在密集城市背景下识别基于自然的解决方案的潜在垂直空间：GeoAI方法

《Sustainable Cities and Society》：Identifying potential vertical spaces for nature-based solutions in dense urban context: GeoAI approach

　　

全球城市面临众多挑战，包括城市热岛效应（Urban Heat Island, UHI）、城市雨水管理以及气候变化。基于自然的解决方案（Nature-based Solutions, NBS）可以缓解这些影响，同时提供生态系统服务（Ecosystem Services, ES）和健康协同效益，然而在密集的城市肌理中改造NBS是困难的，因为合适的土地稀缺。建筑立面和屋顶上未充分利用或未使用的垂直空间可以提供增加绿化的机会，而不与地面土地竞争。然而，目前没有现有方法同时使用集成的人工智能（Artificial Intelligence, AI）和地理空间方法评估立面和屋顶垂直空间用于NBS；大多数研究侧重于屋顶绿化潜力。在本研究中，研究人员开发并评估了一个集成的GeoAI框架，该框架结合了应用于街景图像（Street View Imagery, SVI）的基础AI分割模型用于立面绿化评估，以及用于阿姆斯特丹密集城市背景下屋顶绿化评估的地理空间多准则方法。这里，绿化潜力指基于可测量表面积用于NBS集成的物理技术可行性。当应用于Mapillary SVI图像中的街道采样位置时，该框架在立面分割方面实现了平均交并比（Intersection over Union, IoU）为0.74，平均F1（Dice）得分为0.84，表明在检测潜在建筑立面区域方面具有高精度。结果表明，在主要住宅区，特别是面向街道窗户较少的建筑中，建筑立面绿化潜力较高。此外，10.0 km²的屋顶面积被归类为高度适合绿色屋顶实施。空间热点分析确定了几个屋顶绿化集群，而在立面中未观察到此类集群。研究人员提供了一个可复现的工作流程，用于在研究和实践中更广泛地实施该方法论，并提出了未来的潜在进展，以进一步评估建筑上方未使用或未充分利用的垂直空间的垂直绿化潜力。

**论文解读文章**

**研究背景与问题**
全球城市化进程加速，城市面临城市热岛效应（Urban Heat Island, UHI）、雨水管理、气候变化等多重挑战。基于自然的解决方案（Nature-based Solutions, NBS）通过提供生态系统服务（Ecosystem Services, ES）和健康协同效益可缓解这些影响，但在密集城市肌理中改造NBS困难重重，因为地面土地稀缺且竞争激烈。现有研究多聚焦于屋顶绿化潜力评估，缺乏同时评估建筑立面与屋顶垂直空间的方法，且未集成人工智能（Artificial Intelligence, AI）与地理空间技术。因此，研究人员旨在开发一个综合框架，系统识别密集城市中可用于NBS的垂直空间（立面和屋顶），以弥补这一方法论空白。

**研究内容与结论**
该研究发表于《Sustainable Cities and Society》。研究人员以荷兰阿姆斯特丹为案例区，构建了一个集成的GeoAI框架：针对立面，利用基于文本提示的Segment Anything Model（SAM）零样本分割街景图像（Street View Imagery, SVI），识别建筑立面和窗户，计算立面绿化潜力度（FGP）；针对屋顶，结合数字表面模型（DSM）、数字地形模型（DTM）、建筑登记数据（BAG），基于高度、坡度、年龄、面积等指标计算屋顶绿化潜力度（RGP），并过滤不适合的建筑。研究得出：立面分割平均交并比（IoU）为0.74，平均F1（Dice）得分为0.84，表明高精度；住宅区、少窗户建筑的立面绿化潜力高；10.0 km²屋顶面积被归类为高度适合绿色屋顶。空间热点分析（LISA）显示屋顶绿化存在显著聚类，而立面聚类不显著。该框架提供了可复现的工作流程，为城市尺度NBS实施提供了物理可行性评估基础。

**主要技术方法**
本研究采用的关键技术方法包括：（1）基于Mapillary SVI数据的自动采样点生成（每50米沿道路网络采样）与图像预处理（视角过滤、全景裁剪、垂直视角校正）；（2）基于Meta AI的Segment Anything Model（SAM）的文本提示分割（提示词“facades”和“windows”），结合SAMgeo工具包，实现零样本建筑立面与窗户分割；（3）基于LiDAR衍生的DSM和DTM（空间分辨率0.5 m）计算建筑高度和屋顶坡度，结合BAG数据库提取建筑年龄和面积；（4）多准则过滤与归一化评分（FGP、RGP），采用面积加权方法消除图像分辨率偏差；（5）空间热点分析使用局部莫兰指数（LISA）识别高/低潜力聚类。样本队列来源为阿姆斯特丹全市的建筑物（184,360栋）和36343个SVI采样点。

**研究结果**
**3.1 绿化潜力描述性统计**
通过立面分析，36343个采样点中，14901个具有低FGP（≤0.56），8170个中等（0.56–0.73），14272个高（≤1），平均FGP为0.60。屋顶分析中，184,360栋建筑中有100,247栋经筛选后适合，总屋顶面积20.8 km²（78%）为潜在绿化区域；其中10.0 km²（38%）被归类为高潜力（RGP ≤1），平均RGP为0.69。敏感性测试显示，严格阈值（S1）仅识别5926栋建筑（面积2.98 km²），而宽松阈值（S2）识别157,508栋（面积24.3 km²），但后者可能过于乐观。

**3.2 垂直绿化潜力评估**
立面高FGP出现在少窗户、大面积连续立面的建筑区域（如阿姆斯特丹北部和西北部住宅区），低FGP对应多窗户或门洞的建筑。屋顶高RGP出现在平坦、大面积、新建筑区域（如工业区Westpoort和Zuidoost），低RGP集中在历史中心区（陡坡、小面积、老建筑）。综合绿化潜力度（CGP）在200×200 m六边形网格中显示，市区中心值较低（0.62–0.72），外围分散存在高潜力区。

**3.3 空间格局分析**
利用局部莫兰指数（LISA）分析立面FGP：热点分散在南部、西部和北部，冷点位于城市边缘，市中心无显著聚类。屋顶RGP：热点集中在西北工业区（Westpoort）和南部远郊（Zuidoost），市中心形成显著冷点。综合CGP：大部分区域无显著聚类，仅少数冷点出现在西部和东部，表明同时具备高立面和高屋顶潜力的建筑分散分布。

**3.4 建模精度评估**
**3.4.1 立面分割精度**
手动标注10个随机采样点的SVI，计算SAM分割与人工掩膜的IoU和F1评分。立面分割平均IoU为0.86，窗户分割平均IoU为0.62，总平均IoU为0.74，F1（Dice）平均为0.84。20个分割掩膜中，10个为高质量（IoU>0.75），8个中等（0.5–0.75），2个低质量（<0.5）。主要误差来源包括：远距离窗户过度分割、鱼眼变形导致窗户粘连、植被遮挡导致遗漏、汽车或屋顶瓦片被误判为立面。

**3.4.2 屋顶绿化潜力评估**
随机选取10栋建筑进行视觉检查，7栋适合，3栋因高坡度或高高度不适合。与阿姆斯特丹市现有绿色屋顶数据库（339个记录）对比，76%的现有绿色屋顶被正确识别为适合，被过滤的屋顶（81个）中74个因坡度超过30°被排除。不适合屋顶的平均RGP为0.57，适合屋顶为0.68，表明模型与官方记录一致。

**讨论与结论**
讨论部分指出，本研究的主要方法论贡献在于首次将AI分割模型与地理空间分析集成，同时评估建筑立面和屋顶的垂直绿化物理可行性，填补了现有研究仅关注单一表面的空白。通过将建筑视为立体对象，该框架为城市形态学在NBS实施中的角色提供了实证基础。研究发现，历史中心区屋顶冷点源于陡坡、小面积和古老建筑，而立面潜力分散分布，无显著聚类，表明不同垂直空间受不同城市形态制约。局限性包括：SVI仅覆盖临街立面、未考虑阳台/门等障碍物、依赖DSM/DTM数据可用性、以建筑年龄替代结构承载力引入不确定性、未考虑社会接受度与成本。未来需开发立面面积估算方法、评估建筑承载力、进行大规模基准测试（如与CNN模型对比），并纳入立面朝向因素。研究结论翻译如下：
城市面临气候变化、城市热岛效应和雨水管理挑战。基于自然的解决方案（NBS）可提供自然、多方面的解决方案。由于城市空间宝贵，垂直空间（立面和屋顶）应被考虑用于绿化。为高效定位密集城市中的这些空间，研究人员开发了一种集成地理空间与人工智能（GeoAI）的方法，能够估算该类区域的立面和屋顶绿化潜力，并在阿姆斯特丹案例区展示了应用。该方法的优势在于以可扩展、自动化的方式唯一地协调立面和屋顶数据以识别潜在垂直NBS空间，但仍存在一些限制。未来应聚焦于整合可用立面面积估算、使屋顶评估更具可扩展性和灵活性，并在不同城市背景下进行额外验证。