新技术支持下的人境关系研究

 

传统的人-境关系研究大多立足于人与空间的二元关系及其互动过程，基于开放空间、街道、建筑等基础空间形式的组织演化，通过图解分析或经验判读来推导其内在规律。在此过程中，以人工为主的调研方法往往具有样本量小、分析效率低所带来的局限性，难以展开大规模的量化测度及分析[35]。近年来，随着计算机硬件和互联网技术的发展，人-境关系研究逐渐突破以往经典框架下的研究范畴，可获取的空间及认知数据类型和深度都较传统研究有了极大提升。

因此，学界利用涌现的新技术和新数据，得以更准确、更高效地处理多要素复杂关联的数据，在对经典理论进行验证的同时，也通过数字平台实现对研究成果的可视化及实践应用。正如库恩所言，在科学演进的道路上，方法革新必然会带来科学范式的转移[36]。因此，当下人与建成环境的关系研究也正依托设计与科技的紧密融合，出现了在以下3个方面的快速转型。

 

2.1  空间形态特征提取

 

建成环境的物质空间形态作为人类活动的主要载体，一直以来都是城市空间研究的核心。自20世纪计算机辅助设计技术的愈趋成熟，空间形态数据的数字化开始成为主流，尤其是地理信息系统领域(GIS)，以Arc GIS、City Engine等软件为代表的平台发展能将多重空间数据进行叠加和可视化[37-38]，极大提升了大规模的数据处理能力。

近10年来，随着精细化城市规划对于建成环境内各空间形态数据的更高要求，较为广泛应用的Space syntax、s DNA、Spacematrix等工具能将城市空间网络结合人流趋势及开发强度等进行量化分析，以实现经济社会指标与空间要素的直观对应[39]。Urban Network Analysis、Morpho等则在经典城市形态学理论基础上，借助GIS进一步将多个城市形态特征要素及其相互关系和用地指标开展协同分析，从立体视角进行精确解读，模拟并预判相关规划方案的使用情况[40]。

 

以深度学习(deep learning)为代表的技术手段亦为高效的抽象图层识别和空间要素提取提供了基础。剑桥大学2015年开发的“Seg Net”，以及后续的“Image Net”“Deep Lab”等图像识别工具，可通过自身的编码-解码网络对图片按像素层次进行逐级判别，根据数据集内对应的元素类别进行深度学习，最终对图像语义内容形成分割，极大提升了传统城市调研方法的效率与精度[41-42]。部分聚焦在城市尺度的空间研究还借助移动、社交媒体数据等获取大量使用者的出行行为及人口流动规律，以大范围、高精度的数据分析探究空间环境和公共生活间的宏观联系[43]。

 

 

量化工具及多源城市数据的飞速发展使设计师与研究者对于建成环境空间形态特征的把握得到了极大深化，不仅通过对规律的精确总结及预测进一步形成全面的指标归纳，也实现了对空间界面的渗透率、绿视率和活力水平等非物质因素的数据支撑。同时，人对于建成环境的认知在经典形态理论基础上衍生出了多重空间和时间尺度的交互，连续性的实时监测与评估分析也有望在实践中导向更为精准的空间介入手段。

 

 

 

城市居民对于建成环境的感知体验作为反映城市空间品质和价值的重要因素，在很长时间以来都由于数据本身的主观性，受到人工评估方法的局限，而难以大范围展开并实现客观量化分析，传统人-境关系研究也因此多止步于微观层面的小样本分析探索。然而随着科技的发展，新兴的可穿戴生理传感器能将复杂的主观情绪感受通过各项生理指标体现出来，实现人与环境的实时交互与监测。

虚拟现实技术(VR)也使实验室条件下的沉浸式现实场景模拟和参数调整成为可能，使研究人员能快速测量各种空间形态特征对人类行为感知的影响及偏好，进而形成评价量表及可控导则，为城市设计提供更有针对性的策略指导[44-45]。同时，传统城市认知领域基于认知地图和访谈的研究方法在互联网时代得以突破时空的限制，社交图片、推文等作为城市意象环境的数字化投射被广泛传播，并提供了丰富的数据来源，进行深度的视觉解读和语义分析，从而生成更准确的城市认知地图及意象特征归纳[46-47]。

 

另外，众包(crowdsourcing)这一新出现的在线数据收集模式也弥补了人工调研的局限，大幅度提高了数据样本获取的数量，并为计算机视觉算法提供了理想的数据训练库，经过测试和训练的计算机视觉算法可对城市空间进行自动评价。麻省理工学院研究人员基于众包技术开发了“Place Pulse”和“Street Score”工具，通过图像训练回归算法对上百万幅谷歌街景图像进行安全感知评分预测，并绘制了安全感知地图[48]。国内学者亦尝试应用此技术将舒适度评价和可步行性等街道空间的品质特征相结合，在城市尺度上建立了主观感知评价与街景环境特征的关系，为未来形成更精细化、更具普适性的街道舒适度规划设计导则奠定了基础[49]。

 

可以看出，虚拟现实技术与生理传感器的协同发展为立足人本视角的建成环境研究提供了更科学高效的途径，个体感知得以脱离传统主观体验的认知维度，而与可量化的生理及环境指标相对应，基于众包技术所开发的算法工具在此基础上也促使城市设计决策向数据和算法驱动的转变。人与建成环境间错综的作用关系被逐渐拆解为各要素多方影响的逻辑结构，抽象的理论概念由于对应指标的量化测度而被进一步可视化，使人-境关系研究对于城市设计实践的指导意义更为密切。

 

 

传统的城市意象理论建立在对实体的行为观察和切身感受之上，强调的是物质空间元素的可识别性与引导性。早期的经典研究方法对于人的环境行为特征也已有了较为完整的阐释，然而随着互联网技术发展所兴起的数字化环境带来了人与环境互动方式的革新，物理世界和数字空间的边界不断模糊，人对于环境的认知方式因虚拟体验而得到拓展，社交平台及海量的数据分享使得个体对于环境的认知不再局限于物质空间，而可以通过图片、文字等的传播而形成。

个体感知城市空间的维度因此更加多元复杂，数字工具、数字界面等最终影响着空间使用、运行和交互的方式。同时，未来城市空间环境在数字化的基础上，会使得虚实活动之间形成动态的数据反馈。MIT研究人员根据“City Sense”平台所提供的实时人流信息建立起使用者与供应商之间的桥梁，更加精准地监测和记录人的行为活动规律，从而得到更具针对性的人本化需求响应[50]。

 

 

随着虚拟现实、大数据和人工智能技术的发展，未来城市环境的实体空间与虚拟空间将进一步互相渗透，受到算法驱动的互联网内容通过定制与筛选信息影响着人们的认知，城市空间的各项功能也将实现高度融合与智慧化的管理，人与建成环境的互动模式逐渐走向多感知、沉浸式和交互式的场景体验[51]。

数字时代的场所精神、人对于空间的多维感知、新技术对于时空尺度的压缩与延展、虚实交互的场所互动等都需要创新型的空间设计并进行回应。未来城市场景的数字化发展趋势也将促进大数据和智能模拟支持下的城市规划转型[52]。