基于卷积神经网络的农村聚落空间形态分类与空间特征研究——以成都平原为例

《ENERGY AND BUILDINGS》:Research on the classification and spatial characteristics of rural settlement spatial morphology based on convolutional neural network——A case study of the Chengdu Plain

【字体: 大 中 小 】 时间:2026年08月05日 来源:ENERGY AND BUILDINGS 8.0

编辑推荐:

  摘要 成都平原的林盘聚落是一种独特的乡村景观,将自然、建筑与植被融为一体,对建筑的被动性能及微气候调节具有重要意义。然而,快速的城镇化进程使得这些聚落的空间形态日益同质化,逐渐破坏了原有的植被缓冲、遮荫及自然通风功能,而这些功能曾使建筑制冷能耗降低2–3℃。依赖定性实地调查的

  摘要
成都平原的林盘聚落是一种独特的乡村景观,将自然、建筑与植被融为一体,对建筑的被动性能及微气候调节具有重要意义。然而,快速的城镇化进程使得这些聚落的空间形态日益同质化,逐渐破坏了原有的植被缓冲、遮荫及自然通风功能,而这些功能曾使建筑制冷能耗降低2–3℃。依赖定性实地调查的传统分类方法难以在大范围内捕捉与能源消耗相关的空间特征。为解决这一问题,本研究采用基于TensorFlow框架的卷积神经网络深度学习方法。我们从20个县级区域收集了2000张带有地理标记的图像(1600张用于训练,400张用于测试)。为处理不同视角的图像(航拍、街道视角和建筑立面),我们设计了混合架构,包含针对不同视角的预处理机制以及跨视角注意力机制。传统CNN模型的准确率仅为12%,反映出不同类型林盘在形态上的高度相似性。通过引入Xception模型的迁移学习技术,识别准确率提升至31%。混淆矩阵进一步揭示了各聚落之间的概率相似性,从而实现了客观、数据驱动的分类。结合模型输出结果与遥感验证,我们将林盘分为四种空间类型:河谷/江岸型、平原型、高山型和丘陵型——每种类型在被动降温潜力、避风效果及太阳能利用方面各有特点。31%的准确率不仅反映了技术上的限制,也表明城镇化导致的空间同质化正在削弱这类传统乡村景观的能源性能与热稳定性。最后,我们提出了针对不同类型林盘的个性化保护与修复策略,说明尽管当前存在局限,但基于CNN的分析仍能为构建将聚落形态与能源性能相关联的量化框架提供依据,从而支持适应气候变化的景观保护与低碳乡村发展。

引言
成都平原的林盘聚落是川西平原的核心景观[1],具有重要的生态、经济和文化价值。在独特的历史、地理、气候及生态条件影响下,这些聚落在空间形态上展现出鲜明的地域特征,包括地形适应性、建筑结构、表面材料以及聚落布局[2]。然而,上世纪中国的城市化进程严重破坏了林盘的生态环境与空间特征。为应对这一问题,政府在2000年代初启动了川西林盘保护工程[3],研究林盘的空间形态与分布特征是该保护工作的重要组成部分。

林盘聚落是成都平原特有的乡村聚落模式,将生态、生产与生活功能整合为一种耦合的空间系统。从生态角度看,林盘系统通过树木、竹林和水系形成微气候调节单元,实测数据显示夏季气温可降低2–3℃[4],且每个林盘平均拥有28种本地植物[5]。相比之下,成都平原上没有林盘的普通农舍平均仅有12–18种本地植物。这些微气候优势——通过植被遮荫和蒸散作用实现被动降温——直接降低了建筑的空间调节能耗,为符合现代低能耗建筑理念的气候响应式设计提供了传统范本。从文化角度而言,大多数传统林盘建筑严格遵循风水布局原则,体现了川西农业文明“天人合一”的生态智慧,而其紧凑的庭院布局则进一步提升了自然通风效果与居住舒适度。

林盘系统具有典型的空间层级特征:在微观尺度(0.1–0.5公顷)上,每个单元通常包含5–15户家庭,木本植被覆盖率超过40%;在中观尺度(1–3平方公里)上,聚落通过水系和田间道路以300–500米的间隔相互连接,形成集群;在宏观分布层面,不同区域的密度差异明显,都江堰灌区每平方公里有12个林盘单元,而东部丘陵地区仅为4个单元。一个典型的林盘由四个结构要素构成:首先是以桢楠和桤木为主的防风林,覆盖面积超过60%;其次是为数众多的传统木结构瓦屋顶庭院住宅,其中87%采用L形或U形布局,以优化日照与避风效果;第三是水系网络,每个林盘平均有2.3个池塘或沟渠,有助于蒸发降温与微气候调节;最后是农户的蔬菜园和药用植物园,既保障当地食物供应,又减少了食物运输过程中的能源消耗。

自20世纪80年代以来,快速的城市化进程极大地改变了林盘系统。1990年至2010年间,由于城市扩张,30%的郊区林盘消失,例如郫都区林盘数量减少了42%。目前,林盘面临着多重挑战:由于基础设施碎片化,空间连通性下降了57%;传统建造技术的存活率低于15%;而径流调节与微气候调节等生态服务功能则下降了40%。这些被动环境调节功能的丧失直接增加了周边城市化地区的能源消耗,因为植被降温与水文调节功能被高能耗的机械系统所取代。尽管已有保护措施——如将温江区的452处林盘列入保护名录并推动乡村旅游发展——但整个系统仍在持续退化,亟需基于气候响应设计原则的更科学的保护与适应性更新机制。

研究川西林盘空间形态的首要任务是区分不同县域尺度下林盘之间的形态差异[6]。这些差异源于多种因素,包括当地的文化历史、地形、坡向、植被类型与覆盖率、本土材料以及微气候,最终体现在聚落布局与形态上。这些细微差别体现了林盘的地域特色与独特性,承载着其区域与文化价值[7]。然而,要完成此类分类任务,需要克服两大技术瓶颈:首先,传统的定性实地调查产生的数据零散且效率低下,高度依赖研究人员的个人经验与主观判断,难以在大范围县域区域内获得系统、可比较的分类结果;其次,不同类型林盘之间的形态边界往往较为模糊且连续,仅依靠人工观察很难精确量化反映地域差异的细微空间特征。

互联网与大数据的发展为突破这些瓶颈提供了新的数据基础[8]。遥感卫星图像以及聚落建筑的游客照片在网络中大量存在,便于大规模收集林盘空间形态数据。然而,面对海量、多源且非结构化的图像数据,传统的手动解读方法同样力不从心。这正是机器学习技术介入的契机——卷积神经网络作为强大的图像特征提取与模式识别工具,能够从大量视觉数据中自动学习出聚落形态的深层表征,以统一、可重复的量化方式区分不同县域间的林盘空间差异。近期研究已证明,CNN在城市能源建模、建筑存量分析以及微气候研究中具有显著效果,而这些应用与聚落形态分类在方法论上具有共通性[9]。目前,机器学习技术已在中国农村研究领域得到初步应用:华南理工大学的肖大伟教授团队利用CNN进行了传统村庄分类;武汉大学的宋景华教授团队则用CNN分析了聚落格局[10]。不过,专门针对林盘空间特征提取与分类的机器学习研究——尤其是那些与能源性能评估及气候响应型规划相关的研究——仍然相对较少。

为填补这一空白,本研究提出利用卷积神经网络模型,对成都20个县级行政区的林盘聚落图像进行分类识别。通过模型输出的混淆概率量化不同区域林盘形态的相似性,并结合遥感图像验证分类结果,旨在建立一种客观、数据驱动的林盘空间形态分类框架。该方法旨在解决传统分类方法中的主观性与效率问题,为“因地制宜、分类实施”的林盘保护项目提供技术支持,同时为成都平原乡村聚落的空间优化与产业发展战略制定奠定分类基础。尤为重要的是,通过将形态类型与其微气候及能源相关性能——如被动降温潜力、避风效果及太阳能利用能力——联系起来,本研究旨在为气候适应性保护策略提供依据,从而降低建筑能耗并提升热稳定性,这与能源、气候及可持续建筑环境领域的跨学科研究目标高度契合(注:本研究中的“林盘聚落”指成都平原上的乡村聚落)(见图2)。(见图1。)(见图7。)(见图25、图26。)(见表1。)

研究区域概述
成都位于四川盆地西部,青藏高原东缘,东北与德阳接壤,东南与资阳相连,南邻眉山[9],西南与雅安相邻,西北与阿坝藏族羌族自治州为邻。其经度范围为102°54′至104°53′,纬度范围为30°05′至31°26′。2021年,成都市总面积为14,335平方公里。成都下辖20个县级行政区,其中包括……

基于TensorFlow的深度学习框架
TensorFlow是由谷歌开发的第二代深度学习框架,旨在将复杂的数据结构传递给人工神经网络进行分析处理。该框架完全开源,具备良好的可移植性、扩展性及高效性,但在某些场景下灵活性稍逊。TensorFlow支持构建多种类型的人工神经网络架构。在本研究中,我们使用Google Colab平台上的TensorFlow框架来构建……

数据收集与预处理
本研究使用Python从成都20个县收集了百度和谷歌平台上与林盘聚落相关的图像。对于每个县级行政区,我们手动筛选了100张与当地林盘建筑及景观场景密切相关的图像,这些图像包括航拍图、街道视角图以及相应区域的建筑立面图。筛选标准要求图像能够反映地形、景观格局、空间尺度、建筑风格等特征。

讨论
本研究将四川的林盘聚落分为四种类型:平原型、河谷型、高山型和丘陵型,并重点分析了它们在能源利用与微气候方面的影响。从景观生态学角度看,地形是决定水热条件空间分布的基础因素,而水热条件又直接影响建筑的被动环境性能。平原型林盘呈现出与冲积水系相融合的网格状格局……

结论
成都各区县林盘聚落的空间形态是地理环境、社会经济因素、自然生态条件、当地建造技术以及历史背景共同作用的结果,这些因素均直接影响建筑的能源性能与微气候调节能力。本研究采用基于卷积神经网络的深度学习模型,计算了不同区域林盘空间格局的混淆率……

作者贡献声明
刘扬刚:撰写——初稿、可视化、验证、软件、资源、项目管理、方法论、调研、正式分析、数据整理、概念构建。舒波:撰写——审阅与编辑。陈阳:验证工作。张浩:可视化工作。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

刘扬刚|舒波|陈阳|张浩
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号