深度學習與特征參數結合的人工智能輔助傳統村落保護規劃探索

范勇 李玄 肖文杰

(濟南大學土木建筑學院)

1.現有參數化與深度學習技術輔助規劃設計方法梳理

參數化設計是參數化技術在工程建設領域的拓展應用[1]，參數化設計在應對復雜空間問題時具有科學、動態、高效等綜合優勢，成為彌補規劃設計過程中主觀經驗主義影響的重要輔助手段。參數化設計通過將空間形態轉化為特征參數和生成規則，構建客觀、量化的空間組織邏輯，提高了規劃設計的科學性和效率，為城鄉規劃、建筑設計行業的設計理念、設計方法和流程帶來了重大的創新和突破[2]，已有參數化設計方法構建起“規則制定-方案生成-模擬優化”的空間形態規劃設計的系統框架。

近年來，隨著數字技術和人工智能研究的突破性進展，規劃設計成果的自動生成和優化研究逐漸深入，使規劃設計逐步走向智能化[3、4]。深度學習作為當前人工智能研究領域的核心技術之一，其對復雜特征的提取具有顯著的優勢，在對大量數據自主學習的基礎上，通過逐層特征轉換，將原始空間特征提煉形成更高維度空間的特征，快速、準確的挖掘數據背后的潛在規律，更有利于分類、預測和生成相似的同類型數據，逐漸被應用于規劃設計方案的生成中[5]。卷積神經網絡（CNN）、循環神經網絡（RNN）、生成對抗網絡（GAN）、BP 神經網絡等是常用的深度學習技術。在人居環境領域，已有研究團隊基于深度學習技術進行了規劃設計方案自動生成的實驗，利用卷積神經網絡（CNN）提取空間形態特征要素，利用對抗生成網絡（GAN）等預測生成空間形態[6]。來自清華大學的研究團隊探索了智能規劃領域最新的研究成果，提出了強化學習的城市社區空間規劃模型與方法，并實現了人類規劃師與人工智能算法協作的城市規劃流程，展示了人工智能技術在城市規劃領域解決復雜規劃問題的潛力，為智能城市的自動化規劃提供了全新思路[7]。此外，在城市設計中的平面布局方案及立面剖面方案生成[8]、居住區規劃中的建筑強排[9]、建筑形態和建筑風格的遷移[10、11]等方面人工智能輔助規劃設計也取得了豐富的研究成果。

當前人工智能輔助規劃設計多局限于約束條件少、規律性強的小空間尺度，對大尺度空間以及鄉村空間形態布局的智能規劃研究相對較少。智能規劃主要基于深度學習中的圖像生成技術，由于深度學習在生成過程中的“黑箱”機制使運算過程不可控，無法判斷生成結果，導致智能生成的方案與現實規劃設計需求和空間組織邏輯存在銜接的誤差。因此，本研究聚焦傳統村落空間風貌保護，基于深度學習的空間數據識別和方案自動生成，結合參數化規則提取的人工方案校驗和優化，探索人工智能在輔助傳統村落保護規則編制中的應用路徑。

2.人工智能輔助傳統村落保護規劃方法框架

2.1 數據收集：構建傳統村落空間形態數據庫

案例數據庫是深度學習算法的基礎，人工智能輔助的規劃設計應符合規劃設計工作邏輯，確保生成的方案模仿訓練案例特征，并與訓練數據集保持一致，這就需要構建一個包含盡可能完整和豐富的空間形態數據庫。針對傳統村落保護規劃方案的自動生成，深度學習不能局限于村落內部樣本數據的學習，應考慮地理空間單元、文化圈層、社會經濟特征對傳統村落空間演進的影響，從聚落、道路、建筑三個層級搭建傳統村落空間形態特征數據庫，通過聚類算法對傳統村落進行聚類劃分，提取同一類型的村落的多類型空間特征，構建同類型村落、多特征要素的空間形態案例庫，將空間信息轉換為數據圖譜，促進深度學習過程更快收斂，更好地理解傳統村落空間形態的語義和特征。

2.2 模型訓練：建構傳統村落空間特征規則體系

模型訓練是利用初始傳統村落空間特征案例庫，通過深度學習提取傳統村落空間特征，將傳統規劃設計的思維和設計邏輯轉化為人工智能可理解的規則，這是人工智能輔助規劃設計的一個關鍵環節。卷積神經網絡（CNN）可以從訓練數據中學習并自動提取圖片特征，是模型訓練的主要應用方法?；诰矸e神經網絡對采集的村落空間特征圖像進行自動識別歸類，提取地形地貌、邊界形態、街巷肌理、公共空間、建筑特征等顯著性淺層特征以及空間特征之間相互關聯的深層特征，得到空間特征參數的規則特征及相互聯系。同時，將已有參數化的空間特征數據作為訓練輸入，將規劃師設計思維融入到模型訓練中，使人工智能更好的捕捉空間特征的規律，提高模型訓練的收斂速度和準確性[12]。模型訓練為后續方案生成中通過特征參數控制，引導方案生成的方向，實現符合實際情況的保護規劃目標打下基礎。

2.3 互動設計：建立人機交互的智能方案生成系統

深度學習技術能夠精準提取、編碼復雜的真實空間形態特征，具備快速生成在地性強、適應性好的空間形態能力，有效避免人為主觀因素對方案生成過程的消極影響。但傳統村落保護規劃是在豐富多樣的底圖上進行的，現狀條件是方案編制的前提和基礎，同時，傳統村落保護需要考慮空間要素保護和村民發展訴求等多重約束條件，這些內容需要人工搭建空間特征評價體系并提取有效的特征參數，而這是機器學習所不能完成。所以人工智能輔助規劃設計不是一蹴而就，需要規劃師結合村落現狀空間實際、保護和發展的約束條件對智能生成方案進行形式、功能和實現路徑的調整，最終轉化為規劃師思維導向下的規劃方案。人工智能輔助規劃設計是一個循環連續的學習過程，智能生成方案與現狀要素、約束條件之間的反饋，可引導規劃師及時對方案進行評估、篩選和調整，使規劃師的智慧深度介入人工智能方案生成過程中，打破人工智能和規劃師之間的藩籬。人工智能輔助傳統村落保護規劃的技術路線如圖1 所示。

圖1 人工智能輔助傳統村落保護規劃技術路線（圖片來源：作者自繪）

3.人工智能輔助傳統村落保護規劃的應用路徑

3.1 在傳統村落三級保護區劃定中的應用

當前，我國傳統村落保護發展規劃編制中一般將保護范圍劃分為核心保護區、建設控制地帶和環境協調區，實行三級分區保護。在保護分區范圍劃定的過程中，傳統村落的歷史文化價值、自然環境價值、社會經濟價值等是重要的考量，但傳統村落價值的判斷多受規劃師主觀因素的影響，由此在保護范圍劃定時存在簡單、機械、不客觀的問題。人工智能在輔助傳統村落保護區域范圍劃定中，可通過識別和提取建筑、院落、肌理等空間信息，進而更加精準的劃定保護區域范圍和邊界，促進傳統村落保護分區劃定由粗放向精準的模式轉變（圖2），為科學實施傳統村落保護工作提供支撐。

圖2 傳統村落三級保護區域劃定的模式轉變（圖片來源：作者自繪）

3.2 在傳統村落空間風貌保護與傳承中的應用

（1）傳統村落空間拓展中的肌理沿續

傳統村落空間是一個動態發展的過程，在持續的空間拓展中形成不同時期空間肌理的拼貼。尤其是自我國快速城鎮化和工業化進程開啟后，隨著村落人口的變化和村民居住需求的提升，大規模的村落建設行為對傳統村落空間肌理產生了巨大的沖擊，如何延續傳統村落空間肌理，使新舊空間風貌協調是傳統村落保護中需要考慮的重要內容。通過人工智能輔助方法，在大量傳統村落案例學習訓練的基礎上，結合空間特征參數反饋的互動設計，生成與原有空間肌理相似的空間規劃方案，為傳統村落保護利用規劃的方案比選、優化提供參考。

（2）傳統村落開發利用中的風貌協同

活化利用是傳統村落保護發展的重要方式，但鄉村生活自組織狀態下形成的村落空間格局與滿足文旅開發等市場需求的空間模式存在一定沖突，在活化利用中需要對傳統村落原有的空間格局和肌理進行適當的調適。然而，在當下傳統村落活化利用中多側重于開發建設，過度商業化、過度旅游化加劇了傳統村落的開發性破壞（圖3），協調好保護與活化利用之間的關系也是傳統村落保護中面臨的重要挑戰。借助深度學習技術，結合村落開發對空間新的需求特點，對道路街巷、公共空間、院落建筑等提出適合的特征參數并反饋至深度學習算法中，生成即能延續傳統村落空間風貌特征，又滿足活化利用空間需求的規劃方案。

圖3 傳統村落開發利用中的空間風貌不協同問題（圖片來源：山東省地理信息公共服務平臺）

（3）城鎮建成區內傳統村落保護發展的空間協調

在我國傳統村落名錄中，有部分村落位于城鎮建成區內，城鎮空間擴展和大規模城市建設對這類傳統村落造成了巨大的破壞，但當前絕大多數傳統村落保護研究都集中在農村地域，對城鎮建成區內的傳統村落保護發展卻鮮有涉及。城鎮建成區內的傳統村落保護與農村區域有根本的不同，處理好城鎮建設對傳統村落的沖擊是其要解決的主要問題，同時傳統村落也是地域文化和城鎮特色的重要組成部分，對地域文脈傳承有重要作用。通過深度學習技術，可在科學劃定的三級保護區域的基礎上，根據城鎮空間發展需要，將不同空間特征參數融合到保護規劃方案中，形成更有針對性、更符合空間發展實際需求的規劃方案。

3.3 在傳統村落建筑風貌延續中的應用

建筑是構成傳統村落風貌特征的基本空間單元，是最易受到外界沖擊的空間要素，由于其空間體量小、模數關系和組織規則明確，也是最便于深度學習技術與特征參數發揮作用的空間對象。人工智能輔助傳統村落建筑風貌延續可以從三個方面進行：一是對歷史建筑風貌的反演，由于傳統村落內部大量現代建筑的侵入造成歷史建筑風貌的模糊化，通過深度學習可有效提取建筑歷史風貌特征，并反演歷史建筑風貌和空間肌理格局；二是對歷史建筑修復、修繕和維護方案的指導，通過深度學習可更加原真的提取歷史建筑的完整空間信息，指導形成更加科學的建筑保護設計和施工方案；三是對改善、新建建筑的方案引導，針對此類建設行為，將深度學習與滿足現代生活需求的特征參數相結合，自生成的設計方案能夠較好的解決新建設空間風貌延續的問題，同時也能有效搭建起村民參與規劃的技術平臺。

4.人工智能輔助傳統村落保護規劃的實踐探索

按照本文提出的“特征提取-規則構建-方案生成”的方法步驟，以國家傳統村落七級村為例，通過對村落既有空間形態的學習，生成繼承既有空間形態特征的規劃方案，實現傳統村落空間風貌的協調與延續，探索人工智能輔助傳統村落保護規劃的實踐應用。

4.1 研究區域概況

七級村位于山東省陽谷縣，是京杭大運河繁盛時期運河沿線的重要碼頭和集貿重鎮，作為大運河沿線傳統聚落的典型代表，其古碼頭、古街等成為京杭大運河申遺的重要組成部分，七級村于2023 年被列入第六批中國傳統村落名錄。隨著河運的衰落，七級村也日益蕭條，人口流失、建筑傾頹、風貌破壞等問題突出，村落原有社會功能、文化價值和空間特色逐漸消失。另一方面，七級村是七級鎮駐地所在地，在國土空間總體規劃中，村落被劃定于城鎮開發邊界內，傳統村落保護與城鎮建設面臨新的沖突。將傳統村落有機融入城鎮發展框架，保護傳統空間格局和歷史建筑，審慎進行傳統村落更新發展，促進傳統村落活力提升，是七級村傳統村落保護發展面臨的主要任務。本次研究區域面積22 公頃，包括保護區域和更新區域兩部分，保護區域是空間形態特征的案例學習區域，更新區域是規劃方案自動生成的實踐區域。

4.2 空間形態特征數據提取

空間形態特征數據的獲取以現場調研為主要方式，結合開源地理信息數據對保護區域內的道路、地塊和建筑等三大類空間要素信息進行全面的數據收集，分類提取保護區域內既有空間形態的特征數據。同時，通過訪談和問卷的形式獲取城鎮空間發展愿景和村民生活訴求，進一步將其轉換為空間特征值，與既有空間形態特征數據值一起構建形態特征數據庫，為實現空間風貌的自動重構和織補提供數據支撐?？臻g形態特征數據提取內容見表1，七級村既有空間特征提取圖示如圖4 所示。

表1 現狀空間特征提取內容

圖4 研究區域空間特征提取圖示（圖片來源：作者自繪）

4.3 關聯特征要素組織

針對道路、地塊和建筑要素，在空間約束條件（尺寸約束、幾何約束）和空間組織規則的前置條件下，構建空間要素組織的邏輯規則和代碼表達方式，將各類空間要素組織在一個整體聯動的關系模型中。如圖5 所示，A、B、C 代表空間類型，a1、b1、c1等代表構成空間類型的特征要素，要素間的線段表示約束關系，b31表示約束空間要素的條件，c23表示約束同一類型不同空間要素的條件，ab12代表不同類型間空間要素的約束條件。

圖5 關聯特征要素的組織模型

4.4 規劃方案的生成

以CityEngine 為規劃方案生成的計算機軟件平臺，該平臺可兼容Python 語言，通過二次開發能夠較好應對傳統村落空間形態中的復雜問題，且在三維建模方面也有較明顯的優勢[13]。在更新區域范圍內，按照“街道網絡-地塊分割-建筑建模-方案可視化”的邏輯順序，通過CityEngine 平臺內置的空間生成模塊，將提取的既有空間特征數據輸入生成模塊，同時結合程序語言編寫的規則文件導入，進一步對空間生成過程進行有效控制和優化，在對多種生成方案比選和調整的基礎上，最終生成繼承既有空間形態特征、符合實際需求的規劃方案（圖6）。

圖6 七級村傳統村落保護發展規劃方案生成（圖片來源：作者自繪）

5.結語

基于過程與規則的參數化設計方法具有較強的邏輯性、開放性和可控性，通過構建高效的參與平臺，便于方案生成過程中適時調整方案生成條件、改變方案結果，形成更加滿足多元需求的規劃設計成果，但由于特征參數的確定受規劃主體主觀因素影響較大，且不能覆蓋所有的空間要素特征，造成規劃設計方案與客觀實際的要求存在一定差距?；谏疃葘W習的人工智能規劃設計方法能夠精準提取復雜的城鄉空間形態特征，規避人工過度介入方案生成過程，具有快速生成方案的能力，但現有基于深度學習的規劃設計方案生成方法多為“黑箱”過程生成模式，方案生成過程不可介入，可控性差，生成過程邏輯的可解釋性不高，生成方案的實際應用價值難以滿足規劃設計實踐的需求。人工智能輔助規劃設計的重要目的是使規劃設計走向智能化，解放人而不脫離人，規劃師的職責與分工更加明確、任務更加聚焦、工作更加高效?；诖?，本文探析式提出將深度學習技術在特征識別和快速生成方面的優勢，與參數化設計方法在參與性、可控性、可解釋性等方面的優勢相結合，構建以人為中心，基于人機交互的人工智能輔助城鄉空間規劃設計方法。

傳統村落是我國獨特的鄉村空間形態，具有重要的價值，傳統村落的保護發展一直是備受各界關注的焦點。將人工智能應用到傳統村落保護規劃編制中，可更好的輔助傳統村落三級保護區劃定、空間風貌保護與傳承、建筑風貌延續等保護內容的規劃編制，為傳統村落的保護規劃編制的智能化升級提供交叉融合的新思路，促進智能方案在融合多元約束條件后更好地適配傳統村落保護規劃編制任務，助力傳統村落保護發展工作提質增效。另一方面，傳統村落中物質形態的特征和參數是顯性的因素，能夠容易的識別和提取，但非物質要素，比如美學和藝術的評價、土地的產權、宗族體系的社會關聯等隱形的要素則難以量化提取，但這些要素對傳統村落空間形態的形成同樣發揮了重要的作用，如何篩選和識別這些特征參數，并融合到智能方案生成過程中，對提高方案生成的科學性和精準性具有重要意義。