城市意象 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
20世纪60年代，凯文·林奇在麻省理工学院设计并发明了一种独特的方法来研究人们对城市的感知。与一般的研究不同，他的研究并不局限于访谈，而是创造性地采用“思维导图”的方式，把纸笔交给街上的每一位受访者，让这些非专业人士画出自己对城市的记忆。有趣的是，当这些地图被分类汇总在一起时，他发现了大多数人绘画的共同规律。他通过波士顿、泽西城、洛杉矶的几个样本，总结出空的五个代表性元素，也被后人称为“城市形象的五要素”——节点、路径、区域、边界、地标。
城市形象的五要素
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。作为步行商业街，南京东路就可被理解为一个路径。地标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。这五个要素几乎成了当时及以后城市设计中最经典的理论来源。林奇本人在20世纪80年代对城市形象的回顾中承认，从少数样本中提取的城市形象的合理性在很多地方得到了验证，这是一个奇迹。 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。 我们不妨回到研究城市空与个体感知关系的方法论上来，这也是本文希望传达的意义。大数据与城市意象 大数据的概念在过去一年里被反复猜测。作为信息时代的一个旗帜性关键词，许多城市研究者对其寄予厚望。然而，在城市规划领域，其真正的作用、性质和地位并没有得到明确的回答，一切还处于探索状态。 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，我想到，利用城市照片共享平台，来进行这一研究。受DUSP-CRE HBS毕业论文Albert Saiz教授利用城市照片点密度分析城市经济发展的启发，我想到了利用城市照片共享平台做这个研究。
我把我的研究命名为“C-IMAGE”，“C”的意思是“城市、计算、认知”等等，类似于“i-Mac”。
C-IMAGE：找到市民心中的城市意象在选择数据源时，我选择了世界上最大的两家在线照片供应商——Panoramio和Flickr。前者是谷歌地球的供应商，最受欢迎的地方是谷歌地球，后者是雅虎的招牌照片交换平台。本文所用照片资料均由群众自行拍摄，上传至网站进行宣传。无论是池塘、高楼、街边小店，还是比赛，这些点滴都不仅仅是城市空的个人记忆，更是城市里的市民集体留下的印象。这些照片可以作为研究城市形象的基础。 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，我将本研究分为两个阶段。第一阶段是与传统的城市形象手段进行比较。我也选择了波士顿的中心区看城市形象；第二阶段是二次数据挖掘，根据照片和图像的内容进一步分类，并对城市图像进行分析。
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和Flickr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。下面是它们之间的直接比较。左图为Panoramoio和Flickr的叠加，右图为林奇的城市影像叠加在波士顿地图上的结果。
通过这个对比不难发现，在林奇的五行中，节点、路径、边界都是识别度很高的元素，地标也很容易识别，但只有通过观察照片的内容才能识别，只有区域的识别度很低。可以理解，一方面，两种方法完全不同；另一方面，地域的概念是五行中最模棱两可的，并不是所有的城市都能找到地域，更不是所有的地方都能属于某个地域。因此，如果我们期望使用大数据来总结区域，我们需要非常精确的参数分配来在空之间进行聚类。
1）找到节点的对应，Copley Square2）找到路径的对应， Tremont Street 和 Washington Street
2)找到对应的路径，特雷蒙特街和华盛顿街
3) 找到边界的对应，Charles River
3)找到对应的边界，查尔斯河
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。
空之间这些丰富的风格对应，一方面印证了城市形象的存在，也体现了用照片观察城市的独特性。有趣的是，将林奇绘制的波士顿地图与现在的照片图像进行对比后，我们也可以通过这种方法发现城市演变和更新的独特变化。
将林奇的波士顿地图与今天的照片图像进行比较。
篇幅有限，仅举一例。纽伯瑞街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。牛博瑞街
C-IMAGE深度挖掘：根据意象把城市分类从更本质的角度来看，利用照片研究城市形象，不仅仅局限于某个城市的照片点集空之间的聚类，还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： 1) 绿色视觉意象1)绿色视觉形象
2) 水视觉意象
2)水的视觉形象
3) 交通视觉意象
3)交通视觉形象
4) 高楼视觉意象
4)高层建筑的视觉图像
5) 古建视觉意象
5)古建筑的视觉形象
6) 社交活动视觉意象
6)社会活动的视觉图像
7) 运动视觉意象
7)体育视觉形象
当我们在同一个城市中组合这七幅视觉图像时，一些惊人的事情就发生了！
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。由于绿色视觉意象和高楼视觉意象，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。a类，绿色视觉形象占主导地位的城市，如热带的新加坡，以及东欧的一些城市，如布拉格等。这些城市或多或少被绿树环绕，生态和景观宜人。
B类，绿色视觉意象与高楼视觉意象分离的城市，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。
B类，绿色视觉形象与高层视觉形象分离的城市，多在北美城市，如多伦多、旧金山。这些城市通常有单核的CBD，主要是大型的郊区绿地，这也体现了北美人基于车流量的出行习惯。
C类，绿色视觉意象与高楼视觉意象相互交融的城市，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。
C类，绿色视觉图像和高层视觉图像融合在一起的城市，在欧洲大城市很常见，比如巴黎和柏林，包括前面提到的伦敦。这些城市在保持城市功能高活力的基础上，也强调将绿色环境引入城市生活空的要求。1990年代倡导的15分钟步行看绿色政策，似乎确实得到了切实落实。
D类，高楼视觉意象主导的城市，比如纽约、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。
D类，以高层视觉形象为主的城市，如纽约和香港。这些以经济效益为主的城市，可能不需要太多的绿色。其实闭上眼睛想想这种地方。无论是美剧还是香港电影，这些钢筋水泥的丛林里都没有绿色生态。
一个比较:绿地去了哪里
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。我们的城市绿化和城市公园去了哪里？这种视觉差异怎么了？ 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，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？我们甚至可以观察到，东京的很多公园都夹杂着紫色或粉色的斑点，这只是人们活动的照片。在我们的绿地里，有时只能看到一种黄色。比如陆家嘴公园，这样一个“被埋没”的公园，怎么能给活动留下绿色的视觉形象或动力呢？
左边是东京，右边是上海
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。关于这些城市的颜色和图像的图片有很多故事。这里篇幅有限，在此不再赘述。后记：大数据之我见利用大数据做城市研究发展很快，优势不用多说。我想从个人感受出发，泼一点冷水:1)数据采集可能会进一步收紧，尤其是在中国，数据的定价权被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。用过去计算未来并不严谨，这也解释了国外大学大规模模特运动的浪潮。究其原因，是学者们指望统计，在城市规划中运用大数据方法；3)基于大数据平台的各种城市管理工具，意味着城市发展是理性客观的，同时也会吸纳更多的民意——这种放权于民的手段可能不会马上实现。 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。点击展开全文