Last updated on

用可解释图神经网络把城市形态与城市功能连起来


背景:城市形态与功能到底是什么关系

一句话:城市的「长相」(建筑地块的形状、大小、疏密)和它「干嘛用」(住人、商业、工业、交通、公共服务)之间,存在稳定的对应规律。传统做法靠人工解译或经验规则,本项目想让模型自己从几何里学出这种关联,还能说清楚「凭什么这么判」。

方法路线上对齐 Chen et al. (2025) 发表在 Computers, Environment and Urban Systems 的研究(Interpreting core forms of urban morphology linked to urban functions with explainable graph neural network),把它实现为一套可运行、可换城市、可跨城迁移的代码框架。

数据:权威几何 + 权威标签

数据 来源 角色
建筑轮廓(多边形几何) SinoBF-1(Li et al. 2026, Nature Communications;覆盖中国 109 城、约 1.1 亿建筑) 只取几何,派生 22 维形态指标
功能标签(5 类) EULUC-China 2.0(全国建筑级用地分类) 作为 GNN 的训练目标

关键设计:22 维形态指标(面积、周长、凸度、分形维数、最大圆度、高度、覆盖率……)全部由建筑几何派生,不依赖任何建筑类别标签;功能标签只在训练时当「答案」用。这样形态端和功能端在数据来源上完全解耦,保证「形态→功能」的因果链路干净。

流程:建图 → 训练 → 解释 → 聚类

建筑几何 ──Delaunay 建图(200m 阈值)──▶ 地块图
                                   │
        GCN + SAGPool + Jumping Knowledge ─┘ 训练判别地块功能(5 类)
                                   │
        GNNExplainer ──────────────┘ 取 F_S:对分类最重要的形态子空间
        梯度归因 ───────────────────┘ 取 G_S:对分类贡献最大的核心建筑
                                   │
        UMAP + KMeans ─────────────┘ 把核心建筑聚成可命名的核心形态子类(T1..TK)
                                   │
        回贴地块 ───────────────────┘ 给每类地块打上主导形态标签

四步解释性产出:

  1. F_S(形态子空间):哪些形态特征最重要。参照研究里约一半是关键形状特征(面积、周长、最长弦方向、凸度、复杂度指数、分形维数、等周商、最大圆度、高度、覆盖率)。
  2. G_S(核心建筑子空间):对地块分类真正起作用的少数建筑,而非全部建筑——解释更聚焦。
  3. 核心形态子类(CoMo):聚类得到的若干类,每类可命名、可统计分布。
  4. 地块级回贴:把子类标签挂回每个地块,得到「这块地主要是什么形态」。

结果:以深圳为例

深圳数据全链路跑通 10 折分层交叉验证(6,067 个地块图、352,749 个建筑节点):

  • 整体准确率 0.650(跨折标准差 0.010),加权 F1 0.613、宏 F1 0.378;
  • 聚类在区间内自动选出 K = 9 个核心形态子类,形态特征子空间 F_S 收敛到 9 个指标;
  • 逐类召回:居住 91.7%、工业 33.0%、公管 27.6%、商业 26.7%、交通 0%(该类样本仅 51 个,尚学不动)。相比早期实验,商业类召回从约 1.6% 提升到约 27%,说明换用权威建筑几何后少数功能类的可学性明显改善;
  • 地块回贴:5,631 个混合型地块、436 个主导型地块。

注: K 由轮廓系数在区间内自动选取,属工程开关;参照研究选定的 K 为 10。当前深圳实验为验证性跑分,非最终论文值。

延伸:跨城市零样本泛化

cross_city_transfer.py 支持把源城市训练好的模型直接推断目标城市:先做特征空间对齐(目标城标准化器 → 源城标准化器),再复用源城标签空间做分类与评估。实测以一个源城模型推断另一城市,整体准确率约 0.64,验证了由几何派生的形态指标在跨城域上具备可迁移性;但少数功能类(商业、交通)召回仍偏低,是下一步要啃的硬骨头。

仓库与复现

完整代码、配置与文档在 CoMo_Extraction 仓库(单一 config.yaml 为唯一配置源,换城市只需改 data.* 路径)。环境要求:Python + PyTorch + PyG + GeoPandas;注意 numpy 需锁定 1.24.x 以兼容 torch 2.2 的 C 扩展。

项目详情与版本演进见项目页。