应用3D GIS定量分析伊斯坦布尔天际线的变化

土耳其的伊斯坦布尔是横跨欧亚的历史古城，尤其博斯普鲁斯地区是拜占庭和奥斯曼时期形成历史街区。伊斯坦布尔也是一个不断发展中的现代城市。近些年，由于城市增长的压力迫使伊斯坦布尔的城市空间向垂直方向发展。博斯普鲁斯地区周边的高层建筑不断出现，城市天际线在不断改变。伊斯坦布尔的研究人员应用3维GIS，建立了三维模型用于天际线变化的研究。研究目的在于定量分析近10年内博斯普鲁斯地区城市天际线的变化，对新建高层建筑对天际线影响进行评估，辅助开发控制的相关决策。这一模型采用ArcGIS10.0及其3D Analyst扩展模块进行。

数据采集和输入是建立模型的第一步。基础地形数据来自1:1000矢量地形图，通过数字航空摄影测量获取了地面高程信息，由此建立地表模型。建筑高度、层数等也是从数字航空摄影测量图上采集得到。为简化模型，删去了研究区域内建筑高度相对较低、对天际线基本无影响的建筑。在模型中仅保留了150栋10层以上高层建筑，拉伸成3D建筑模型。采用该地区的航摄照片，将建筑立面图像贴到3D建筑模型上，使得模型中的建筑更易于识别。分别应用1999年和2008年的数据，使用以上步骤建立了两个不同时间点的虚拟城市3D模型。

模型建立后，在博斯普鲁斯地区选取了5个观察点进行天际线分析。这5个观察点都是处于市民和游客较为集中并易于达到的地点。分析工作分为3个主要部分。

第一部分是天际线变化分析。应用3D Analyst的天际线工具分别计算每一个观察点的1999年、2008年城市天际线。在每一个观察点上，比较视野内的天际线总长度在1999年-2008年之间的变化值、年均变化速率。分析结果显示，随着高层建筑不断涌现，天际线不断变化，变得更加曲折。虽然，各观察点上视野内的天际线长度均在增加，但是各个观察点上的天际线长度的变化值、变化速率各不相同。

第二部分是新建建筑的高度控制。需要解决如何对新建建筑的高度进行控制，使其不会影响城市天际线，这一问题是该地区规划中急迫需要解决的。该研究采用了计算建筑高度控制面的方法。通过3D Analyst的天际线障碍工具，计算生成出观察点与现有形成天际线的建筑物轮廓线之间的三维表面。该表面就是建筑高度的控制面。将规划拟建的高层建筑也建立3D模型，就可以计算出该建筑是否会影响现有城市天际线。

第三部分是阴影空间的计算。该模型的另一个应用是计算高层建筑形成的阴影范围。一般情况下，采用计算高层建筑投影在地面上的阴影面积来衡量阴影范围。在此处，提出了计算在高层建筑造成的阴影空间体积作为阴影范围计算指标。由于采用了3D GIS的方法，使得计算阴影空间体积有了可能。这一体积指标比地面投影面积更能反映高层建筑对周边空间的影响。在模型中以为夏至日为标准，在6:00-16:00之间每隔一个小时，进行一次高层建筑的阴影空间计算。随后，累计各个时间点上的阴影空间范围，就能够确定受周边高层建筑阴影影响最严重的三维空间范围。 这一分析方法也能用于对拟建高层建筑规划控制。

伊斯坦布尔的这一研究并没有采用复杂的数学模型，也没有进行过多的软件编程开发。在模型中使用各种分析工具都是使用ArcGIS10.0的3D Analyst扩展模块的现成工具，只是进行了简单组合，使用ArcGIS模型构建器（Model Builder）实现。伊斯坦布尔案例针对城市规划管理、城市设计中的实际问题提出，解决了对历史街区周边新建高层建筑的规划控制的需求。这一案例表明，使用通用软件的现成分析工具，不采用复杂数学模型，不进行过多编程开发，也能解决城市规划中实际应用的决策支持。

来源：GUNEY C, GIRGINKAYAB S, CAGDASC G, YAVUZD S. Tailoring a geomodel for analyzing an urban skyline[J]. Landscape and Urban Planning, 2012, 105(1-2): 160-173.

应用多准则分析方法研究开发控制策略与应对气候变化之间的关系

有许多研究关注长期气候变化带来的影响，然而很少涉及社会经济发展趋势与应对气候变化之间的关系。英国学者对英格兰东海岸地区进行了研究，通过气候变化对沿海地区建成环境的影响分析，研究不同的社会经济演变趋势下，形成不同规划开发控制策略，是否会导致未来应对气候变化风险上的差异。

研究选择了英格兰东海岸某区域为研究对象。该地区面积2000km2，有72km长的海岸线。该地区现有20000栋建筑，其中3000栋是非住宅建筑。该地区约有340km2泛滥平原易于受洪水影响。总体上，气候变化全球变暖，海平面上升导致海岸侵蚀、洪水对泛滥平原威胁上升。研究关注点是未来社会经济情况变化是会加剧、还是会缓解海岸侵蚀和洪水风险。依据英国有关部门的预测，至2100年，该区域的海平面将上升约0.45m。在该项研究中选择了2080年为预测分析时限。

根据未来的社会经济发展可能趋势，设定了四个未来发展情景。情景一，人口、住宅持续增长，新增长的住宅绝大多数限制在现有的城市建成区内，不鼓励占用泛滥平原建设住宅。情景二，由于规划政策收紧控制，该地区乡村的城市化趋于停止，也不鼓励占用泛滥平原建设住宅。在情景三中，人口、住宅均有较大的增长，城市化地区不断蔓延，更多居民从大城市迁往滨海地区居住。规划控制政策放松，在泛滥平原上出现更多的住宅和非居住建筑。在情景四中，人口增长对住房需求不断持续，在该地区的所有范围，包括泛滥平原在内均有较大规模开发。

设定了未来情景之后，采用基于GIS的多准则分析方法展开研究，共分成四个步骤进行。

第一步是对区域增长的预测，就是预测该地区未来新增居住建筑、非居住建筑的数量。每一个社会经济情景下，都是基于现有的趋势进行新增居住建筑、非居住建筑数量的预测。四个情景预测结果各不相同。情景四的居住建筑、非居住建筑数量增加最多，情景二的居住建筑、非居住建筑数量增加最少。

第二步是确定多准则分析的评价准则。确定对该地区新开发的吸引因子，作为评价的准则。研究确定了四个对新开发的吸引因子，分别是现有居民点、道路网、海岸线、泛滥平原。选取前两个因子是考虑这两个与地区城市化过程密切相关；选取后两个因子是考虑这两个与这一地区的规划政策相关。

第三步是设置四个评价准则的权重。按照各个情景下的社会经济发展趋势不同，对每一个情景中现有居民点、道路网、海岸线、泛滥平原四个准则都设置了不同的权重。权重数值按相互之间重要性确定。

最后，以邮政编码区多边形为空间单元，按每一个空间单元现有到居民点、道路网、海岸线、泛滥平原的距离进行评分。四个准则评分加权累加后，得出每一个空间单元对新开发的吸引力大小数值。在以上四个情景中，按评价结果分别将新开发的居住建筑、非居住建筑需求分配到各个单元上。由于邮政编码单元的面积大小不一致，又将单元面积作为分配规则中另一考虑因素，使得较大单元在分配时能考虑内部差异性。分配后得到四个情景下未来土地使用布局图，反映了未来新建居住建筑、非居住建筑在该地区的空间分布。

分配结果显示，由于社会经济发展趋势不同，四个情景下土地使用变化也有较大不同。尤其在泛滥平原上、海岸边的新建建筑数量和分布有较大差异。以上两个区域正是气候变化导致的洪水、海岸侵蚀风险极大的区域。例如，在情景四中城市增长规模最大、占用泛滥平原的建筑也最多；在情景二中占用泛滥平原的建筑最少。沿海岸开发、现有居民点内部开发也各有不同。各个情景之间主要差异是规划控制策略不同，分析结果是面临气候变化导致洪水和海岸侵蚀的风险也会不同。研究模拟显示，对泛滥平原、沿海岸、现有居民点内部的开发控制策略的差异，会影响到未来对应气候变化的抗风险能力。

来源：MOKRECH M, NICHOLLS R, DAWSON R. Scenarios of future built environment for coastal risk assessment of climate change using a GIS-based multicriteria analysis[J]. Environment and Planning B: Planning and Design, 2012, 39(1): 120-136.

沉浸式虚拟环境下对城市尺度的感知研究

在建筑学及城市规划相关理论中，尺度（Scale）是一个重要的概念。英国伦敦大学学院（UCL）进行了一项关于尺度概念的定量研究。这一研究采用了虚拟现实技术，基于虚拟的建成环境，研究尺度是如何影响人对建成环境的感知。

该项研究选择了两个城市设计方案平面图为基础。两个设计方案基地面积均为260×400m，均是多个小街坊组成。在每一个平面设计图上，再通过变化尺度形成不同的三维城市环境。实验中共设计了6种不同的尺度变化，用A-F编号表示。A是所有建筑均采用6m高度；B是建筑高度分为3m、6m、9m、12m、18m共5种；C是A整体放大，建筑高度、街道宽度均放大2倍；D是B的整体放大，建筑高度、街道宽度均放大2倍；E和A一致，仅增加了建筑门窗、街道人行道等细节；F和B一致，也仅增加了建筑门窗、街道人行道等细节。2个城市设计平面图演化为2组共12个虚拟城市环境。虚拟模型用3D MAX建立，转入 Mapinfo软件中用于可视化显示。沉浸式虚拟环境由全彩色1280×1024分辨率头盔式显示器和3D鼠标组成。实验中选择了22个参与者，分2组分别对应参与两个不同设计方案基地。22个参与者的年龄均在25-35岁之间，其中有12个是建筑师。在实验中，观察者佩戴头盔式显示器，手持 3D鼠标，在虚拟环境中漫游。漫游采用7km/h的速度进行，视点高度固定在1.7m。

漫游结束后，对参与者进行问卷调查，回答四个问题。第一，是否能感觉到A环境和B环境之间的差异？第二，是否能感觉到A、B、C3个环境与D环境之间的差异？第三，A-F6个不同尺度的环境中，哪一个更易于辨别方向？第四，在虚拟环境中移动辨别方向会遇到哪些困难？对22个参与者的问卷进行总结分析，该实验得出了3个有意思的结论。

结论一，人对街道距离的感知会受到街道两侧不同建筑形态组合的影响。在A、B、E三种尺度的虚拟城市环境中，问卷发现对距离感知存在显著差异。在同一建筑高度的城市环境中，会感觉距离比不同高度建筑的城市环境下的距离会更大。

结论二，平面格局一致，三维形态不同的建成环境，其中活动者的感知也会不同。对参与者的问卷调查显示，在A、C、E三个虚拟城市环境中，只有在平面格局一致，三维形态也一致的情况下，参与者对三个环境的感知才基本一致。

结论三，具有同一且较低高度的建成环境比高度变化较大的建成环境更易于辨别方向。在建成环境中增加了建筑门窗、街道人行道等细节，并不能使得该环境更易于辨别方向。

传统建筑和城市规划理论对尺度的讨论很少建立在实验基础上。虚拟现实技术为这些理论提供了实验验证手段。这一研究采用了虚拟现实技术，对建筑和城市规划理论中的基本概念进行了实验性的研究，用定量实验数据提出了尺度和感知之间的关系。虽然实验本身的设计也许并不完美，不少地方值得进一步讨论，但是这种运用虚拟现实技术对建筑规划基本理论进行验证的方法值得推广。

来源：MAVRIDOU M. Perception of three-dimensional urban scale in an immersive virtual environment[J]. Environment and Planning B: Planning and Design, 2012, 39(1): 33-47.

人工神经元网络和多情景分析结合用于城市增长模拟

城市增长模型用于模拟预测城市土地使用变化趋势，常用模拟方法有元胞自动机（CA）、马尔科夫链、遗传算法、统计模型等。近些年来，也开始采用人工神经元网络（ANN）作为城市增长模型的建模方法。人工神经元网络是计算机科学领域的一种人工智能技术。近期，两位日本学者对这一方法进行了进一步研究和应用，研究以尼泊尔的加德满都山谷地区的城市增长模拟为例展开。加德满都山谷地区面积约685km2，采用人工神经元网络和多情景分析方法结合建立城市增长模型，模拟预测2050年该地区土地使用的变化趋势。

研究第一个步骤是数据采集。针对尼泊尔的基础数据条件情况，采用了多种方法进行数据采集。收集了1991年、2000年、2010年该地区3个时间点的遥感图像，作为历史土地使用数据的来源。依据遥感图像判读识别，将土地使用类型划分为建设用地和非建设用地两大类。模型中的人口及迁移等数据来自于当地人口普查数据。以此为基础，建立1991年、2000年、2010年3个时间基础数据库。对数据库中不同数据来源、不同的分辨率和统计尺度的数据进行处理和整合。

研究第二个步骤是模型检验和校正。先对土地使用演变历史规律进行模拟，通过检验校正确定模型的相关变量和参数，用于未来预测。模型中已经将土地使用类型划分成了建设、非建设两大类，为此需要确定非建设用地转换成建设用地的相关变量和参数。在这一步中使用了8个因素作为土地使用演变影响因素，包括地形高程、地形坡度、经济活跃人口、人口迁移、人口增长率、与已建成区距离、与道路距离、与增长中心距离，分别表达为8个图层。分1991年-2000年、2000年-2010年两个阶段，计算土地使用变化与上述8个因素之间的关系，确定了相关模型中变量和参数。

研究的第三个步骤是土地使用模拟。该研究没有简单使用现有规律外推的方法，而是采用了多情景比较的方法。研究中模拟了三种未来发展情景。情景一是延续现有发展状况，直接使用上一步得到的土地使用演化变量和参数得到未来的土地使用布局。情景二是采取环境保护策略，依据当地环境保护政策，限制高产农田、滨河地区、森林地区的开发。模型中将限制开发区域作为一个约束图层，新增长建设用地将限制在约束区域之外。情景三是强调资源保护，不鼓励在地形复杂地区、包括高海拔、坡度大地区进行开发。这一限制也是根据当地已有战略规划提出，也采用了约束图层的方式。在情景二的约束图层基础上，将限制约束区域扩展到高海拔、坡度大的地形复杂地区。三个情景下采用同样模型进行模拟预测，得到结果有相当大差异。由于三次预测的模型算法是一样的，显然预测结果差异源于特定范围的限制开发政策。研究结果显示，该地目前采取何种规划措施对未来土地使用演变至关重要。

从技术方法上，这一研究有两大特点。第一是在数据采集上，适应了发展中国家基础数据匮乏的特点，采用了遥感数据、人口普查为主要数据来源。在整合处理不同来源、不同分辨率数据方面提出了有效方法。第二，结合使用了多情景分析方法。一般人工神经元网络为基础的城市增长模型更关心模型检验和校正，对未来预测都是直接使用模型检验后变量和参数得出预测结果。这一研究将多情景分析方法与人工神经元网络相结合，发挥了两者各自的特点，也是一次有益的尝试。

来源：Rajesh Bahadur Thapa, Yuyj Murayama. Scenario based urban growth allocation in Kathmandu Valley, Nepal[J]. Landscape and Urban Planning, 2012, 105(1-2): 140-148.