存量規劃時代，我國城市空間治理面臨更為精細高效的多重挑戰，其中城市用地識別作為規劃工作開展的關鍵前提，如何更加精準高效地對大規模存量用地進行科學識別，對于提高城市規劃效率，以及城市更新工作的高質量開展起到了至關重要的作用。然而，面對城市用地在二維平面與三維立體上高度混合的復雜特征，現有數智化方法逐漸難以滿足精細化用地識別的要求，其根本原因在于，未能依據規劃師識別城市用地的“專業邏輯”去建構智能化模型，具體有以下3點技術瓶頸：（1）二維與三維數據的識別結果難以融合；（2）識別精細度難以突破至地塊單元；（3）缺乏根據識別結果的自動更正與迭代。

基于當前城市用地識別的難點，本研究首先需要對規劃師人工識別用地的“專業邏輯”進行解析，從中提取規劃師依據城市用地的二維形態特征，并逐漸融合三維立體特征進行用地識別的核心關鍵步驟，以及多維用地特征影響用地識別的相互作用機理，進而指導后續智能化用地識別模型的建構。

總體來說，專業規劃師需要按照“二維形態直觀判斷”“建筑功能識別”和“三維形態感知修正”的“專業邏輯”。首先，對用地二維形態進行總體認知，依據遙感影像的大類用地初識；其次，針對混合地塊的用地功能與地塊細分，對建筑功能進行分析；最后，對三維風貌形態進行感知，通過人眼三維視角對用地功能與邊界進行修正，以此實現對城市用地的精細識別。值得注意的是，在精細化治理的要求下，城市用地精細識別的目標顆粒度需要達到混合用地內的地塊單元，包括對地塊單元的功能判定與邊界劃定。

人工識別城市用地的全過程本質上是將二維和三維的用地形態與功能特征進行融合，依據“專業邏輯”線性遞歸地對用地性質與地塊邊界進行判斷與驗證。一方面，為得到準確的用地識別結果，人工識別用地的全過程需要按照自上而下的線性路徑，以逐步形成對目標用地特征的完整認識。另一方面，識別過程中隨著城市用地信息維度的不斷增加，規劃師會對依據不同特征信息推斷出的結果進行交叉驗證，不斷細化修正以得到最終識別結果。

智能算法完整還原人工識別用地的全過程，是通過對城市用地外顯特征的數字量化，再依據人工識別用地的專業邏輯進行智能化建模與規則設定，以實現對混合用地內地塊性質和邊界的自動識別與劃分。而人工識別用地全過程的特征表明，這種依據城市用地的多維特征，通過規劃師線性推導的用地識別全過程具有被智能算法還原的可行性，其理論依據在于：城市用地多源特征信息的可量化融合、城市用地識別過程的可模塊化、城市用地客觀性質與邊界的可解釋性（圖1）。

基于智能算法還原人工識別用地全過程的理論依據，本研究探索了一種將人工識別用地的“專業邏輯”轉化為“智能建模”的方法，即“智能相地”。智能相地方法的建構主要包括3個模塊，分別對應人工識別用地的3個核心專業邏輯，包括遙感影像深度學習模塊、建筑特征向量分類模塊和街景圖像語義分割模塊（圖2）。

智能相地的方法優勢與理論突破在于，不僅能兼顧識別結果達到專業規劃師精細識別的高精準度標準，同時還能逾越人工識別過程中固有的局限性。智能相地的方法通過人工智能對城市用地識別的全流程模擬，一步步把人工用地識別的“專業邏輯”轉譯為計算機“智能建模”，使智能化用地識別的精細度突破至混合用地內的地塊單元尺度，同時有效提高用地識別效率并降低人工識別的誤差。而在方法智能化轉型的過程中，規劃師將擺脫原先繁瑣重復的用地識別任務，轉而投身于人機協同的策略機制制定與智能化模型的建構調優等決策性工作，促使規劃基礎性工作的智能化轉型。

智能相地方法首先需對“平面直觀判斷”的專業邏輯進行智能建模，相比僅通過遙感影像深度學習的識別方法，本研究將建筑矢量平面轉譯為統一顆粒度的柵格數據，實現了遙感影像數據特征與建筑形態多維特征的融合，從而更精準地對大類用地類型進行識別。包括數據預處理與融合、大類用地識別模型建構與訓練、地塊邊界初步劃分3個步驟（圖3）。

在南京主城區的實證案例中，將預處理后的數據集輸入訓練好的智能化模型中，可得到南京主城區大類用地的初步識別結果，圖4顯示了4個典型街坊用地單元的識別主要過程和結果。與僅通過遙感影像深度學習的方法相比，大類用地初識的智能模塊融合了精細的建筑矢量特征，并通過智能規則的嵌入，提高了大類用地初識的準確度。然而該模塊僅能準確識別至大類用地性質，因此需進一步通過智能化建模還原完整專業邏輯，以實現更精細的用地識別。

城市用地的業態標注與建筑形態特征是用地識別最主要的判斷依據，在大類用地性初識的基礎上，本研究在建筑單體顆粒度下建構建筑單體的多維特征向量，細化識別單體建筑的用地類型歸屬分類，突破了用地識別的精細度至地塊單元的小類用地性質的局限。需要注意的是，由于POI業態標注和用地性質在語義上并不存在完全對應的關系，因此本研究采用監督分類學習模型，綜合考慮POI業態標注與建筑形態特征以對建筑單體類型進行智能化識別，有效提高了智能識別模型的可解釋性。包括建筑多維特征向量建構、建筑功能分類模型建構與訓練、地塊邊界細化劃分3個步驟（圖5）。

在南京主城區的實證案例中，通過上述方法建構主城區建筑的多維特征向量數據庫，并通過訓練好的模型與智能規則對建筑功能進行預測分類，共得到36類建筑歸屬類型，進而智能生成南京主城區的地塊細化識別結果，模型準確率達91.3%，召回率達88.5%（圖6）。然而，由于業態標注數據普遍存在誤差，以及用地發展與規劃間的不匹配，導致真實情況與識別結果不可避免地存在偏差，識別準確度仍有提升的空間。

由于任何城市地塊都至少擁有一個沿街界面，因此本研究創新性地增加了智能化模擬人眼觀察街景風貌與建筑形態對用地性質進行判斷的過程，同時還能識別出不同性質地塊間的分界線。基于此，通過智能規則的設定對部分用地識別的誤差進行修正，使識別準確度得以進一步提升。包括街景圖像語義分割與空間配準、街景建筑分類模型建構與訓練、建筑功能與地塊邊界修正3個步驟（圖7）。

在南京主城區的實證案例中，以百度街景圖像數據為基礎，預處理后共得到16284幅連續街景風貌圖像與75128張單體建筑風貌圖像，通過空間網格法將其與建筑矢量數據進行空間配準。進而利用DeepLabv3+模型和訓練好的VGG16深度學習模型，識別單體建筑立面圖像的用地功能歸屬類型。基于此，對第二模塊建筑功能識別結果進行校核修正，得到最終的用地精細識別結果（圖8）。

需要說明的是，由于南京主城區發展所處的階段，其商業服務設施用地普遍為混合功能用地，即無法將某一B類用地明確細分為單一中類或小類性質，因此本研究在識別B類用地時，不對其具體小類性質進行識別，而更多關注其用地功能混合的特征，包括對商住混合、商辦混合和商業文化混合等混合功能地塊性質的精細識別。部分城市小類用地的分類僅依靠相關政策、制度的解讀，無法通過多源大數據提取其特征，例如M類、W類用地的小類用地性質，因此本文對于此類用地的識別不做具體小類用地性質的區分。

由于城市用地的現狀特征與既定用地規劃間不可避免地存在一定程度的不匹配，加之多源大數據固有的誤差，導致少數用地不論通過專業人員或智能算法均難以準確識別。對此，本研究通過建構各子模塊維度和總體維度的智能規則庫，以進一步智能相地地提升識別準確度。在智能規則庫嵌入的基礎上，對訓練集進行多輪迭代循環測試，以不斷提高用地識別結果的精準度。最終35種用地分類的識別準確度均達到91%以上，平均準確度為94.5%。

智能相地方法不僅能促進規劃學科“產學研”的交叉融合，還能為未來城市規劃工作的模式的優化帶來新的視角。通過傳統規劃師“專業邏輯”與新興數智技術“智能建模”的優勢互補，將規劃師從大量基礎性工作中解放出來的同時，也促進了“人機交互”的規劃工作新模式的發展。

未來，隨著城市用地精細識別的智能化轉型，城市用地的更新與治理工作如何在專業內核與數智技術的融合下高效科學地開展，從而實現城市用地的高質量發展，仍有待持續深入的研究。