《Coatings》:Building Community Discovery by Integrating Spatial-Cognitive Knowledge with Graph Representation Learning
编辑推荐:
建筑群组发现旨在识别空间连续且认知一致、能够代表有意义城市空间结构的建筑群体。现有方法主要将几何相似性、空间邻近和拓扑邻接关系与手工分组规则或监督学习相结合,但很少利用空间认知知识来引导学习过程,从而限制了区分普通几何邻接与具有认知意义的建筑关联的能力。为克服
建筑群组发现旨在识别空间连续且认知一致、能够代表有意义城市空间结构的建筑群体。现有方法主要将几何相似性、空间邻近和拓扑邻接关系与手工分组规则或监督学习相结合,但很少利用空间认知知识来引导学习过程,从而限制了区分普通几何邻接与具有认知意义的建筑关联的能力。为克服这一局限性,本研究提出了一种知识引导的图表示学习框架用于建筑群组发现。首先,通过整合建筑属性、空间关系和认知组织原则构建了空间认知建筑知识图谱(SCB-KG)。然后,将空间认知知识量化为相邻建筑之间的认知亲密度,并将其纳入图神经网络模型,以引导自监督图表示学习。最后,利用学习到的节点嵌入通过基于图的社区发现方法识别建筑群组。跨越50个城市的实验结果表明,该方法能够生成具有良好空间连续性和认知一致性的建筑群组。对比分析和消融研究进一步证实了将空间认知知识与图表示学习相结合的有效性。
**论文解读:融合空间认知知识与图表示学习的建筑群组发现**
**一、研究背景与问题**
建筑群组是空间认知过程中形成的城市形态单元,是制图综合、城市形态分析与空间认知研究的重要对象。其发现的核心目标是从建筑数据中识别出具有空间连续性、认知一致性和地图表达意义的群体结构,旨在揭示建筑如何通过空间关系和认知组织机制构成有意义的城市街区或组团。然而,现有研究面临多重挑战。基于属性的聚类方法在属性空间中操作,难以保证地理空间的连续性;基于空间邻接图的方法通常将图边视为同质连接,无法区分简单的几何邻接与具有认知意义的关联;规则驱动的方法依赖人工设定阈值,难以自适应建模复杂城市环境中的认知关联强度;而传统图神经网络虽能建模高阶邻域结构,却高度依赖监督样本,且在缺乏显式空间认知引导时,所学表示往往偏向属性统计和拓扑结构,忽视了感知分组原则。
上述研究均将空间认知知识当作描述性规则,而非可直接约束表示学习的图化知识。因此,如何将建筑形态、空间关系与认知原则量化为可计算、可学习的约束,使模型能够区分普通几何邻接与认知意义关联,成为知识驱动的建筑群组发现的关键难题。
**二、研究内容与意义**
针对上述挑战,研究人员提出了一种知识引导的图表示学习框架。该框架通过构建空间认知建筑知识图谱(SCB-KG),将认知组织原则量化为相邻建筑之间的认知亲密度,引入自监督GraphSAGE模型学习建筑节点的高维嵌入,最终通过加权社区发现算法识别群组。该研究证明了将空间认知知识进行图化编码,并融入无监督、自监督表示学习的巨大价值,为建筑群组发现提供了全新的知识驱动范式。论文发表在《Coatings》。
**三、关键技术方法**
研究对象来自2021年高德地图获取的50个中国城市建筑数据集,全部统一转换为WGS 84地理坐标系。框架由三个核心步骤构成:其一,构建空间认知建筑知识图谱,采用标记属性图(LPG)数据模型,利用Delaunay三角网生成候选空间邻接关系,并通过加权调和平均综合邻近、形状、朝向、尺度与高度五种认知线索,形成边级认知亲密度约束;其二,知识引导的表示学习阶段,采用三层GraphSAGE编码器(隐藏层维度128、输出维度64),结合认知亲和力构建正样本、随机采样负样本,并通过正样本对齐、负样本边际损失和方差正则化进行无监督训练;其三,利用Leiden算法在嵌入相似度加权的建筑图上进行社区划分。
**四、研究结果**
**1. 有效性验证**
研究人员在香港、重庆及多个代表性区域评估了方法的有效性。结果表明,该方法能在高度异质的城市形态中生成空间连续、形态紧凑且边界清晰合理的建筑群组。群组边界总体沿主要道路、河流及形态学突变处分布。对50个城市的跨区域统计显示,平均群组规模为88.01,平均群组数为717.32,群组规模Gini系数为0.5654,避免了过度碎片化或过度聚合。图结构指标方面,平均加权模块度达0.9841,平均加权覆盖率为0.9885,平均电导率为0.0111。认知一致性方面,内部认知亲密度(0.4786)约为外部认知亲密度(0.0466)的十倍,表现出清晰的认知边界。以路网街区为外部参照的定量验证中,街区包含率(BCR)达0.8178,标准互信息(NMI)为0.9048,调整兰德指数(ARI)为0.5326,表明检测结果与可观察的城市街区结构高度契合。
**2. 消融实验**
在香港数据集上,认知知识消融实验显示,完整方法取得了最优性能(加权模块度0.9716,认知分离度5.9708)。在单一认知线索中,仅基于邻近性的方案效果最佳,而单独使用形态、朝向、尺度或高度线索均难以形成稳定的认知边界。移除任何认知线索都导致性能下降,其中移除邻近性影响最大,证实了邻近性的主导但不充分作用。模型组件消融中,移除认知知识后仅产生27个过度聚合的群组,证明认知引导对避免过粗划分至关重要;无图嵌入或无负样本损失则导致大量不连通组件,表明图表示学习和负采样约束是维持嵌入区分度不可或缺的部分。
**3. 对比分析**
相较于KMeans、DBSCAN、MST-cut、Louvain、SKATER、SC-Agglo以及Node2Vec、图自编码器(GAE)、图卷积网络(GCN)、图注意力网络(GAT)等多种基线方法,该方法取得了最优的加权模块度(0.9716)、加权覆盖率(0.9768)和认知分离度(5.9708),并揭示了对现有方法的明显优势:属性法破坏空间连续性,密度法过度聚合,空间图划分缺乏认知敏感性,通用图嵌入难以对齐空间认知组织原则。此外,图结构对比实验证实Delaunay优于KNN和最小生成树(MST),负采样策略中默认的随机采样优于距离感知和难负例策略。
**4. 参数敏感性分析**
通过逐一扰动相似度函数参数、认知亲和力聚合方式以及正样本边选择策略后发现,加权调和平均显著优于几何平均和算术平均,体现了其对认知维度间补偿效应的抑制作用;当前采用的邻近尺度调整系数0.35、形状权重0.55/0.45、35%分位数阈值及TopK=2等配置,为群组粒度、空间连通性和认知分离度提供了稳定的均衡,而非仅优化单一指标。
**五、讨论**
讨论部分明确指出,SCB-KG本质上仍是一个计算接口,而非基于RDF/OWL的语义推理系统。加权模块度、覆盖率和认知分离度等指标主要反映的是所构建空间认知图内部的属性一致性,不应被视为独立的感官金标准,路网街区仅提供了外部空间合理性参考。研究中存在的不确定性主要来自参数变化、Delaunay三角网可能横跨道路或水体产生弱关联边,以及负采样策略对嵌入结构的影响。跨城市实验验证的是整个工作流的适用性,而非单一编码器的归纳迁移能力。未来工作应关注共享跨城市表示、自适应认知关系学习、异构数据条件和显式障碍感知的空间关系,以提升模型的迁移性和稳健性。
**六、研究结论**
本研究提出了一种用于空间认知建筑群组发现的知识引导图表示学习框架。通过构建空间认知建筑知识图谱、推导边级认知亲密度,并将这些知识嵌入基于GraphSAGE的自监督学习过程中,该框架将感知分组原则转化为可学习的图约束,以用于社区检测。跨越50个城区的实验表明,该方法能够在无人工标签的情况下发现空间连通、结构紧凑且认知一致的建筑群组。消融实验证实多个认知线索需要联合发挥作用,而图表示学习进一步强化了群组边界的判别力。对比分析表明,该方法的加权模块度、加权覆盖率和认知分离度分别达到0.9716、0.9768和5.9708,比对比方法分别高出0.0156–0.4385、0.0139–0.4403和2.1282–5.1711。总体而言,该研究证明了在建筑群组发现的图表示学习中引入空间认知亲和力的重要价值。未来工作将聚焦于扩展知识约束并提高其在不同城市形态中的适应性。