定区与低地冲突区差异，并让协同与冲突作为语义簇自然涌现。框架可作为Phase 0协议，使规划者在详细勘察前预见地下动态。”

总体而言，论文将生成式AI、嵌入表征与自组织拓扑学习引入城市地质评价，把“不可见地下”重构为可沟通、可计算、可扩展的街道潜势谱系，对立体城市主义与早期设计决策具有方法论启示。