类型（Type）：论文
发表时间（Date）：2024.03
标题（Title）：EVOLVING RESEARCH METHOD IN THREE-DIMENSIONAL AND VOLUMETRIC URBAN MORPHOLOGY OF A HIGHLY DENSE CITY: ASSESSING PUBLIC AND QUASI-PUBLIC SPACE TYPOLOGIES
关键词（Keyword）：urban shape, built density, urban fabric, artificial intelligence, measurement of urban morphology
链接（Link）：Evolvingresearch method in three-dimensional and volumetric urban morphology of a highly dense city: assessing public and quasi-public space typologies | Journal of Architecture and Urbanism (vilniustech.lt)
作者（Author）：XIE Jiangtao
本研究以香港太古坊为案例，探讨人工智能（AI）技术在高密度城市三维公共空间形态分析中的应用，提出了一种结合空间设计网络分析（sDNA）与多尺度地理加权回归（MGWR）的创新研究方法，旨在重新定义凯文·林奇（Kevin Lynch）的“城市意象五要素”在垂直化、体积化城市环境中的适用性。
研究背景与目的
高密度城市（如香港）的公共空间网络突破传统二维街道层面，形成包含地下通道、高架连廊与建筑内部空间的复杂三维系统。传统城市形态测量工具难以量化此类多层次空间的形态特征与行人行为关系。论文提出利用AI技术（sDNA与MGWR算法）构建多变量分析框架，验证其在三维城市形态研究中的有效性，并重新评估林奇的“区域、边界、地标、节点、路径”五要素在立体空间中的认知模式。
方法论
- sDNA分析：基于香港地政总署的三维行人网络数据，采用“中介中心性”（Betweenness）指标模拟行人移动路径，评估空间可达性潜力。
- MGWR模型：通过地理加权回归分析155个地面观测点与105个高架层观测点的空间数据，量化五要素对行人空间认知的影响尺度与空间异质性。
- 数据采集：覆盖太古坊12个关键节点，记录行人流量、地标可视性、设施分布、路径连通性等变量，构建要素评分体系。
核心发现
三维空间认知差异：
- 地面层：地标（如高层建筑）和路径连通性主导认知，区域以街道肌理划分。
- 高架层：节点（如电梯/扶梯枢纽）和设施服务成为认知核心，区域以建筑群内部可达性定义，地标影响力减弱。
- 边界在地面表现为物理隔离（如停车场），在高架层则转化为走廊尽端或空间分界。
AI方法的优势：
- MGWR模型显示，高架层的要素解释力（R²=0.991）显著高于地面层（R²=0.652），表明人工设计的导向性在立体空间中更为突出。
- sDNA分析揭示林肯大厦、德文大厦等高可达性建筑群形成空间核心，与行人认知热点区域高度吻合。
林奇理论的拓展：
- 地标：从单体建筑扩展至高架层的便利设施集群；
- 节点：从街道交叉口转化为垂直交通枢纽与路径决策点；
- 路径：包含立体连廊、室内通道及垂直动线，形成多层级移动网络。
研究意义
- 方法论贡献：验证AI技术（sDNA+MGWR）在三维城市形态量化分析中的有效性，为高密度城市的空间优化提供数据驱动工具。
- 理论创新：重构林奇经典理论在垂直城市化语境下的适用框架，提出“体积化要素”分类标准，为未来研究提供新范式。
- 实践价值：揭示公私混合空间（如太古坊高架连廊）的设计逻辑，强调节点设计与设施布局对行人体验的关键作用，为高密度城市公共空间规划提供决策支持。
局限与展望
研究未涉及动态时间序列分析，未来可结合实时人流数据深化空间使用模式研究。此外，AI模型对主观认知的量化仍存在简化，需结合质性研究补充。该方法的普适性有待在其他高密度城市（如东京、纽约）进一步验证。