利用深度学习揭示城市更新中街区尺度绿地的

利用深度学习揭示城市更新中街区尺度绿地的结构演变 城市绿地研究大多侧重于城市层面的分析，不利于城市更新。我们开发了一种新的深度学习方法，用于描述城市更新场景中街区规模UGS的结构演变。以北京和上海为模型，我们首先将研究区域划分为街区尺度的网格，并基于局部气候带框架训练了一个随机森林模型，以识别网格的空间形态类别。其次，我们建立了一个基于VGG16的深度学习模型来识别UGS的结构类型。最后，我们研究了不同更新场景下网格空间形态和UGS结构的相关模式。我们发现，六种不同类型的UGS结构与不同的城市形态类别有关。在转换方向、活动水平和服务水平提高程度方面，观察到UGS结构的空间和时间变化。整体更新和微观更新方法分别主要通过降低建筑密度和精确优化来推动街区级UGS结构的积极发展。我们的研究结果为高密度城市的街区规模UGS的城市更新政策和规划指南提供了参考。 在这项研究中，我们开发了一种基于DL的工具来研究街区级UGS结构，从而能够阐明这些结构背后的大规模模式（例如，空间形态）。以北京和上海的建成区为重点，我们确定了六种不同类型的UGS结构，它们与不同的城市形态类别一致。然后，我们研究了这些结构在不同时空和城市更新场景下的进化动力学。我们发现，UGS的时空变化沿着多个轴发生，包括转换的方向、活动水平和结构服务水平的改善程度。我们发现，整体更新和微观更新方法分别主要通过降低建筑密度和精确优化来推动街区规模UGS结构的积极演变。此外，尽管大多数地区的街区级无人值守地面传感器结构表现出积极的演变，但我们在大量网格中观察到了消极的演变，这突出表明需要制定针对具体情况的指导方针，以增加街区级的无人值守地面传感系统结构。这些发现有望影响全球其他人口稠密城市未来的城市更新政策和UGS规划。