基于深度學習的建筑識別技術在城市體檢中的應用*

晏龍旭 涂鴻昌 王 德 張尚武 劉 騮 張雨迪 張揚帆 王 勇

0 引言

2015年，中央城市工作會議要求建立常態化的城市體檢評估機制。2021年以來，住建部和自然資源部分別發布《關于開展2021年城市體檢工作的通知》 《國土空間規劃城市體檢評估規程》，為城市體檢工作制定了較為系統的指標體系和評估規程。政府通過城市體檢識別問題，有針對性地制定解決方案，能夠促進城市精細化管理及高質量建設發展[1]。

城市建筑的變化是城市體檢的重要維度之一。一方面，城市建筑輪廓、高度等信息是評估城市建設的基礎數據之一，相比各類城市建設用地、開發強度能夠更精細地反映城市建設情況和形態變化；另一方面，將城市建筑輪廓和高度信息結合計算建筑面積，再結合土地使用性質、建筑性質和人口數據，可推導出“城鎮人均住房面積”等指標，為城市系統的發展協調程度提供重要參考。此外，城市建筑信息也是城市信息模型（CIM）的核心數據，基于其可以分析城市形態、構建城市動態的可視化表達，為數字化城市模型和規劃研究提供更可靠的數據基礎。

然而在當前規劃工作中，城市體檢工作涉及城市建筑變化的指標不多，主要針對具有較大風險的城市建設情況統計“城市超高層建筑”等指標。其主要原因之一是大范圍城市建筑信息的可獲取問題。傳統的測繪調查方法速度慢、成本高、周期長、不開放，一般規劃研究難以大范圍獲取，更難獲得多年份的建筑變化數據。也有一些互聯網地圖提供了重點城市、重點地段的建筑信息，但其信息錯誤多、更新周期不確定、空間覆蓋范圍較隨機，無法滿足大范圍、周期性城市體檢和規劃研究的需要。因此，在“一年一體檢、五年一評估”的要求下，能夠大范圍、快速、較準確地識別分析城市建筑情況是確保城市體檢、國土空間現狀與規劃評估等工作高效開展的必然之路。

快速發展的衛星遙感技術和深度學習技術為實現對城市建設情況的大范圍、快速、精確的跟蹤監測提供了新的思路。一些研究已經探索采用各類卷積神經網絡（convolutional neural networks）等深度學習模型從衛星遙感影像中提取建筑物等地表要素[2-6]。但此類研究僅限于模型創新，停留在利用部分開源的建筑物標注數據集來設計、驗證新的深度學習模型架構的有效性，很少有研究大規模地將相關方法應用到具體城市，從實踐角度探索技術的合理性和適用性。

本文基于深度學習和高精度衛星影像的建筑智能識別技術（以下簡稱“建筑智能識別技術”）在城市體檢中的應用。首先梳理由城鄉建設基本情況、政策落實與風險預警、規劃實施評估等3大體檢目標構成的城市建筑變化體檢評估框架，提出針對上海的探索性評估框架；然后介紹基于深度學習和高精度衛星影像的建筑識別與分析方法，并提取2014年、2019年的建筑輪廓和高度信息；最后系統地展示評估結果，并討論該方法的應用潛力和完善方向。

1 建筑變化視角下城市體檢評估框架構建

1.1 建筑變化視角下城市體檢評估框架

建筑變化視角下的城市體檢評估目標主要有3類（見表1）。第1類是統計城鄉建設基本情況，可以按評估需求統計各層級行政單元的建筑變化情況。針對這類評估，建筑智能識別技術主要發揮速度快、成本低的優勢，能夠滿足一定精度下城鄉建設情況的普查性統計。第2類是評估政策落實情況并針對特定指標開展風險預警。例如，針對當前國家比較關注的高層建筑風險情況，以自然資源部、住房和城鄉建設部相關文件為依據，由上級政府統一監測下級各單元“超高層建筑數量”等相關指標變化情況。此時，建筑智能識別技術的優勢是能為上級政府提供統一核查途徑，及時發現觸碰政策“紅線”的建設行為，有效避免造假。第3類體檢目標是開展規劃實施評估，主要可分為3個層次。宏觀層面評估城市空間發展戰略的落實，以社會經濟發展規劃、總體規劃等確定的主要政策區空間范圍為依據，評估政策進度或城市建設合規情況。中觀層面評估規劃確定的各類控制線的落實情況，如評估具體的城市建筑是否符合總體規劃確定的禁建區、生態紅線、紫線（歷史文化街區等的保護范圍界線），或評估建設行為是否符合控制性詳細規劃對建筑高度和容積率的控制。微觀層面評估具體建設是否符合詳細規劃，例如評估城市更新改造前后建筑變化的合規情況。針對宏觀層面評估，建筑智能識別技術已經具備相當大的可行性；針對中觀和微觀層面評估，建筑智能識別技術還需要進一步提升建筑高度、建筑形態的識別精度。

表1 建筑變化視角下城市體檢評估框架Tab.1 City examination framework under the perspective of buildings

1.2 針對上海建筑變化的探索性體檢

本文以上海為例，嘗試開展基于深度學習和高精度衛星影像的建筑變化體檢評估。在城鄉建設基本情況方面，按行政區、街道鄉鎮統計分析上海建筑面積的變化情況。在政策落實和風險預警方面，由于當前城市體檢工作在建筑方面尚無系統的指標體系，僅針對自然資源部發布的《國土空間規劃城市體檢評估規程》（報批稿）、住建部《2021年城市體檢指標體系》中與建筑有關的少量指標進行了統計分析。在規劃實施評估方面，針對《上海市國民經濟和社會發展第十三個五年規劃綱要》（以下簡稱“上海‘十三五’規劃”）確定的空間發展戰略和重要政策區、建設控制線進行了統計分析。由于建筑智能識別技術在生成建筑形態方面的精度仍有待驗證，本文暫不涉及對控規等詳細規劃的合規評價。之所以選擇上海“十三五”規劃進行評價，一方面是因為本文采用的衛星圖拍攝時間與之基本對應，另一方面也是因為上海“十三五”規劃對城市發展和空間布局提出了諸多要求，明確了如人口和建設用地總量控制、空間布局優化、推進五個新城發展等戰略性目標，相關內容在《上海市城市總體規劃（2017—2035年）》（以下簡稱“上海2035”）中體現，產生了較為深遠的影響。

規劃實施評估是本次探索的主要內容。在空間發展戰略維度，上海“十三五”規劃分別對中心城、五個新城提出比較明確的發展方向，強調發展新城，并嚴格控制中心城、中心城周邊鎮的建設量。在重要政策區維度，主要對集中建設區（即城市開發邊界）①上海“十三五”規劃沒有公布“集中建設區”的邊界，本文采用與其等同的“城市開發邊界”（“上海2035”中的說法）。下文除直接引用“十三五”規劃，均統稱“城市開發邊界”。內、外的工業用地提出明確要求，并強調對生態空間的保護和拓展。此外，在土地使用層面還對工業用地和農村集體建設用地的減量化和用途提出要求（見表2）。

表2 建筑變化視角下上海“十三五”規劃實施評估要點Tab.2 Key points in implementation evaluation of Shanghai's 13th Five-Year Plan

1.3 空間單元和政策區選擇

上述政策框架涉及多種空間邊界，既包括中心城、新城等結構性邊界，還涉及集中建設區（城市開發邊界）、生態紅線和各類土地使用等政策邊界。雖然上海“十三五”規劃沒有對這些邊界進行明確界定，但據筆者了解，上述邊界在上海的各類規劃實施過程中具有較好的連續性和穩定性。因此，本文采用從“上海2035”等規劃圖集中提取的等價邊界開展評估分析（見圖1）。中心城仍以外環為界，新城邊界提取自《上海市新城規劃建設導則》，城市開發邊界、產業基地、產業社區、主城區生態空間、生態走廊等邊界提取自“上海2035”，各類土地使用邊界來自第二次全國土地調查（以下簡稱“二調”）。

圖1 “上海2035”的有關政策區Fig.1 Relevant policy zones in the "Shanghai 2035"master plan

2 研究方法與數據

2.1 建筑輪廓和高度識別的深度學習模型訓練

基于衛星影像的建筑輪廓提取，本質上是一個圖像語義分割（semantic segregation）任務，指從衛星影像上分割提取出建筑基底輪廓的范圍，即對每一個像素進行是（1）或不是（0）建筑基底的二元分類。建筑高度識別更難一些，是要預測每一個建筑基底像素的層高，其結果是連續的數值。本文采取預訓練過的經典語義分割深度神經網絡模型——DeepLabV3+[7]，并對其模型架構進行合理微調以適應研究需要。該模型將深度學習領域經典的編碼—解碼（encoder-decoder）思路與空洞卷積（dilated convolution）結合，在醫學、水文地質、遙感等領域的語義分割任務中均表現出優異的性能[8-11]。本文采用的基礎模型在PASCAL VOC 2012、Cityscapes等通用數據集上進行了預訓練，可以大幅提高專門模型的訓練速度。

研究基本思路是（見圖2）：首先，制作一個針對上海的訓練集。將開放地圖網站獲得的上海矢量建筑與多年份衛星圖疊合、切片，人工篩選出其中吻合準確的圖片。這部分訓練集既包括建筑基底輪廓，又包括建筑層高信息，因此可以用來訓練建筑輪廓提取、建筑高度預測兩個模型。同時采用了一個名為Inria的開源數據集（aerial image labeling dataset）作為補充訓練集[12]。將數據集混合后，獲得面積超過2 500 km2的訓練集、面積約100 km2的測試集。其次，采用上述數據集訓練建筑輪廓提取模型，當模型效果在訓練集、驗證集上取得最優時保存模型，再檢驗其在測試集上的效果，取效果最優的一個模型備用。繼而采用遷移學習（transfer learning）策略，修改上述模型架構，并通過同樣的訓練、驗證、測試流程，獲得備用的建筑高度提取模型。最后，將訓練的模型應用到兩個年份的、覆蓋全上海的高精度衛星影像上，分別提取獲得建筑輪廓、建筑層高提取結果，然后經過矢量化、疊加，即可用于評價兩個年份建筑量的變化。

圖2 總體技術框架Fig.2 Overall technical framework

統計結果（見表3）表明，訓練獲得的建筑輪廓提取模型，像素預測精度（precision）高達92%以上，提取的建筑輪廓交并比（IoU）②IoU（Intersection over Union）表示用真實建筑與提取建筑的交集面積（intersection）與其并集（union）面積之比，越接近于1表明兩個建筑越是重疊。高達0.74，能夠較好地提取建筑輪廓。模型效果已經超過了許多遙感領域的研究成果，例如在Inria開源數據集的榜單上③https://project.inria.fr/aerialimagelabeling/leaderboard/。，本文訓練的模型盡管不針對該項目，但仍能排到前30左右。同時，本文訓練的模型效果也與同類大規模應用案例具有可比性：例如微軟在加拿大采用了300萬張圖片訓練獲得了IoU為0.76、準確度為0.987的效果④https://github.com/microsoft/CanadianBuildingFootprints。，本文采用的訓練集規模僅有微軟的約1%且數據標注質量一般，但在關鍵指標已相當接近其成果，因此認為具有實際應用價值。

表3 模型效果統計Tab.3 Performance of the models

訓練獲得的建筑層高提取模型的層高預測誤差控制在0.87以下。綜合來看，即使在模型未看過的測試集上，建筑基底面積誤差比率、建筑面積誤差比率分別控制在4%、8%左右。雖然缺少相關研究予以比較，筆者在經驗上認為，該模型效果已能夠較精確地反映城市建筑基本情況。圖3的三維對比也表明，兩個模型組合使用效果優異，其提取結果能夠較好地反映城市建筑的三維形態和空間分布。

圖3 某地區的實際建筑和模型提取結果柵格同比例三維對比Fig.3 3D comparison of actual buildings and extracted buildings

2.2 不同年份建筑量變化的分析方法

由于不同年份衛星圖的視角傾角、坐標偏差等原因，直接統計分析不同年份的建筑面積變化將會帶入系統誤差，給評估結果帶來嚴重問題。在遙感領域的相關研究中，通常根據衛星影像和航空影像進行幾何校正來改正影像幾何畸變，得到校正圖像。這一做法對數據源質量要求高。本文提出簡易的統計校正方法：首先采用空間疊加將識別的建筑分為兩類：一類是兩個年份的建筑輪廓高度重合的建筑，認為其實際上未發生改變；另一類為建筑輪廓重合度較低的建筑，認為其實際上發生了拆除、更新、新建等變化。然后統計未改變建筑的差異比例作為修正系數，并基于該系數修正發生變化的建筑面積統計量，得到修正后較準確的建筑量變化統計。

2.3 研究數據

本文采用“谷歌地球”的高精度衛星影像，分辨率約為0.25 m/像素，部分郊區的影像質量較低，約0.5 m/像素。研究空間范圍是除崇明區以外的上海市域。考慮到崇明區面積廣闊、建筑密度低，近年來建設也較少，為減少計算量將其忽略。研究時間范圍選擇2014年、2019年兩個截面。由于谷歌地球在部分郊區地區的更新頻率低于每年一次，部分郊區衛星影像的近期時間截面為2018年。本文所有統計的總建筑面積、建筑面積變化百分比均以2014年識別結果為基數。

3 上海“十三五”期間建筑存量情況及其變化

3.1 上海建筑存量及其變化的基本情況

從上海全市來看（見表4），2014年保有總建筑面積約14.52億m2，“十三五”期間一共凈增加了1 768萬m2，增長了約1.22%。有7個行政區的總建筑面積在“十三五”期間有所增加，其中松江區、青浦區分列前2，均增加了5萬m2以上，增幅均超過5.00%。另有5個行政區總建筑面積呈現減少的趨勢，其中奉賢區減少最多，5年間一共減少134萬m2，減少了1.29%。總的來說，中心城主要行政區的建筑總量變化幅度多在2.00%以下，而郊區行政區的變化比例較大一些，主要以增長為主。

表4 上海各行政區2014—2019年建筑總量變化Tab.4 Changes of total floor area in 2014-2019 at district level in Shanghai

3.2 當前城市體檢關注的建筑指標情況

自然資源部《國土空間規劃城市體檢評估規程》中與建筑相關的指標是“超高層建筑數量”和“城鎮人均住房面積”。識別結果表明，2014年上海市域（除崇明區）有“超高層建筑數量”（按建筑層高大于等于35層統計）總計351棟，其中98.86%（347棟）在中心城范圍內，僅有4棟在郊區；2019年增加了28棟，全部位于中心城范圍內。2014年除崇明區以外的居住用地、農村居民點用地上的總建筑面積為7.94億m2，對應人均住房建筑面積約33.61 m2/人。由于缺少2019年土地使用數據，本文無法推算該指標的變化情況。

住建部《2021年城市體檢指標體系》中與建筑直接相關的指標是“新建住宅建筑高度超過80米的數量（棟）”。按25層計算，2014年除崇明區以外的居住用地上共有1 897棟建筑超過25層，其中84.30%（1 600棟）在中心城范圍內，15.70%（297棟）在郊區⑤統計時，輪廓連續的建筑視為1棟。例如連續的25層以上住宅構成的板樓，雖然實際入口有多個，但只要輪廓連續，本文就視為1棟。。由于缺少2019年土地使用數據，本文無法準確判斷新增建筑是否是居住建筑，無法推算該指標的變化情況，有待進一步研究。

3.3 規劃實施評估：以上海“十三五”規劃為例

3.3.1 空間發展戰略實施評價

空間分布上，中心城的總建筑面積仍然呈現少量增長的趨勢，總計增加了418萬m2，相當于全市增長總量的24%。結合上述行政區的分析可見，增加的區域分布廣泛，包括原靜安、原閘北、徐匯、長寧、楊浦等區，分別增長了1.22%—3.44%不等。可見“嚴格控制中心城建筑總量”的目標落實并不太理想。

從五個新城總體來看，建筑面積一共增加了1 585萬m2，相當于全市增長總量的90%。其中松江新城、青浦新城的增量和增幅最為顯著，僅兩個新城增量就相當于全市增量的約60%。其他3個新城建筑增量雖然落后于中心城，但也都增長了150萬m2以上，基本符合“大力推進新城功能建設”的政策導向。

進一步統計分析所有街鎮的建筑總量變化（見圖4），全市建筑量的變化大體上呈現“中心城+五個新城+廊道”的發展格局。中心城周邊街鎮除了康橋、周浦兩個特例，建筑面積均顯著減少。雖然建筑面積減少不等于建設用地減少，但也從側面印證了“中心城周邊鎮要嚴格控制建設用地擴張”的政策落實較好。進一步分析發現，康橋、周浦的建筑面積增長主要集中在城鎮住宅用地上，建筑增量達162萬m2，占這兩個鎮建筑面積總增量的60%以上。中心城周邊街鎮建筑總量大幅下降，減少了約500萬m2，同樣從側面印證了“中心城周邊鎮要嚴格控制建設用地擴張”的政策落實得比較理想。進一步與用地性質疊加分析發現，工業用地上的建筑總量減少最多，總計下降了524萬m2；農村居民點用地上的建筑總量減少次之，也達到255萬m2；倉儲類用地減少列第3，減少了232萬m2。

圖4 按鄉鎮街道統計的上海2014—2019年建筑變化Fig.4 Changes of total floor area in Shanghai in 2014-2019 at sub-district level

五個新城內部基本呈現增長趨勢，其周邊街鎮則存在（高）增長和（高）下降并存的格局。松江新城、青浦新城周邊街鎮的增量和增幅最大，嘉定新城、南橋新城周邊街鎮的增量次之，與對應新城的變化比較一致。南匯新城最為特殊，雖然其新城內建筑量獲得一定的增長，但其周邊街鎮降幅很大，下降了283萬m2。與用地性質疊加分析發現，南匯新城周邊街鎮的建筑量減少主要發生在工業用地、農村居民點用地、倉儲用地上，分別減少了142萬m2、76萬m2、29萬m2（見表5）。

表5 上海中心城與五個新城2014—2019年建筑總量變化Tab.5 Changes of total floor area in 2014-2019 by new towns and the central city in Shanghai

對廊道而言，滬杭、滬湖廊道的主要城鎮獲得較普遍的建筑增長，尤其是楓涇、朱涇的建筑增量都超過100萬m2。與用地性質疊加分析發現，楓涇鎮、朱涇鎮內農村居民點用地內建筑總量增加最多，達83萬m2，城鎮住宅用地內增加82萬m2，工業用地內增加52萬m2。但滬寧走廊則相反，其中白鶴、華新等鎮的建筑總量大幅下降。與用地性質疊加分析發現，白鶴鎮、華新鎮內工業用地內建筑總量減少達162萬m2，草地、耕地、園地、林地、其他農用地內建筑總量減少12萬m2。

3.3.2 重要政策區實施評價

城市開發邊界、生態走廊是上海“十三五”規劃和“上海2035”規劃政策中最重要的空間政策之一。從上海全市來看，城市開發邊界內的建筑量增加4 585萬m2，平均增幅為3.82%（見表6）。其中商業、居住等功能區內的量增加最多，達3 636萬m2；產業基地范圍內建筑面積增加460萬m2，產業社區范圍內建筑面積增加489萬m2。從增幅來看，產業基地和產業社區均增加9.00%以上，遠高于其他功能區內的建筑增幅。另外，5年間“生態走廊”和“主城區生態空間”內的建筑面積都減少800萬—1 000萬m2，下降比例高達7%—10%。總的來看，城市開發邊界和生態走廊、生態空間相應的“集中建設”“限制建筑”政策獲得較好的落實。

表6 上海主要政策區2014—2019年建筑量變化Tab.6 Changes of total floor area in 2014-2019 aggregated by policy zones in Shanghai

3.3.3 土地使用方面的實施評價

上海“十三五”規劃對于農村集體建設用地、工業用地和林地3種用地類型作出特殊的要求，但是整體落實情況差異較大。統計結果（見表7）表明，農村居民點用地上的建筑總量在5年間呈現顯著減少的趨勢，總建筑面積下降約823萬m2，降幅達到4.5%，體現“穩步推進減量化和布局優化”等政策的有效落實。相比之下，2014年草地等E類用地上仍保有約1 700多萬m2的建筑物，且在5年間只有少量減少。全市工業和倉儲用地上的建筑面積減少最多，約1 200萬m2，可見“工業用地減量化”等政策的總體落實情況較好。此外可見，上海“十三五”期間的主要新增建筑是在公共建筑用地、商服用地、城鎮住宅等用地上。

表7 按二調用地類型統計的上海2014—2019年建筑量變化Tab.7 Changes of total floor area in 2014-2019 aggregated by land use types in Shanghai

為了進一步評價各類用地的更新情況，基于兩個年份建筑量變化對每一塊用地進行如下劃分。對于工業倉儲類用地：如果建筑量呈現減少超過1 000 m2，且2019年該用地上幾乎不再保留有建筑，則該用地屬于“全部拆除”；如果建筑量增加（減少）1 000 m2以上，則認為該用地屬于“增（減）量更新”；如果該用地上的建筑量幾乎沒有發生變化（增減變化小于1 000 m2），則認為該用地“基本不變”。這里采用1 000 m2的閾值是考慮到廠房面積一般較大，避免將模型誤差帶入用地更新類型的劃分。而對農村居民點用地采用200 m2（約一幢民宅面積）的閾值。

根據上述用地狀態定義評價（見表8）發現：城市開發邊界內工業倉儲用地以“增量更新”的模式為主（用地面積占比50.65%），總建筑面積約增加3 300萬m2；“全部拆除”的用地較少，同時也有不少用地發生“減量更新”。城市開發邊界外工業倉儲用地以“減量更新”模式為主，“全部拆除”的用地不多，說明對上海“十三五”規劃提出的“集中建設區外現狀工業用地減量復墾后優先用于造林”政策落實一般。另外，雖然有35.28%的用地仍在“增量更新”，但總建筑面積增加不多，僅約900萬m2。總體來看，工業和倉儲用地的減量化主要發生在環繞外環約10 km的郊區城鎮（見圖5），對“聚焦工業倉儲用地，加快集中建設區外現狀工業用地減量化”政策推進效果是較為顯著的。

表8 按建筑量變化推測的上海2014—2019年用地變化Tab.8 Changes of land use in 2014-2019 aggregated by inferred renewal types in Shanghai

圖5 按鄉鎮街道統計“全部拆除”的上海工業倉儲和農村居民點用地分布圖Fig.5 Changes of land use in Shanghai in 2014-2019 at sub-district level

另外，農村居民點用地主要在發生“增量更新”“減量更新”或“基本不變”，僅有12.33%的用地上的建筑“全部拆除”，總拆除建筑面積約700萬m2。總體來看，農村居民點用地的減量化相對分散地發生在部分郊區城鎮（見圖5），對“聚焦農村集體建設用地，穩步推進減量化和布局優化”的政策有較好的落實。

4 結論與討論

4.1 結論

本文提出建筑變化視角下城市體檢評估框架主要包括城鄉建設基本情況、政策落實與風險預警、規劃實施評估等3大目標。認為基于深度學習和高精度衛星影像的建筑識別與分析方法可以在城市體檢中發揮重要作用。以上海為例，提取了2014年、2019年的建筑輪廓和高度信息，并從建筑存量變化基本情況、當前城市體檢關注的重點指標、上海“十三五”規劃實施情況3個方面開展評估。結果發現：（1）“十三五”期間上海（除崇明區）建筑面積增長了約1.22%。（2）超高層建筑數量增加了28棟，全部位于中心城。（3）上海“十三五”規劃確定的有關政策基本獲得了較好的實施；工業用地上的建筑面積減少了3.18%，關于工業用地減量化和空間布局優化的政策實施效果顯著；五個新城內總建筑面積增加了8.16%、周邊街鎮各有不同變化，推進新城、分類推進鎮的建設等政策實施較好；中心城區建筑面積總計增加了418萬m2、城市開發邊界外僅有15.85%的工業用地上的建筑全部拆除，中心城區建筑總量控制、城市開發邊界外工業用地減量這兩項政策有待進一步落實。

4.2 討論

本文探索實現了建筑智能識別技術在城市體檢中的大規模應用。該方法能夠為城鄉建設基本情況普查、政策落實和風險預警、規劃實施評估提供新的數據源，也為城市形態、城市信息模型等研究提供新思路。

另外，本文采用的方法還有待進一步完善，主要包括：（1）目前的訓練集主要以上海數據為主，不一定適合直接應用到其他城市；（2）按像素提取的建筑輪廓和高度還需要進一步處理才能形成更符合實際的建筑矢量圖形（不影響建筑面積統計），處理過程有待優化；（3）高精度衛星圖計算量較大，如果該方法要大范圍推廣，還有待訓練針對較低精度衛星圖的有效模型。