量化城市形态学:涌现、概念及城市设计响应

城市形态学研究与城市设计实践的一体两面性

1.2 经典城市形态学研究的局限

经典城市形态学研究通过对于建筑及其开放空间、街区、街道、用地等基础空间形态特征的抽象来分析城市空间形态特征演化及其经济、社会效应[9-10]。这些基于手工分析和经验判读的分析方法奠定了城市形态学的基础，但以定性判断和手工操作为特征的分析一方面受制于分析者的主观判断而难以实现统一口径的研判，另一方面难以深入把握城市形态的细微特征及其非空间的感知品质影响[11]。

经典的城市形态学分析方法在目前仍广受认可，但单纯依赖这类基于主观经验归纳的认知难以推动城市设计在未来的精细化、人本化发展。适时地引入新方法，已成为城市形态学研究从描述性向解释性乃至预测性方向深入发展的迫切需求。所获得的更为深入的认知，也能推动城市设计理论研究对于形态学知识和新数据、新技术的进一步吸纳与反馈，通过规范性研究体系的纳入来为城市设计提供更坚实的理论基础。

2 量化城市形态学：多源驱动下的涌现

2.1 城市形态学研究的自身演化

经典的城市形态学研究主要依赖于研究者的手工分析和经验判读，难以进一步推进现有认知的深化。国际城市形态学会（ISUF）自2013年的多次会议宣言均提出量化分析技术的加入会成为形态学进一步向前发展的方向之一[12-13]。在2010至2019年的十年间，一大批高引论文和书籍的发表与出版，昭示了城市形态学研究的定量化转型趋势和蓬勃发展。

城市形态学研究在近十年来的定量化转型趋势和蓬勃发展

这一趋势在具体内容上体现为地理信息系统领域（GIS）所代表的定量化思维和经典城市形态分析手段的紧密结合，一方面关注点仍紧密围绕街道、地块、建筑等形态要素，另一方面注重GIS支持下的方法革新。这一长达十年跨度的转型，由贝格豪泽-庞特（Berghauser-Pont）和豪普特（Haupt）在2010年出版的《空间矩阵：空间、密度与城市形态》（Spacematrix: Space, density, and urban form ）一书为开端[14]，揭示了密度的可度量性。后续在期刊“Urban Morphology、Urban Geography、Urban Design International、Environment and Planning B”上，多位学者结合经典城市形态学理论与地理信息系统及统计分析的一系列论文在短短数年中频频获得高引，进一步体现了对相关方向的关注度[15-22]，而德那契（D'Acci）主编的著作《城市形态学的数学方法》（The Mathematics of Urban Morphology ），汇集了多国学者30余篇论文，形成了对量化城市形态研究的全面展示[23]。

上述这一系列研究在2010年至2019年这十年的集中涌现，说明量化形态学的出现并非偶然，而是在需求和技术都已成熟的情况下系统化、进阶式的发展。以ArcGIS、CityEngine等为代表的软件提供了基础平台，为城市形态学的进一步深化提供了分析手段。这些基于定量化视角的分析方法，能更好地解析多层级空间形态，抽取对空间品质与活力有潜在影响的形态特征，为城市设计的发展提供深入的形态学基础。

2.2 新城市科学带来的数据与技术推动

与城市形态研究自身演化同步发生的，是新城市科学所代表的一系列新技术与新数据涌现。新城市科学（New Urban Science），即依托计算机技术发展和多源城市数据的涌现，运用量化分析与数据计算途径来研究城市的模式，正在迅速兴起[24]。经过数年的涌现和积累，新数据和新技术对于城市形态研究的推动正逐步从基础数据的可视化展现，转变成分析研判的深入支持，正在为空间形态特征的提取和基于空间的行为、感知和活动研究提供更精准和高效的分析研判[25]。这一系列数据和技术的协同进步，使得量化城市形态分析不再是口号性的呼吁，而是为品质与活力导向的精准城市设计提供了坚实基础[26-27]。

新数据与新技术的认知首先在城市规划与城市研究领域取得了全面的影响，近年来也在建筑与城市设计领域被广泛认知。期刊“Architectural Design”在2020年以主题刊的形式对此给出响应[28-29]。正如墨尔本大学建筑学院院长托马斯·凯文（Thomas Kvan）教授所指出的，“建筑与城市设计过去往往基于经验法则和灵感涌现，某种意义上说在其效能影响上是盲目的。未来的建筑与城市设计很有必要将新数据与新技术整合到设计过程中来，以改变这一现状并导向更高效而精准的设计。”[29]

2.3 精细化城市设计的现实需求

随着城市化步入“下半场”，当前城市设计正在进入以存量设计为主导类型，以品质提升为主要任务的新阶段[30]。城市设计正在由应对城市空间扩张的宏观增长性设计，转向以内涵品质提升为主导的建成环境营造与精细化管理[31]。这一需求与西方城市的发展历程相吻合，是整体建成环境步入人性化、精细化发展阶段的典型特征[32-33]。可以预见，随着对于人性化、品质化公共空间追求的深化，城市设计实践中日益需要能聚焦人本尺度、立足空间形态，高效、精准度量空间品质的评价工具。

2.4 基于CiteSpace文献分析的量化城市形态学研究可视化

面向上述多个方向的快速发展，本文运用CiteSpace这一文献计量与可视化软件对这一涌现中的前沿领域开展分析，探索量化城市形态学的概念与典型研究领域。CiteSpace能够将文献之间的关系以知识图谱的方式展现在操作者面前，以可视化的手段来呈现相关研究的脉络、规律和分布情况，从而获得对学科领域与发展方向的清晰认知。在具体操作中，本文结合Web of Science和Scopus数据库，抓取近10年来城市形态学与城市设计领域的代表性文献200多份，对量化城市形态学（quantitative urban morphology）这一快速发展的领域开展分析。

量化城市形态学研究文献的可视化展现：基于CiteSpace

如上图所示，量化城市形态学领域的研究并非仅局限于空间形态层面的精准分析，而是处于多方向的不断发展演化中，呈现出三个簇群发展的趋势。一方面是多源数据支持下的定量化分析，高频关键词有大数据（big data）、街道（street）、品质（quality）等，强调多源城市数据与地理信息系统支持下的空间形态特征解析及其影响测度。另一方面是各类虚拟现实技术与生理传感器技术支持下的空间认知与场所行为分析，高频关键词有虚拟现实（virtual reality）、可穿戴传感器（wearable sensor）、空间（space）、压力疗愈（stress recovery）等，强调个人层面的空间与行为感受。还有一个近年涌现的方向，即关注于各类深度学习与生成对抗网络算法支持下的生成式设计，高频关键词有机器学习（machine learning）、生成设计（generative design）、算法（algorithm）、形态语法（shape grammar）等。

依托设计与科学和技术的紧密融合，快速发展中的量化城市形态学研究可归纳为三个典型方向。方向一强调数据支持的量化分析（data-informed），方向二则强调具身性的循证分析（evidence-based），方向三则强调算法驱动的生成创新（algorithm-driven）。大数据和地理设计所构成的新数据环境为定量化的城市形态特征提取与空间品质评价提供了数据基础，空间认知和虚拟现实等环境行为研究领域的技术发展为人本尺度的空间与行为研究提供了具身性的路径，而由计算机学科外溢的深度学习算法则为形态特征支持下的设计生成提供了新的研究手段。

量化城市形态学领域的三个典型方向

上述相关方向的探索有助于促进城市形态学研究从描述性向解释性乃至预测性方向深入发展，所获得的更为深入的认知，也能推动设计实践对于量化城市形态学的进一步吸纳与反馈，助力于数字化城市设计的进一步发展，具有重要的理论和现实意义。后文会针对这三个方向的城市设计响应逐一开展进一步的诠释。

3 方向一：数据支持的空间形态特征提取及其品质测度

随着多源城市数据和新技术方法的普遍运用，相关研究在空间形态特征提取与非空间的效能评估方面都有了定量化、精细化的深入可能。这一方向的涌现建立在三个维度的发展上：一方面是城市形态学研究的量化转型所衍生出的定量化分析工具逐渐普及；另一方面则是以GIS和CityEngine等为代表的地理信息技术向城市形态与城市设计领域的拓展，能够在满足人本尺度城市形态精细度的同时快速处理大规模数据[34]；还有一方面则是以位置服务数据、兴趣点数据、街景数据等为代表的多源数据为人本尺度的空间形态测量及其品质评估提供了新的机会。相关方向上的技术突破，可大大深化建筑师与城市设计师对城市空间形态特征要素及其在感知与行为等非空间的影响效能上的理解，有助于更精准的城市分析与设计实现[28，35]。

数据支持下的空间形态特征提取及其品质测度

3.1 立足形态学关键要素开展量化分析

以“Space Syntax、sDNA、Urban Network Analysis、Spacematrix、Morpho、Form Syntax”等为代表的城市形态学分析方法在过去数十年中不断涌现。立足空间形态特征，以定量的分析方法开展要素特征抽象，既能在街区尺度开展分析，又能被设计师有效接受，导出能直接作用于城市规划与设计的结果，可为城市形态研究与城市设计提供系统性的支持。其中，由英国伦敦大学希列尔及其同事提出的空间句法（Space Syntax）较具代表性[36]，其作为重要的城市形态分析方法已被多国学者和设计师在不同场景中广泛使用。荷兰代尔夫特理工大学学者所开发的空间矩阵（Spacematrix），将多个城市形态特征要素和用地指标开展协同分析，能定量化地展现容积率、建筑覆盖率、空地率和建筑高度等组合所形成的指标与形态肌理之间的对应关系[14]。

为了更精准地应对高密度建成环境下的分析与设计需求，近年来相关领域的分析工具正逐渐从二维走向三维。由英国卡迪夫大学开发的空间设计网络分析工具（sDNA）[37]，其三维视角空间网络分析方法论证了空间网络在垂直方向变化的敏感性，有助于城市设计师更精确地解读空间形态的三维特征。例如，香港大学sDNA团队对香港中环滨水地区的规划方案进行步行流量模拟，预判该地区未来的使用状况是否符合城市设计目标[38]。

sDNA模拟步行流量潜力：香港中环海滨3号用地设计方案

3.2 量化形态分析支持下的高品质空间共性指标归纳与设计导控

相关定量化的形态分析技术不仅能用于场地研判和潜力预测，还能通过对公认的高品质城市形态与公共空间共性指标的归纳，提炼形成空间“基因库”，从而为城市设计的指标设置提供精细化导控。

相关领域的经典研究往往停留在单一形态要素的归纳与探讨，例如阿兰·雅各布斯对街道边界、街道起始点、街道细部等形态的探讨[39]，芦原义信对街道宽高比D/H、面宽比W/D（店面宽度与街道宽度的比值）的量化研究[40]。国内学者在此方向上也开展了探索，陈泳、徐磊青等学者关注空间界面要素与街道活力的关系[41-42]，丁沃沃等运用地块开敞度、面积、形状率、平滑率等指标开展量化分析支持下的街廓空间形态分类研究[43]。但新近不断涌现的多种量化形态分析技术和ArcGIS等地理信息系统平台为空间形态特征的规模化分析和特征抽象提取提供了更系统、高效的研究手段；让高品质城市片区的空间特征可以被全面地透视和归纳。笔者团队近期结合多源城市数据和量化形态分析技术，对阿姆斯特丹、柏林、哥本哈根、日内瓦、汉堡、上海、斯德哥尔摩、东京等城市一系列典型的高品质街区进行形态特征分析。一方面从自上而下的视角总结街块形态特征、路网形态特征分析、街道交叉口密度和断面高宽比等指标的共性特征，另一方面从自下而上的视角总结街道空间界面的渗透率、绿视率等人本尺度共性特征，从而为相应的城市设计指标给出建议区间，实现精细化的设计导控。

量化形态分析支持下的高品质空间共性指标归纳

3.3 多源数据支持下的空间品质测度与设计介入

多源数据不仅为量化城市形态学研究提供了更为全面、易得的城市形态基础数据（路网、地块、建筑等），而且为空间品质这一非空间实体感知提供了分析途径，进一步助推量化城市形态学的发展和城市设计分析的深化。例如，借助兴趣点数据（PoIs），可分析城市空间的主导功能与功能分布集中区[34]；采用位置服务（LBS）定位数据，可长时间和大规模地对街道活力进行测量，感知城市活力随时间所产生的变化[44]；利用大众点评与微博签到等社交媒体数据，可展现人们以何种频度和心情来使用各类人本尺度的城市空间；通过街景数据与机器学习算法的结合，可实现街道空间品质的大规模测度[45-46]。

基于街景数据的街道微更新路段筛选和设计介入

这方面的工作不仅能提供对空间品质及其效能的认知，还能基于相关分析导向精准的设计介入。以笔者团队对上海街道空间品质的研究为例，首先通过街景数据与机器学习实现了人本尺度的街道绿视率这一重要品质测度；随后通过人本视角绿视率与空间网络分析，可精准界定街道绿化提升优先等级，对更频繁被市民使用而绿视率较低的空间优先开展设计介入。在多源数据的支持下，还能进一步提出设计工具箱，基于不同路段的用户画像给出针对性设计导控，为设计介入提供坚实的基础[47]。

4 方向二：空间视角的具身性循证分析

虚拟现实（virtual reality，简称“VR”）是指通过计算机模拟产生一个数字化的三维虚拟世界，为使用者带来身临其境的感受[25]。这一技术能以较低的成本快速实现沉浸式场景的搭建，为空间形态视角下的具身性分析提供基础平台[48]。与此同时，随着可穿戴生理传感器技术日益便携化，依靠脑电传感器（EEG）、心电传感器（EKG/ECG）、皮电传感器（SC）和眼动仪（EOG）等生理传感器设备的整合，能够实时精准测量受试者的情绪反应。这些生理信号具有很好的客观性和自发性，使研究人员能够测量各种空间形态特征对人类行为和感知的影响。虚拟现实与生理传感器技术的协同进步，为量化城市形态学分析展现了一个立足人本视角的新方向。可控的沉浸式环境和可度量的精细化感知体验为空间形态的行为与感知影响研究及设计导控提供了新的数据基础，让循证式的空间形态分析与设计支持成为可能。

虚拟现实与生理传感器技术支持下的具身性循证分析潜力

4.1 基于虚拟现实技术的空间形态评估与设计探索

虚拟现实技术提供了实验室条件下对城市空间形态开展沉浸式模拟和快速调整的能力，可有效排除实地调研中的不可控因素，实现空间形态特征评估和设计改进方向上的多维度分析，有效支持人本导向的城市设计[49-51]。基于这一新技术平台，笔者团队通过典型亚洲城市中央商务区中的高层建筑低区公共空间的类型学分析，整合运用正交设计和虚拟现实技术生成沉浸式虚拟现实场景，将其应用于开展选择偏好搜索，进而量化测度高层建筑低区公共空间的社会效用，使得传统依赖于设计师经验和主观判断的感知品质变得可解析，形成的评价量表及针对性导则可对公共空间形态与界面的微更新提供策略建议[48]。

虚拟现实技术与陈述性选择偏好法支持下的高层建筑低区公共空间设计优化

4.2 基于可穿戴生理传感器设备的城市空间品质诊断与优化

轻量化可穿戴生理传感器设备的普及也为量化城市形态分析与精准城市设计带来了新的潜力。实时、定量的感知数据信号记录，可向建筑师和城市设计师直观展示建成环境对人的影响，让传统城市设计从关注实体发展到关注身体的感知，从声音、气味、皮肤感知及动觉路径等不同侧面研究和分析城市现状，并通过城市设计的实践塑造多种感官协同活动的多维度空间体验[52]。

基于可穿戴生物传感设备记录生理情感反应地图

笔者团队于2019年使用多种可穿戴生物传感器开展对广州若干条街道的空间品质诊断与优化。通过记录被试者的行走路径和对环境刺激的原位生理情感反应，实时记录空间轨迹和电生理信号，计算行走中被试者受空间影响的情绪并绘制情绪反应地图，进而为空间形态的品质诊断与设计优化提供指导。如上图所示，依靠多种生理数据的整合分析，行人在街道空间中漫步的感受可被实时可视化呈现。根据地图中的情绪熟悉和取样点面积大小，进一步对街道的绿视率、高宽比、骑楼空间等方面的设计提供具有针对性的更新建议，提升街道环境品质。

5 方向三：算法驱动的空间形态与设计生成

在数据支持的量化测度与具身性循证分析方向的发展之外，算法的快速发展正在推动城市形态分析的深化与城市设计的范式变革，在此基础上的计算性城市设计正在日益涌现[53]。相关算法一方面能立足形态学特征维度，实现特定空间形态的生成和设计决策对城市的影响直接可视化，从而搭建互动式设计平台，有助于实现人本导向的城市设计；另一方面以生成对抗网络（Generative Adversarial Network，简称“GAN”）为代表的算法可将目标函数的学习自动化，使人工智能更接近设计问题[54]。以下为几项具有代表性的研究，作为算法驱动的空间形态与设计生成研究与实践的例证。

可视化技术与深度学习算法支持下的智能化设计生成所带来的潜力

5.1 算法驱动下的计算性城市设计

KPF于2016年成立的“Urban Interface”部门致力于将计算机技术与城市设计实践结合，以数据和算法辅助更好的城市设计分析，比如利用计算可视化技术将建筑与城市设计对周围环境的影响量化，促进设计师探索和评估建成环境对设计价值的影响，以及打造互动性的设计平台，让更多利益相关者参与到设计过程中[55]。

“The Urbane”是该团队开发的将新算法应用于计算性城市设计实践的代表性工具。其将计算性城市设计的范式概括为条件输入、几何生成、模型评估与分析解读四个具体步骤[56]。具体而言，通过设定不同的输入条件组合，会在下一步生成不一样的设计结果，这些结果一方面受土地用途和建筑密度影响，另一方面也受到周围条件的影响。在生成全部设计方案后，还可以对相关数据进行三维可视化的呈现以便于各方面评估。如下图所示，用户可以通过拖动滑动按钮改变某个输入条件，并查看其生成的模型及相应的视野、日照、能源产生等方面的评估结果。与传统的城市设计方法相比，应用机器学习算法可以在满足生成条件的情况下生成初步的方案设定，为设计师提供快速决策原型，从而为城市设计提供立足形态视角的精准支持。

各类形态要素输入与设计生成

5.2 基于生成对抗网络算法的城市设计方案场景实时可视化

通过GAN算法实现城市设计方案的街景视觉效果实时呈现

以GAN为基础的生成式设计可以让设计师，甚至是非专业人士在设计初期阶段得到视觉反馈，从而了解到设计方案能够产生的视觉效果，一个友好、可触摸的实体用户界面也积极鼓励设计过程中多元群体的参与和合作。

5.3 基于生成对抗网络算法的图像生成与设计辅助

基于AutoCAD格式的设计平面图输入（左）与MasterplanGAN支持下的智能化总平渲染输出（右）

6 讨论与展望

综上所述，城市形态学领域的相关研究正逐渐从定性探讨走向定量分析，量化城市形态学的演化历程与内涵构成日益明晰。多源城市数据支持的量化分析，不仅能提供空间形态特征的精准测量，还能进一步解释空间形态的非实体效能，这是经典城市形态学领域持续关注但难以深入探究的。具身性的循证分析，在虚拟现实技术与各类可穿戴生理传感器设备的支持下，能将以往难以测量的主观感受定量化记录，为城市空间评估提供较以往高信度和效度的基础数据，让城市设计中的循证方法更具可操作性。算法驱动下的方法革新和设计生成，在各类深度学习算法的支持下，让城市形态生成更为有效。总的来说，量化城市形态学的涌现一方面是城市形态学发展从描述性向解释性演化的必然，另一方面也得到了新城市科学在数据与技术层面的大力助推。立足于科学、技术和设计三者交叉的量化城市形态学，有望为新时期的数字化城市设计提供全面而系统的支持。

需要注意的是，量化城市形态学并不仅仅是量化分析技术与经典形态分析的结合，还意味着分析从以往的“自上而下”视角向强调具身性感知的“自下而上”视角拓展。城市形态学并不仅仅局限在二维层面，在新时期可以向三维化、人本化的尺度做进一步拓展。

此外，量化城市形态学领域中深度学习算法的驱动和发展，不仅能提供形态生成上的设计支持，更重要的是具备解析非线性复杂关系的能力。这使得量化城市形态学支持下的数字化城市设计有望在全面把握“自上而下”的宏观视角和“自下而上”的个人感知的基础上，开展更为精准且高效的生成式设计。这类深度学习算法所带来的计算与解析能力，一方面有望大大提升从数据分析到设计支持的转化效率，让量化城市形态学领域的深入认知可以被深入整合到时间紧凑、任务繁多的城市设计实践全链条中去；另一方面，改变以往形态学研究只能协助场地分析与方案评估等前期阶段的基础工作，而使得量化形态学研究能直接支持城市设计最核心的设计生成部分，让城市形态学研究与城市设计实践更为紧密地融合在一起。通过技术与设计的融合，打破定量化、科学化的城市形态认知与设计实践操作间的隔阂，以科学、量化的形式来支撑更好的设计实现。

总的来说，量化城市形态学的涌现和兴起，已成为数字化城市设计时代一个富有潜力的新兴领域。近十年来的相关研究已普遍完成了从定性归纳向定量分析的转型，但仍相对零散、缺乏体系，正处于迅猛发展和体系建构之中。在此背景下，我们有必要进一步探索将经典设计理论、量化形态分析与计算机算法深度融合的研究架构。这一方向上的进步，有望为城市设计带来工作流的全过程革新，更好地满足当下对于高品质城市设计的需求。

（图片来源：文献[38]，文献[56]，文献[58]，作者；表格为作者自绘）

[1] BENTLEY I. Responsive environments: A manual for designers[M]. Oxford, UK: Routledge, 1985.

[2] BUCHANAN P. What city? A plea for place in the public realm[J]. The Architectural Review, 1988, 184(1101): 31-41.

[3] YE Y. Urban form index for quantitative urban morphology and urban design analyses[D]. Hong Kong: The University of Hong Kong, 2015.

[4] MARSHALL S, ÇALIŞKAN O. A joint framework for urban morphology and design[J]. Built Environment, 2011, 37(4): 409-426.

[5] DING W. Urban design needs urban morphology: a practitioner's viewpoint [J]. Urban Morphology, 2013,17(2): 120-123.

[6] LARKHAM P J, JONES A N. A glossary of urban form[M]. London, UK: Institute of British Geographers, Historical Geography Research Group, 1991.

[7] CUTHBERT A R. Urban design: requiem for an era-review and critique of the last 50 years[J]. Urban Design International, 2007, 12(4): 177-223.

[8]丁沃沃.城市设计：理论？研究？[J].城市设计，2015（1）：68-79.

[9] MOUDON A V. Urban morphology as an emerging[J]. Urban Morphology, 1997(1): 3-10.

[10]段进，邱国潮. 国外城市形态学研究的兴起与发展[J]. 城市规划学刊，2008（5）：34-42.

[11]叶宇，庄宇. 城市形态学中量化分析方法的涌现[J]. 城市设计，2016（4）: 56-65.

[12] SAMUELS I. ISUF Task Force on Research and Practice in Urban Morphology: Interim Report[J]. Urban Morphology, 2013, 17(2): 40-43.

[13] BARKE M. Some thoughts on the first output of the ISUF Task Force on Research and Practice in Urban Morphology[J]. Urban Morphology, 2013, 17(2): 134-135.

[14] BERGHAUSER-PONT M, HAUPT P. Spacematrix: Space, Density, and Urban Form[M]. Rotterdam, the Netherlands: NAi Publisher, 2010.

[15] YE Y, VAN NES A. Quantitative tools in urban morphology: Combining space syntax, spacematrix and mixed-use index in a GIS framework[J]. Urban morphology, 2014, 18(2): 97-118.

[16] YE Y, LI D, LIU X. How block density and typology affect urban vitality: An exploratory analysis in Shenzhen, China[J]. Urban Geography, 2018, 39(4): 631-652.

[18] OLIVEIRA V. Morpho: a methodology for assessing urban form[J]. Urban Morphology, 2013, 17(1): 21-33.

[19] GIL J, BEIRÃO J N, MONTENEGRO N, et al. On the discovery of urban typologies: data mining the many dimensions of urban form[J]. Urban morphology, 2012, 16(1): 27.

[20] BOEING G. Measuring the complexity of urban form and design[J]. Urban Design International, 2018, 23(4): 281-292.

[21] SEVTSUK A, KALVO R, EKMEKCI O. Pedestrian accessibility in grid layouts: the role of block, plot and street dimensions[J]. Urban Morphology, 2016(2): 89-106.

[22] VENERANDI A, ZANELLA M, ROMICE O, et al. Form and urban change-An urban morphometric study of five gentrified neighbourhoods in London[J]. Environment and Planning B: Urban Analytics and City Science, 2017, 44(6): 1056-1076.

[23] D'ACCI L, Ed. The Mathematics of Urban Morphology[M]. Basel, Switzerland: Springer International Publishing, 2019.

[24] 麦克·巴迪，沈尧. 城市规划与设计中的人工智能[J]. 时代建筑，2018 （01）：24-31.

[25] 叶宇，戴晓玲. 新技术与新数据条件下的空间感知与设计运用可能[J]. 时代建筑，2017（05）：6-13.

[26] 龙瀛. 街道城市主义新数据环境下城市研究与规划设计的新思路[J]. 时代建筑，2016 （02）：128-132.

[27] 叶宇. 新城市科学背景下的城市设计新可能[J]. 西部人居环境学刊，2019，34（01）：13-21.

[28] TUNÇER B. Augmenting Reality:(Big-) Data-informed Urban Design and Planning[J]. Architectural Design, 2020, 90(3): 52-59.

[29] KVAN T. Data-Informed Design: A Call for Theory[J]. Architectural Design, 2020, 90(3): 26-31.

[30] 王建国.基于人机互动的数字化城市设计——城市设计第四代范型刍议[J].国际城市规划，2018，33（01）：1-6.

[31] 王建国.包容共享、显隐互鉴、宜居可期——城市活力的历史图景和当代营造[J].城市规划，2019，43（12）：9-16.

[32] 杨俊宴，曹俊. 动·静·显·隐：大数据在城市设计中的四种应用模式[J]. 城市规划学刊，2017（04）：39-46.

[33] 翟宇佳，徐磊青.城市设计品质量化模型综述[J].时代建筑，2016（02）：133-139.

[34] 龙瀛， 叶宇. 人本尺度城市形态: 测度，效应评估及规划设计响应[J]. 南方建筑， 2016（5）：41-47.

[35] YE Y, ZENG W, SHEN Q, et al. The visual quality of streets: A human-centred continuous measurement based on machine learning algorithms and street view images[J]. Environment and Planning B: Urban Analytics and City Science, 2019b, 46(8): 1439-1457.

[36] HILLIER B, HANSON J. The social logic of space[M]. New York: Cambridge university press, 1989.

[37] CHIARADIA A J, CRISPIN C, WEBSTER C. sDNA: a software for spatial design network analysis[EB/OL]. (2018-08) [2020-11-10]. www.cardiff.ac.uk/sdna/.

[38] CHIARADIA A, ZHANG L, KHAKHAR S. Future Harbourfront masterplan west HKSAR, 3D indoor and outdoor pedestrian network, pedestrian flow potential processed with 3D Sdna[R]. Hong Kong : The University of Hong Kong, Faculty of Architecture, 2019.

[39] 阿兰·B·雅各布斯. 伟大的街道[M]. 北京：中国建筑工业出版社，2009.

[40]芦原义信. 街道的美学[M]. 天津：百花文艺出版社，2006.

[41] 陈泳，赵杏花. 基于步行者视角的街道底层界面研究——以上海市淮海路为例[J]. 城市规划，2014（06）：24-31.

[42] 徐磊青，康琦. 商业街的空间与界面特征对步行者停留活动的影响——以上海市南京西路为例[J]. 城市规划学刊，2014（03）：104-111.

[43] 季惠敏，丁沃沃.基于量化的城市街廓空间形态分类研究[J]. 新建筑，2019（06）：4-8.

[44] ZENG W, YE Y. VitalVizor: A Visual Analytics System for Studying Urban Vitality[J]. IEEE Computer Graphics and Applications, 2018, 38(5): 38-53.

[46] ZHANG L, YE Y, ZENG W, et al. A Systematic Measurement of Street Quality through Multi-Sourced Urban Data: A Human-Oriented Analysis[J]. International Journal of Environmental Research and Public Health, 2019, 16(10): 1782.

[47] 叶宇，张灵珠，颜文涛，等. 街道绿化品质的人本视角测度框架——基于百度街景数据和机器学习的大规模分析[J]. 风景园林，2018，25（08）：24-29.

[48] 叶宇，周锡辉，王桢栋. 高层建筑低区公共空间社会效用的定量测度与导控以虚拟现实与生理传感技术为实现途径[J]. 时代建筑，2019（06）：26.

[49] 施澄，袁琦，潘海啸，等.街道空间步行适宜性测度与设计导控——以上海静安寺片区为例[J].上海城市规划，2020（05）：71-79.

[50] 徐磊青，孟若希，陈筝. 迷人的街道：建筑界面与绿视率的影响[J]. 风景园林，2017（10）：27-33.

[51] 张珍，徐磊青. 虚拟自然的疗愈效益及其应用趋势[J]. 南方建筑，2020，198（04）：34.

[52] 李辉.基于身体感知的城市设计研究与实践[J].时代建筑，2019（04）：174-179

[53] 吴志强. 人工智能辅助城市规划[J]. 时代建筑，2018（01）：6-11.

[54] CHAILLOU S. AI + Architecture | Towards a New Approach[D]. Cambridge, MA: Harvard University, 2019.

[55] FERREIRA N, LAGE M, DORAISWAMY H, et al. Urbane: A 3D framework to support data driven decision making in urban development[C]//2015 IEEE conference on visual analytics science and technology (VAST). IEEE, 2015: 97-104.

[56] WILSON L, DANFORTH J, DAVILA C C, et al. How to Generate a Thousand Master Plans: A Framework for Computational Urban Design[J]. Proceedings of the SimAUD 2018- 2019: 113-120.

[58] NOYMAN A, LARSON K. A Deep Image of the City: Generative Urban-Design Visualization[C]//Proceedings of SimAUD: Symposium on Simulation for Architecture, 2020.

完整深度阅读请参见《 时代建筑》2021年第1期 建筑学视角下的城市设计叶宇、黄鎔、张灵珠《量化城市形态学:涌现、概念及城市设计响应》，未经允许，不得转载。

作者单位：同济大学建筑与城市规划学院高密度人居环境生态与节能教育部重点实验室生态化城市设计国际合作联合实验室

作者简介：叶宇，男，博士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室 副教授; 黄鎔，女，同济大学建筑与城市规划学院 硕士生; 张灵珠（通讯作者），女，博士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室 助理教授

完整深度阅读请参见《 时代建筑》2021年第1期 建筑学视角下的城市设计叶宇、黄鎔、张灵珠《量化城市形态学:涌现、概念及城市设计响应》，未经允许，不得转载。

作者单位：同济大学建筑与城市规划学院高密度人居环境生态与节能教育部重点实验室生态化城市设计国际合作联合实验室

作者简介：叶宇，男，博士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室 副教授; 黄鎔，女，同济大学建筑与城市规划学院 硕士生; 张灵珠（通讯作者），女，博士，同济大学建筑与城市规划学院，高密度人居环境生态与节能教育部重点实验室 助理教授返回搜狐，查看更多