CN114444836A - 一种针对超级街区层级结构的测量方法 - Google Patents

Abstract

本发明公开一种针对超级街区层级结构的测量方法，属于城市设计技术领域，根据城市街区形态研究类别，确立“构成”与“构型”作为认识视角，确定测量对象包括“网络”与“面域”，建立了一套由“视角”与“对象”相交所构成的层级矩阵，将超级街区的形态特征测量分为四个象限，提出街区形态层级结构的指标体系及其计算方法，对超级街区之间进行可视化比较与分析；本发明为进一步探索街区形态的内在机制与规律提供了科学方法，为城市建成环境的现状评价及其未来实践优化方向提出了技术工具，对发展中微观层面的数字化城市设计方法具有促进作用。

Description

一种针对超级街区层级结构的测量方法

技术领域

本发明属于城市设计技术领域，具体涉及一种针对超级街区层级结构的测 量方法。

背景技术

以城市交通干道(或是大型河道、森林及城墙等)为边界，被其划分出来 的内向性巨型街块被视为是超级街区。在街道网络的研究上，谢尔顿(Shelton B) 提出了街区网络的三级结构(2012年)，皮珀尼斯(Peponis J)在采用空间句 法中的方向性距离分析方法研究街区微观网络的多尺度分层特征(2015年)。 在面域结构的研究中，英国学者莱斯利·马丁与莱昂内尔·马奇(Martin L and March L，)首次系统性的运用数字化模型研究城市密度问题(1975年)。2005 年，荷兰代尔夫特大学的珀特(Pont M B)与哈普特(Haupt P)建构了空间矩 阵(spacematrix)方法，建立了容积率(FSI)、覆盖率(GSI)、开敞度(OSI)、 层数(L)四个指标与建成形态之间的可视化关联。2019年，城市形态学家穆东 (MoudonAV)提出了一个即整合区域、网络、超级网格和超级街区四个方面的 概念框架，这些对超级街区形态测量方法只关注单一的要素，对整体形态的层 级结构研究缺乏完整性和全面性，且没有给出具体的计算方法，导致设计出的 街区形态无法达到预期的理想状态。

发明内容

针对现有技术的不足，本发明的目的在于提供一种针对超级街区层级结构 的测量方法，能够兼顾道路网络以及开发用地，并且能够将几何尺度及拓扑结 构两种属性关联在一起，可以更好的认知与理解超级街区形态特征，设计出最 理想的街区形态。

本发明的目的可以通过以下技术方案实现：

一种针对超级街区层级结构的测量方法，所述方法包括以下步骤：

S1：根据城市街区形态研究类别，确立“构成”与“构型”作为认识视角， 确定测量对象包括“网络”与“面域”，建立一套由“视角”与“对象”相交 所构成的层级矩阵十字坐标图；

S2：确定超级街区的不同方面形态特征测量关系在坐标图各个象限中的位 置；

S3：根据层级矩阵基础，为各象限提出量化方法，描述模式的层级秩序， 对各街区间的层级结构进行准确的分析比较。

进一步的，所述步骤S1中“视角”分为“构成”与“构型”两个方向，“对 象”包括“网络”与“面域”两个方面。

进一步的，所述步骤S2中各象限对应的街区形态测量关系为：

上象限：描述某一条街道在网络中的拓扑连接关系；

右象限：描述某一街道的宽度和长度等几何构成；

左象限：描述地块与街道的连接关系以及地块之间的连接关系；

下象限：描述地块的尺度大小及其开发强度。

进一步的，所述步骤S3中对各街区间的层级结构的分析包括对个体要素类 型等级的计算、象限指标的计算以及得出整体街区在各象限上的层级性结果。

本发明的有益效果：

本发明通过层级矩阵为超级街区结构的识别提供一个具有普适性的量化工 具，一个具有地域性的街区结构特征可以通过大量的样本分析所提取，从而导 出理想区间的取值，为设计与改造方向提供明确的指引，通过现状结构与理想 区间的比较，可以明确地获得街区形态的改造方向及程度，有助于准确地选取 改造策略使设计结果到达理想状态；同时本发明不但为进一步探索超级街区形 态的内在机制与规律提供了科学方法，而且为打通形态认知与形态设计两个环 节建立了数学基础，对发展中微观层面的数字化城市设计方法具有促进作用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领 域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。

图1是“视角”与“对象”相交叉的层级矩阵认知十字坐标图；

图2是整体结构的层级图；

图3是八个样本街区的层级矩阵图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造 性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

超级街区的形态特征可以描述为：在城市干道(大型河道、森林及城墙等) 围合出的区域单元中，具有不同尺度大小的形态要素通过某种逻辑关系交织在 一个具有复杂性的拓扑结构网络中。为了科学认识隐性的逻辑关系，本发明提 出一套具有针对性的认知方法——层级矩阵(hierarchy matrix)。在城市形态 学领域中，街道、地块及建筑三个基本形态要素可以通过模式语言被描述出来， “网络”针对街道系统，“面域”指的是被建筑占据的地块所构成的平面区域； 构成(Composition)与构型(Configuration)又是观察同一个要素的两种视角， 前者关注的是要素的几何尺度属性，后者关注的是要素之间的抽象拓扑关系。 在此基础上，设计出一种针对超级街区层级结构的测量方法，该测量方法包括 以下步骤：

S1:根据城市街区形态研究类别，如图1所示，确立“构成”与“构型” 作为认识视角，确定测量对象包括“网络”与“面域”，建立一套由“视角” 与“对象”相交所构成的层级矩阵十字坐标图，“视角”分为“构成”与“构 型”两个方向，“对象”包括“网络”与“面域”两个方面，城市街区形态研 究中的几种类别都可以在该层级矩阵中找到相应的位置。

S2：确定超级街区的形态特征测量关系在坐标图各个象限中的位置。比如， 描述某一条街道在网络中的连接关系属于上象限的范畴，当描述这条街道的宽 度和长度等几何构成时它就转移到了右象限；如果关注到地块与街道的连接关 系以及地块之间的连接关系时，视角就转移到了左象限；而地块的尺度大小及 其开发强度就属于下象限的范畴。四个象限相互对应，可以更加全面且系统的 认知超级街区的层级结构。

S3:根据层级矩阵基础，为各象限提出量化方法，从而描述模式的层级秩序， 对各街区间的层级结构进行准确的分析与客观的比较。首先，需要进行个体要 素类型等级值的计算。在网络构型上，将限定街区的边界道路定位为基准要素， 深度值定为0,连接度定位无限大，在此基础上为内部街道赋予深度与连接度值， 与边界街道直接连接的街道深度值为1，与深度值为1的街道直接连接的街道深 度值为2，以此类推，而连接度值描述街道所连接的街区范围内其他街道的数量， 如果街道与3条其他街道连接，则该街道的连接度值为3，深度值越低、连接度 值越高的街道等级就越高(边界道路等级始终最高，内部街道依次递减)，反 之，等级就越低；在网络构成上，通过对街道宽度及长度来识别街道等级，宽 度及长度越大的街道等级就越高，反之，街道等级就越低；在面域构型上，地 块的等级等于其主要出入口所在街道的网络构型等级值，需要穿越其他地块进 入的地块，其等级等于所连接地块的构型等级加1；在面域构成上，基于容积率 和建筑密度来确定面域的等级，容积率越高建筑密度越大，等级就越高，反之， 等级就越低，各象限的个体要素类型等级计算基础数据如表1所示。

表1各象限的个体要素类型等级值计算基础数据

依据等级的判断标准对要素个体的类型进行排序以及各类型所包含的数 量值。如图2所示a、b两个样本为例，a样本在四个象限上均有3个等级类型， 且每类包含1个要素；b样本在四个象限上都只有1个等级类型，但每类包含 的要素数量都是4。当基础数据较为复杂时，可以通过聚类分析来寻找要素之 间的相似性，以便于科学分类；聚类分析被广泛用于形态类型的区分，类间的 相似性(或同质性)越大，类间的差异越大，聚类方案就越好(或越明显)； 视样本街区的个体要素数量、基础数据区间和聚类的质量来确定类的数量，并 根据个体要素类型等级值结果，对每个象限的要素进行方差运算，得到每个象 限的绝对层级值，计算公式如下：

注：α：绝对层级值；

xi：序号为i的个体要素(街道或地块)的值；

M：街区内该类个体要素类型等级值的平均数；

n：街区内该类型等级的个体总数。

将所有街区的各项绝对层级值结果依次进行归一化计算，得到0至1之间 的数值，即街区每个象限的相对层级值结果，计算公式如下：

β＝(α-α_min)/(α_max-α_min)

注：β：相对层级值；

α：该象限的绝对层级值；

αmin：所有要素中最小绝对层级值；

αmax：所有要素中最大绝对层级值。

相对层级值用于描述街区内部组成要素的层级性特征，可以通过该值进行 街区之间的横向对比。一个象限上个体要素类型等级值的分布越分散，相对层 级值越高，表示这个象限的层级性越高，反之，类型等级值分布越集中，相对 层级值越低，说明该象限的层级性越低。如图2所示，a图结构的街区在四个象 限上都呈现出的层级性明显高于b图结构的街区，所以前者在层级矩阵中的圈 层要大于后者。

基于街区内个体要素的类型等级值结果，经过绝对层级值计算，将四个象 限的数据进行归一化处理，进而得到可以用作比较与分析的相对层级值。

具体实施例，选取国内外八个街区作为比较对象，如表2所示，国内样本 是北京、南京、广州及香港的老城中心，社会背景及气候环境差异较大；选取 的日本东京街区E与西班牙巴塞罗那街区G位于老城中心，都经历过局部性的 规划调整；样本F与H完全是在自上而下的规划控制下建设完成的，充分体现 了设计师的理念。

表2八个样本街区的概况

对中外八个具有代表性的街区分别从四个象限对其进行层级性测量，通过 聚类分析，得到16个网络构型等级，10个网络构成等级，12个面域构成等级， 16个面域构型等级。将相对层级值呈现在雷达图中，如图3和表3所示。样本 A、C及E表现出了明显的层级性特征，但是三者均有一个明显的弱项，A在面 域构型上偏弱，C与E的弱项则是面域构成。样本B、F及H均呈现出了明显 的“偏心”结构，三者均在网络构型表现极强，而另外三项明显示弱。其中， 样本F与H的结构十分相似，都在网络构成及面域构型上表现出了适中的层级性，而面域构成的层级性极低。样本B在网络构成与面域构成上表现出适中的 层级性，面域构型的层级性明显偏低。样本D与G的整体层级性明显低于其他 样本，不同的是前者在各项指标上略微高于后者。

除方格网街区D与G外，所有街区都在网络构型上表现出了极强的层级性， 街道类型的差异化是街区的一个显著的基本特征。层级性较强的样本A、C及E 都位于老城环境中，涵盖了自明清时期至今的多个历史肌理，自下而上的自主 更新对层级的构建具有明显的正相关影响。样本B虽然毗邻老城，由于采用了 相对整体的改造方式，现存肌理的历史跨度较小，所以层级性并不突出。样本F 与H是在明确设计意图下形成的街区，虽然设计师已经极力想通过网络构型来 塑造多样化场所，但是由于街道和建筑的尺度过于均质化从而抑制了几何构成 的层级性。样本D和G处于均质化方格网中，虽然后期经历过具有目的性的差异化改造，但是仍然难以改变层级性羸弱的结构本底。

表3八个样本街区的层级结构

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描 述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发 明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一 定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点 可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业 的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中 描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明 还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种针对超级街区层级结构的测量方法，其特征在于，所述方法包括以下步骤：

S1：根据城市街区形态研究类别，确立“构成”与“构型”作为认识视角，确定测量对象包括“网络”与“面域”，建立一套由“视角”与“对象”相交所构成的层级矩阵十字坐标图；

S2：确定超级街区的不同方面形态特征测量关系在坐标图各个象限中的位置；

S3：根据层级矩阵基础，为各象限提出量化方法，描述模式的层级秩序，对各街区间的层级结构进行准确的分析比较。

2.根据权利要求1所述的一种针对超级街区层级结构的测量方法，其特征在于，所述步骤S1中“视角”分为“构成”与“构型”两个方向，“对象”包括“网络”与“面域”两个方面。

3.根据权利要求1所述的一种针对超级街区层级结构的测量方法，其特征在于，所述步骤S2中各象限对应的街区形态测量关系为：

上象限：描述某一条街道在网络中的拓扑连接关系；

右象限：描述某一街道的宽度和长度等几何构成；

左象限：描述地块与街道的连接关系以及地块之间的连接关系；

下象限：描述地块的尺度大小及其开发强度。

4.根据权利要求1所述的一种针对超级街区层级结构的测量方法，其特征在于，所述步骤S3中对各街区间的层级结构的分析包括对个体要素类型等级的计算、象限指标的计算以及得出整体街区在各象限上的层级性结果。

5.根据权利要求4所述的一种针对超级街区层级结构的测量方法，其特征在于，所述个体要素类型等级的计算包括：

1)，对网络构型、网络构成、面域构型以及面域构成基础数据的确定；

2)，根据得到的个体要素基础数据，对个体要素进行聚类分析，寻找要素之间的相似性，归类；

3)，依据等级关系的判断，对聚类得出的各类型进行排序，得出各类型的等级值。

所述象限指标的计算包括：

根据个体要素类型等级值结果，对每个象限的要素进行方差运算，得到每个象限的绝对层级值，计算公式如下：

注：α：绝对层级值；

xi：序号为i的个体要素(街道或地块)的值；

M：街区内该类个体要素类型等级值的平均数；

n：街区内该类型等级的个体总数。

将所有街区的各项绝对层级值结果依次进行归一化计算，得到0至1之间的数值，即街区每个象限的相对层级值结果，计算公式如下：

β＝(α-α_min)/(α_max-α_min)

注：β：相对层级值；

α：该象限的绝对层级值；

αmin：所有要素中最小绝对层级值；

αmax：所有要素中最大绝对层级值。

所述整体街区在各象限上的层级性结果的得出包括：

基于街区内个体要素的类型等级值结果，经过绝对层级值计算，将四个象限的数据进行归一化处理，进而得到可以用作比较与分析的相对层级值。

Images