深度学习与特征参数结合的人工智能辅助传统村落保护规划探索

范勇 李玄 肖文杰

(济南大学土木建筑学院)

1.现有参数化与深度学习技术辅助规划设计方法梳理

参数化设计是参数化技术在工程建设领域的拓展应用[1]，参数化设计在应对复杂空间问题时具有科学、动态、高效等综合优势，成为弥补规划设计过程中主观经验主义影响的重要辅助手段。参数化设计通过将空间形态转化为特征参数和生成规则，构建客观、量化的空间组织逻辑，提高了规划设计的科学性和效率，为城乡规划、建筑设计行业的设计理念、设计方法和流程带来了重大的创新和突破[2]，已有参数化设计方法构建起“规则制定-方案生成-模拟优化”的空间形态规划设计的系统框架。

近年来，随着数字技术和人工智能研究的突破性进展，规划设计成果的自动生成和优化研究逐渐深入，使规划设计逐步走向智能化[3、4]。深度学习作为当前人工智能研究领域的核心技术之一，其对复杂特征的提取具有显著的优势，在对大量数据自主学习的基础上，通过逐层特征转换，将原始空间特征提炼形成更高维度空间的特征，快速、准确的挖掘数据背后的潜在规律，更有利于分类、预测和生成相似的同类型数据，逐渐被应用于规划设计方案的生成中[5]。卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）、BP 神经网络等是常用的深度学习技术。在人居环境领域，已有研究团队基于深度学习技术进行了规划设计方案自动生成的实验，利用卷积神经网络（CNN）提取空间形态特征要素，利用对抗生成网络（GAN）等预测生成空间形态[6]。来自清华大学的研究团队探索了智能规划领域最新的研究成果，提出了强化学习的城市社区空间规划模型与方法，并实现了人类规划师与人工智能算法协作的城市规划流程，展示了人工智能技术在城市规划领域解决复杂规划问题的潜力，为智能城市的自动化规划提供了全新思路[7]。此外，在城市设计中的平面布局方案及立面剖面方案生成[8]、居住区规划中的建筑强排[9]、建筑形态和建筑风格的迁移[10、11]等方面人工智能辅助规划设计也取得了丰富的研究成果。

当前人工智能辅助规划设计多局限于约束条件少、规律性强的小空间尺度，对大尺度空间以及乡村空间形态布局的智能规划研究相对较少。智能规划主要基于深度学习中的图像生成技术，由于深度学习在生成过程中的“黑箱”机制使运算过程不可控，无法判断生成结果，导致智能生成的方案与现实规划设计需求和空间组织逻辑存在衔接的误差。因此，本研究聚焦传统村落空间风貌保护，基于深度学习的空间数据识别和方案自动生成，结合参数化规则提取的人工方案校验和优化，探索人工智能在辅助传统村落保护规则编制中的应用路径。

2.人工智能辅助传统村落保护规划方法框架

2.1 数据收集：构建传统村落空间形态数据库

案例数据库是深度学习算法的基础，人工智能辅助的规划设计应符合规划设计工作逻辑，确保生成的方案模仿训练案例特征，并与训练数据集保持一致，这就需要构建一个包含尽可能完整和丰富的空间形态数据库。针对传统村落保护规划方案的自动生成，深度学习不能局限于村落内部样本数据的学习，应考虑地理空间单元、文化圈层、社会经济特征对传统村落空间演进的影响，从聚落、道路、建筑三个层级搭建传统村落空间形态特征数据库，通过聚类算法对传统村落进行聚类划分，提取同一类型的村落的多类型空间特征，构建同类型村落、多特征要素的空间形态案例库，将空间信息转换为数据图谱，促进深度学习过程更快收敛，更好地理解传统村落空间形态的语义和特征。

2.2 模型训练：建构传统村落空间特征规则体系

模型训练是利用初始传统村落空间特征案例库，通过深度学习提取传统村落空间特征，将传统规划设计的思维和设计逻辑转化为人工智能可理解的规则，这是人工智能辅助规划设计的一个关键环节。卷积神经网络（CNN）可以从训练数据中学习并自动提取图片特征，是模型训练的主要应用方法。基于卷积神经网络对采集的村落空间特征图像进行自动识别归类，提取地形地貌、边界形态、街巷肌理、公共空间、建筑特征等显著性浅层特征以及空间特征之间相互关联的深层特征，得到空间特征参数的规则特征及相互联系。同时，将已有参数化的空间特征数据作为训练输入，将规划师设计思维融入到模型训练中，使人工智能更好的捕捉空间特征的规律，提高模型训练的收敛速度和准确性[12]。模型训练为后续方案生成中通过特征参数控制，引导方案生成的方向，实现符合实际情况的保护规划目标打下基础。

2.3 互动设计：建立人机交互的智能方案生成系统

深度学习技术能够精准提取、编码复杂的真实空间形态特征，具备快速生成在地性强、适应性好的空间形态能力，有效避免人为主观因素对方案生成过程的消极影响。但传统村落保护规划是在丰富多样的底图上进行的，现状条件是方案编制的前提和基础，同时，传统村落保护需要考虑空间要素保护和村民发展诉求等多重约束条件，这些内容需要人工搭建空间特征评价体系并提取有效的特征参数，而这是机器学习所不能完成。所以人工智能辅助规划设计不是一蹴而就，需要规划师结合村落现状空间实际、保护和发展的约束条件对智能生成方案进行形式、功能和实现路径的调整，最终转化为规划师思维导向下的规划方案。人工智能辅助规划设计是一个循环连续的学习过程，智能生成方案与现状要素、约束条件之间的反馈，可引导规划师及时对方案进行评估、筛选和调整，使规划师的智慧深度介入人工智能方案生成过程中，打破人工智能和规划师之间的藩篱。人工智能辅助传统村落保护规划的技术路线如图1 所示。

图1 人工智能辅助传统村落保护规划技术路线（图片来源：作者自绘）

3.人工智能辅助传统村落保护规划的应用路径

3.1 在传统村落三级保护区划定中的应用

当前，我国传统村落保护发展规划编制中一般将保护范围划分为核心保护区、建设控制地带和环境协调区，实行三级分区保护。在保护分区范围划定的过程中，传统村落的历史文化价值、自然环境价值、社会经济价值等是重要的考量，但传统村落价值的判断多受规划师主观因素的影响，由此在保护范围划定时存在简单、机械、不客观的问题。人工智能在辅助传统村落保护区域范围划定中，可通过识别和提取建筑、院落、肌理等空间信息，进而更加精准的划定保护区域范围和边界，促进传统村落保护分区划定由粗放向精准的模式转变（图2），为科学实施传统村落保护工作提供支撑。

图2 传统村落三级保护区域划定的模式转变（图片来源：作者自绘）

3.2 在传统村落空间风貌保护与传承中的应用

（1）传统村落空间拓展中的肌理沿续

传统村落空间是一个动态发展的过程，在持续的空间拓展中形成不同时期空间肌理的拼贴。尤其是自我国快速城镇化和工业化进程开启后，随着村落人口的变化和村民居住需求的提升，大规模的村落建设行为对传统村落空间肌理产生了巨大的冲击，如何延续传统村落空间肌理，使新旧空间风貌协调是传统村落保护中需要考虑的重要内容。通过人工智能辅助方法，在大量传统村落案例学习训练的基础上，结合空间特征参数反馈的互动设计，生成与原有空间肌理相似的空间规划方案，为传统村落保护利用规划的方案比选、优化提供参考。

（2）传统村落开发利用中的风貌协同

活化利用是传统村落保护发展的重要方式，但乡村生活自组织状态下形成的村落空间格局与满足文旅开发等市场需求的空间模式存在一定冲突，在活化利用中需要对传统村落原有的空间格局和肌理进行适当的调适。然而，在当下传统村落活化利用中多侧重于开发建设，过度商业化、过度旅游化加剧了传统村落的开发性破坏（图3），协调好保护与活化利用之间的关系也是传统村落保护中面临的重要挑战。借助深度学习技术，结合村落开发对空间新的需求特点，对道路街巷、公共空间、院落建筑等提出适合的特征参数并反馈至深度学习算法中，生成即能延续传统村落空间风貌特征，又满足活化利用空间需求的规划方案。

图3 传统村落开发利用中的空间风貌不协同问题（图片来源：山东省地理信息公共服务平台）

（3）城镇建成区内传统村落保护发展的空间协调

在我国传统村落名录中，有部分村落位于城镇建成区内，城镇空间扩展和大规模城市建设对这类传统村落造成了巨大的破坏，但当前绝大多数传统村落保护研究都集中在农村地域，对城镇建成区内的传统村落保护发展却鲜有涉及。城镇建成区内的传统村落保护与农村区域有根本的不同，处理好城镇建设对传统村落的冲击是其要解决的主要问题，同时传统村落也是地域文化和城镇特色的重要组成部分，对地域文脉传承有重要作用。通过深度学习技术，可在科学划定的三级保护区域的基础上，根据城镇空间发展需要，将不同空间特征参数融合到保护规划方案中，形成更有针对性、更符合空间发展实际需求的规划方案。

3.3 在传统村落建筑风貌延续中的应用

建筑是构成传统村落风貌特征的基本空间单元，是最易受到外界冲击的空间要素，由于其空间体量小、模数关系和组织规则明确，也是最便于深度学习技术与特征参数发挥作用的空间对象。人工智能辅助传统村落建筑风貌延续可以从三个方面进行：一是对历史建筑风貌的反演，由于传统村落内部大量现代建筑的侵入造成历史建筑风貌的模糊化，通过深度学习可有效提取建筑历史风貌特征，并反演历史建筑风貌和空间肌理格局；二是对历史建筑修复、修缮和维护方案的指导，通过深度学习可更加原真的提取历史建筑的完整空间信息，指导形成更加科学的建筑保护设计和施工方案；三是对改善、新建建筑的方案引导，针对此类建设行为，将深度学习与满足现代生活需求的特征参数相结合，自生成的设计方案能够较好的解决新建设空间风貌延续的问题，同时也能有效搭建起村民参与规划的技术平台。

4.人工智能辅助传统村落保护规划的实践探索

按照本文提出的“特征提取-规则构建-方案生成”的方法步骤，以国家传统村落七级村为例，通过对村落既有空间形态的学习，生成继承既有空间形态特征的规划方案，实现传统村落空间风貌的协调与延续，探索人工智能辅助传统村落保护规划的实践应用。

4.1 研究区域概况

七级村位于山东省阳谷县，是京杭大运河繁盛时期运河沿线的重要码头和集贸重镇，作为大运河沿线传统聚落的典型代表，其古码头、古街等成为京杭大运河申遗的重要组成部分，七级村于2023 年被列入第六批中国传统村落名录。随着河运的衰落，七级村也日益萧条，人口流失、建筑倾颓、风貌破坏等问题突出，村落原有社会功能、文化价值和空间特色逐渐消失。另一方面，七级村是七级镇驻地所在地，在国土空间总体规划中，村落被划定于城镇开发边界内，传统村落保护与城镇建设面临新的冲突。将传统村落有机融入城镇发展框架，保护传统空间格局和历史建筑，审慎进行传统村落更新发展，促进传统村落活力提升，是七级村传统村落保护发展面临的主要任务。本次研究区域面积22 公顷，包括保护区域和更新区域两部分，保护区域是空间形态特征的案例学习区域，更新区域是规划方案自动生成的实践区域。

4.2 空间形态特征数据提取

空间形态特征数据的获取以现场调研为主要方式，结合开源地理信息数据对保护区域内的道路、地块和建筑等三大类空间要素信息进行全面的数据收集，分类提取保护区域内既有空间形态的特征数据。同时，通过访谈和问卷的形式获取城镇空间发展愿景和村民生活诉求，进一步将其转换为空间特征值，与既有空间形态特征数据值一起构建形态特征数据库，为实现空间风貌的自动重构和织补提供数据支撑。空间形态特征数据提取内容见表1，七级村既有空间特征提取图示如图4 所示。

表1 现状空间特征提取内容

图4 研究区域空间特征提取图示（图片来源：作者自绘）

4.3 关联特征要素组织

针对道路、地块和建筑要素，在空间约束条件（尺寸约束、几何约束）和空间组织规则的前置条件下，构建空间要素组织的逻辑规则和代码表达方式，将各类空间要素组织在一个整体联动的关系模型中。如图5 所示，A、B、C 代表空间类型，a1、b1、c1等代表构成空间类型的特征要素，要素间的线段表示约束关系，b31表示约束空间要素的条件，c23表示约束同一类型不同空间要素的条件，ab12代表不同类型间空间要素的约束条件。

图5 关联特征要素的组织模型

4.4 规划方案的生成

以CityEngine 为规划方案生成的计算机软件平台，该平台可兼容Python 语言，通过二次开发能够较好应对传统村落空间形态中的复杂问题，且在三维建模方面也有较明显的优势[13]。在更新区域范围内，按照“街道网络-地块分割-建筑建模-方案可视化”的逻辑顺序，通过CityEngine 平台内置的空间生成模块，将提取的既有空间特征数据输入生成模块，同时结合程序语言编写的规则文件导入，进一步对空间生成过程进行有效控制和优化，在对多种生成方案比选和调整的基础上，最终生成继承既有空间形态特征、符合实际需求的规划方案（图6）。

图6 七级村传统村落保护发展规划方案生成（图片来源：作者自绘）

5.结语

基于过程与规则的参数化设计方法具有较强的逻辑性、开放性和可控性，通过构建高效的参与平台，便于方案生成过程中适时调整方案生成条件、改变方案结果，形成更加满足多元需求的规划设计成果，但由于特征参数的确定受规划主体主观因素影响较大，且不能覆盖所有的空间要素特征，造成规划设计方案与客观实际的要求存在一定差距。基于深度学习的人工智能规划设计方法能够精准提取复杂的城乡空间形态特征，规避人工过度介入方案生成过程，具有快速生成方案的能力，但现有基于深度学习的规划设计方案生成方法多为“黑箱”过程生成模式，方案生成过程不可介入，可控性差，生成过程逻辑的可解释性不高，生成方案的实际应用价值难以满足规划设计实践的需求。人工智能辅助规划设计的重要目的是使规划设计走向智能化，解放人而不脱离人，规划师的职责与分工更加明确、任务更加聚焦、工作更加高效。基于此，本文探析式提出将深度学习技术在特征识别和快速生成方面的优势，与参数化设计方法在参与性、可控性、可解释性等方面的优势相结合，构建以人为中心，基于人机交互的人工智能辅助城乡空间规划设计方法。

传统村落是我国独特的乡村空间形态，具有重要的价值，传统村落的保护发展一直是备受各界关注的焦点。将人工智能应用到传统村落保护规划编制中，可更好的辅助传统村落三级保护区划定、空间风貌保护与传承、建筑风貌延续等保护内容的规划编制，为传统村落的保护规划编制的智能化升级提供交叉融合的新思路，促进智能方案在融合多元约束条件后更好地适配传统村落保护规划编制任务，助力传统村落保护发展工作提质增效。另一方面，传统村落中物质形态的特征和参数是显性的因素，能够容易的识别和提取，但非物质要素，比如美学和艺术的评价、土地的产权、宗族体系的社会关联等隐形的要素则难以量化提取，但这些要素对传统村落空间形态的形成同样发挥了重要的作用，如何筛选和识别这些特征参数，并融合到智能方案生成过程中，对提高方案生成的科学性和精准性具有重要意义。