市政厅|市民眼中的绿地为何没那么多？用大数据讲述城市意象

        对城市意象和凯文•林奇（Kevin Lynch），城市爱好者不会陌生。

        凯文•林奇于上世纪60年代在MIT设计发明了一套独特的方式来研究人对城市空间的感知。与一般调研不同，他的调研不仅局限于访谈，而是创造性地采用了“心灵地图”的方式，给每一位街上的受访者纸笔，并让这些非专业人士画出他们各自记忆中的城市。有趣的是，当这些地图被整理归纳在一起之后，他发现了多数人的绘制（以及访谈中提及）的共性规律 。通过波士顿、泽西市、洛杉矶三个城市极少数量的样本，他归纳出了五种具有空间代表性的元素，后人也称其为“城市意象五要素”——节点（node）、路径（path）、地区（district）、边界（edge）、地标（landmark）。

城市意象五要素

        实际上，五要素的说法看似抽象，但它就在我们的城市生活中存在。在上海，相信在多数人眼中，外滩是一个大规模吸引人气的地方，这样的地方，就是一个典型节点（node）。作为步行商业街，南京东路就可被理解为一个路径（path）。地标（landmark）通常有非常独特的外形，且形象深入人心——相信多数上海市民对此都会想到东方明珠。边界（edge）主要在人们脑海中起到限定地域空间的作用。作为划分浦东、浦西的地理要素，黄浦江尽管不是上海的地理边界，但在人们的感知中，它就是一条清晰的边界，“宁要浦西一张床，不要浦东一间房”这句话，恰恰印证了这一概念的存在。地区（district）这一概念比较抽象，它可以很大，也可能很小，其范围在每个人心中未必统一。比如，当有人提到“人民广场那儿，有什么美食或商店？”时，这里的“人民广场”并不仅指“广场”本身，而是包括了周边的商场等，至于到底哪些店一定属于这一范围，不那么明确，可“人民广场那儿”这一概念却牢牢存在于每位在上海生活的市民脑海中。

        这五要素几乎成了当时和之后城市设计中最为经典的理论源头。林奇本人在80年代回顾城市意象的文章中也承认，当初通过为数不多的样本所提炼出的城市意象，其合理性居然在很多地方都得到验证，是一个奇迹。        

        不过有一点可能被多数人忽略，在回顾中，他更多表达了因人们误解他的研究而来的失望：他本希望通过自己的城市意象研究，促进更多城市学者、规划师来关注城市物质空间与人的感知之间的关系，但恰恰相反的是，他的初衷并未达成。在那之后，并没有多少人去钻研这两者的关系，人们反而直接利用五个要素进行设计，再也不关注人的感知。在很多后人眼里，这五个要素成为城市设计的工具、法宝和捷径。        

        我们不妨重新回到研究城市空间与个体感知的方法论上，这也是本文希望传达的意义。        

大数据与城市意象        

        大数据这个概念，在过去一年里被翻来覆去地炒，作为信息时代的旗帜性关键词，很多城市研究者对它寄予厚望。但在城市规划领域，它真正的作用、性质、地位，还都未得到明确解答，一切尚停留在摸索状态。

        关于大数据的定义、特点，有很多很详尽的书籍。我想说的是，这玩意儿是否可以运用于城市空间与个体认知这一关系的研究中？

        受到DUSP-CRE的Albert Saiz教授在其HBS的毕业论文中运用城市照片点密集度分析城市经济发展状况的启发（后来我也做了他的研究助手，帮他下载了很多世界全域的照片），我想到，利用城市照片共享平台，来进行这一研究。

        我给自己的这个研究起了个名字"C-IMAGE"，"C"指“city, computation, cognition”等多重含义，与“i-Mac”这种造字方式类似。

 C-IMAGE：找到市民心中的城市意象

        在选择数据源方面，我选择了全球最大的两个在线照片供应商——Panoramio和Flickr。前者是谷歌地球的供应商，其出现最多的地方是Google Earth（话说最近他家pro免费真要点个赞），后者则是雅虎的招牌照片交流平台。本文运用的所有照片数据，都是广大人民群众自己拍照后上传网站公开的。无论一个池塘，一幢高楼，一个街边小店，还是一场比赛，这些点点滴滴，既是个人对城市空间的私家记忆，更是城市中市民集体对这个城市留下的印象。这是这些照片可以作为城市意象研究的基础。

        其次，通过网站接口，我以城市行政边界为单位，开始了照片数据的下载，一共下载了26个不同城市的数据（主要是pano的数据，它的照片更偏风景，适合研究城市意象），主要数据包括照片的地理坐标信息、上传时间、标题等。因城市规模、能级不同，不同城市的照片数量存在一定差异，少则如波士顿的26000余张，多则如伦敦的210000张。

        接下来，我将这个研究划分为两个阶段。第一阶段是与传统的城市意象手段比较，我同样选取了波士顿中心区来看城市意象；第二阶段则是进行数据二次挖掘，进一步依据照片图像内容进行分类，分析城市意象。

新发现的意象与传统的意象

        下面就是两者的直接对比，左图是Panoramoio（红点）和Flickr（蓝点）的叠加图，而右图则是将林奇的城市意象叠加在波士顿地图的结果（和地面路网吻合度极高，足见其当时绘图的严谨精致）。

        通过这样的对比，不难发现，林奇的5个要素中，节点、路径、边界均属于辨识度较高的元素，地标也较易辨认，但需要观察照片内容方能识别，只有地区这一元素，可识别度非常低。这也可以理解，一方面，在方法上两者完全不同，另一方面，地区这一概念在五个要素中属边界最为模糊的，并非所有城市都能找到地区，更不是所有地方都可以归属到某一地区。因此，若寄望于采用大数据归纳出地区，需要极精准的参数赋值进行空间聚类才有可能发现。

        1）找到节点（node）的对应，Copley Square

        2）找到路径（path）的对应， Tremont Street 和 Washington Street        3) 找到边界（edge）的对应，Charles River        这些丰富的空间样式对应，一方面印证了城市意象的存在，也体现出用照片来观察城市的独特性。有趣的是，在对比林奇当年勾勒的波士顿地图以及如今的照片意象后，我们还能通过这一方法，来寻找城市演变更新中的独特变化。对比林奇当年勾勒的波士顿地图以及如今的照片意象。

        篇幅有限，仅举一例。纽伯瑞街（Newburry Street）这条街道在林奇的城市结构中并未显露。直到上世纪70年代，由于一些先锋唱片业自发集聚，在这条街道两边产生了一系列与唱片相关的商店。再后来，这里慢慢逐步演变成波士顿非常重要的一条商业步行街。这条街道的产生在我们的城市意象照片中得到了呈现。

      纽伯瑞街

 C-IMAGE深度挖掘：根据意象把城市分类

        从更本质的角度讲，利用照片对城市意象的研究，绝不仅是局限于在某一城市中照片点集的空间聚类，更重要的在于照片拍摄的内容。

        我们利用Scene Understanding，将数据库中的图像信息进行了处理。简而言之，就是让电脑为我们把所有下载下来的城市照片按拍摄内容全部归纳、整理、分类出来。在计算机可识别的102类场景信息的基础上，我们总结了7种基本的城市视觉感知要素（以伦敦为例）：        

        1) 绿色视觉意象

        2) 水视觉意象                        3) 交通视觉意象                        4) 高楼视觉意象                        5) 古建视觉意象                        6) 社交活动视觉意象                7) 运动视觉意象                而当我们把这7种视觉意象合并在同一个城市之后，something amazing just happens!

        当我们把这些城市的“C-IMAGE”都揭示出来之后，可以发现，不同城市呈现出一些各自的特点。由于绿色视觉意象（绿色）和高楼视觉意象（黄色），这里姑且以这两种颜色作为区分城市类型的主要标准：

        A类，绿色视觉意象（绿色）占据主导的城市，比如热带的新加坡，以及东欧的一些城市如布拉格等。这些城市或多掩映在绿树环绕中，生态、景观宜人。

        B类，绿色视觉意象（绿色）与高楼视觉意象（黄色）分离的城市，以北美城市居多，比如多伦多、三藩等。这些城市通常有单核CBD，并且以郊区大绿地为主，这也体现了北美人基于小汽车交通出行习惯。                C类，绿色视觉意象（绿色）与高楼视觉意象（黄色）相互交融的城市，常见于欧洲大城市，如巴黎、柏林，包括之前提到的伦敦等。这些城市在葆有高度城市功能运行活力的基础上，也强调了将绿色环境引入城市生活空间的要求。看起来，其上世纪90年代所提倡的15分钟步行见绿的政策，确实得到了切实落实。        D类，高楼视觉意象（黄色）主导的城市，比如纽约（中下城）、香港。这些以经济效率运行为主的城市，或许不需要太多绿色。其实，闭眼想想这类地方，无论在美剧还是港片中，这些钢筋混凝土丛林中本就没有什么绿色生态可言吧。一个对比：绿地去哪儿了

        在分类过程中，我们还发现了有意思的这样两个城市——东京和上海。这两个城市同样承受着大量人口压力、用地紧张，尽管从城市建设用地指标上看，上海并不比东京的绿地率少多少，但是在我们的C-IMAGE的对照下，东京实在是比上海绿得太多太多了。

        我们的城市绿化、城市公园到哪里去了？这种视觉差别是怎么回事儿呢？

        这个问题的答案并不复杂。因为这两张图本身，并非城市用地，而只是被市民感知并记录下来的、关于城市的印象。瞧瞧左边的东京，各种开放绿地（且不论是景点还是公园）在城市中心遍地开花，且有连绵趋势；而再瞧瞧右边的上海，大片成规模的绿地在郊外，可达性差，而市中心的零星补丁不成体系，完败于黄色的高楼视觉意象。

        如果放大一点观察，我们甚至可以观察到，在很多东京的公园绿地中，夹杂着紫色或者粉色的斑点，这些斑点正是人群活动的照片。而在我们的绿地中，有时候甚至只能看见一片黄色（高楼视觉意象），比如陆家嘴公园，这样一个被“掩埋”的公园，又怎么会给人留下绿色的视觉意象或活动的动力呢？

左为东京，右为上海

        再回到规划层面，上海的绿地其实是严格按照其绿地发展规划建设的，但正是由于依赖用地指标数字，而忽略了人的主观感受，才会留下这样很多的“不可感知的绿色空间”；反观东京，在其规划中确实更多强调了绿地空间如何组织利用，在周末，绿地被用以举办各类活动，因设计者更多强调考虑其使用功能，才会营造出这样一种“异乎寻常”的绿色城市的意象。他们的绿地可能不多，但利用得好，利用得充分，自然会给这个城市、这里的市民留下绿色的印记。

        关于这些城市颜色、意象的图片，还有很多故事，这里篇幅有限，不再赘述。

后记：大数据之我见

        利用大数据来做城市研究，如今已经发展得火热，优势自然不必多说。我这里却想从个人感受出发，泼一点冷水：1) 数据采集的口子有可能被进一步收紧，尤其是国内，而数据的定价权则被BAT等大公司垄断；2) 大数据是面向过去的研究，而规划是面向未来的手段。用过去计算将来，并不严谨，这也解释了现在国外学府热火朝天开展大模型运动的浪潮——原因在于，学者寄望于统计学，在城市规划中运用大数据的方法；3) 各种基于大数据平台的城市管理工具，意味着城市发展的理性、客观，也同时将吸收更多公众意见——这种放权于民的手段，或许不是马上就能实现的。

        我的一系列研究几乎完全依托于个人兴趣。从开始写代码的蹒跚学步到后来自己研究各种软件、程序语言，再到后来根据自己的需求定制各种功能的转变，尽管旅途坎坷，但确实感觉乐在其中，懵懵懂懂中，似乎也建立起了自己的一套研究方法与技术。如有谬误，多谢各路高人指点。

        [作者毕业于MIT城市规划系，现就职于中国城市规划设计研究院上海分院，邮箱：lyons66@qq.com。作者在这里感谢导师Jinhua Zhao和Brent D Ryan的细心指导，也感谢重要战略合作伙伴Bolei Zhou (MIT计算机科学PhD在读 http://zhoubolei.com)http://cityimage.csail.mit.edu]