余清

江西農(nóng)業(yè)大學林學院 園林與藝術(shù)學院 江西 南昌 330045

我國的城中村問題一直以來都是一個令人關注和思考的話題。城中村，作為城市發(fā)展中的一種特殊現(xiàn)象，是由于城市化進程帶來的城市規(guī)劃和土地利用不平衡所導致的。城中村的存在既是一個社會問題，也是一個城市管理挑戰(zhàn)。為了優(yōu)化城中村存在的問題，提取與更新是至關重要的步驟。

1 概念解析

在中國，城中村的產(chǎn)生很大一部分是歸因于我國改革開放以來城市和工業(yè)的高速發(fā)展，而部分居民區(qū)仍滯后于城市的發(fā)展，生活水平低下，難以得到城市的有效管理。不過，在國內(nèi)的城中村，歸根到底是由于中國幾十年來獨特的城鄉(xiāng)二元分割的戶籍制度[1]，與土地和房屋租金收益的刺激所引起的[2-3]。國外是沒有與中國完全一致的城中村這種概念，只有相對較接近的Urban Village或Urban City[4]。在我國，城中村位于城市邊緣甚至中心繁華地帶，沒有得到合理規(guī)劃的存在。在快速城市化和發(fā)展壓力的影響下，中國城市試圖通過引進先進的建筑和摩天大樓來現(xiàn)代化和重建。然而，這些土地仍然包裹著原始的村民生活，與周圍的城市形成鮮明對比，導致了城鄉(xiāng)之間的碎片化景觀，被廣大學者稱為“孤立的島嶼”。這種存在對城市的健康發(fā)展產(chǎn)生了嚴重影響，需要我們進行探索和解決。

“城中村”的概念是人類長期社會生活中基于生活經(jīng)驗歸納總結(jié)出的高級復雜概念，正因如此，傳統(tǒng)遙感影像特征識別的精確度遠遠不夠，在單一通過遙感影像來判定，往往會與工廠、農(nóng)民公寓、臨時住建房混淆，產(chǎn)生識別度不夠的結(jié)果，目前仍未有明確有效的指標或標準來定義并劃分“城中村”[5-7]。

通過學習前人對“城中村”的研究，以及對南昌市“城中村”現(xiàn)狀的文獻綜合描述，得出以下四個判定標準的定義：

（1）具有明顯的城鄉(xiāng)二元特征；（2）區(qū)域土地使用權(quán)和所有權(quán)不屬于國家；（3）城市建成區(qū)范圍內(nèi)的耕地已經(jīng)喪失或基本喪失（村莊區(qū)域范圍內(nèi)的耕地面積不超過村莊區(qū)域總面積的30%），當?shù)卮迕裨谏罘绞缴厦黠@表現(xiàn)出非農(nóng)化；（4）村莊位于高度城市化區(qū)域，并且周邊范圍中至少70%以上的土地是國有土地性質(zhì)建筑或場地。

2 城中村邊界提取的研究背景與研究角度

2.1 歷史背景

從歷史背景角度來說，最早受到關注的“城中村”現(xiàn)象是改革開放之后的珠三角地區(qū)，大量學者對珠江三角洲地區(qū)和粵港澳大灣區(qū)等經(jīng)濟中心進行社會經(jīng)濟、政府政策、地域空間等方向分析和研究。而“城中村”一詞最早出現(xiàn)于楊安發(fā)表的“城中村的防治”文章中，這是最早系統(tǒng)性的闡述了城中村的現(xiàn)象、成因、后果與防治措施的。

2.2 國內(nèi)外研究進展

國內(nèi)外對于高分辨率遙感影像信息的提取，特別是建筑物的準確提取，已經(jīng)引起了廣泛關注。許多研究人員和機構(gòu)投入了大量精力和設備進行相關研究。國內(nèi)也有許多高校對此展開了深入研究，例如解放軍信息工程大學、中國國防科技大學的ATR實驗室、南京大學和武漢大學黃昕教授帶領的團隊等。本文主要參考了南京大學和武漢大學的研究方法進行分析。

2.3 研究角度

現(xiàn)在學者對于“城中村”的定義普遍從三個角度出發(fā)進行定義與研究，一是基于土地空間角度的地理學領域，二是基于經(jīng)濟形態(tài)或經(jīng)濟成分構(gòu)成的角度的經(jīng)濟學領域，三是基于社會群落結(jié)構(gòu)、社區(qū)聚落和制度體制等角度的社會學角度。

目前對城中村邊界進行非監(jiān)督性提取與判別，大抵是通過高分辨率遙感影像提取場景語義再結(jié)合其他輔助手段的多元融合方法，有的是基于對象的、基于神經(jīng)網(wǎng)絡的、基于中層特征的、基于POI的、利用ENVI中深度學習工具等等方法進行精確化識別。

學者們?yōu)榱藴蚀_識別城中村、檢測城鄉(xiāng)統(tǒng)籌規(guī)劃和進行精細化治理，提出了一種新模型，利用深度學習的多尺度擴張卷積神經(jīng)網(wǎng)絡?；蚶酶叻直媛蔬b感影像、建筑物輪廓和興趣點等多元空間數(shù)據(jù)，在ENVI中使用深度學習工具提取城中村邊界?；蛴袑W者通過將遙感影像與社會感知相融合的層次化識別方法，在特征上融合了遙感圖像和社會感知數(shù)據(jù)的優(yōu)點，從而獲得城中村精細的空間分布。

結(jié)合（1）興趣點數(shù)據(jù)，包括小餐飲點、小賣鋪、租房信息集中出現(xiàn)的區(qū)域等；（2）實地調(diào)查或建筑物輪廓影像數(shù)據(jù)（其中包括建筑物邊界信息、建筑樓層高度信息，建筑屋頂面影像數(shù)據(jù)，房屋面積數(shù)據(jù)）；（3）出租車軌跡線路數(shù)據(jù)，公交刷卡記錄上下車點與上下車時間。

3 研究區(qū)域概況及數(shù)據(jù)源

3.1 研究區(qū)域概況

本文探究的區(qū)域是南昌市青山湖區(qū)，位于鄱陽湖西南岸，贛江中下游，江西中部偏北。到2019年為止，南昌市青山湖區(qū)總面積為127.6平方千米，下轄四個街道五個鎮(zhèn)。其中，在第七次人口普查數(shù)據(jù)中顯示，截止至2020年11月1日0時，青山湖區(qū)常住人口達到130萬余人，城市土地利用格局錯綜復雜、城市更新速度日新月異，而城中村及其帶來的影響確實南昌市市政府頭疼已久的社會問題。在本文中，參考期刊論文對城中村的定義、下載高德街景地圖遙感圖像和通過目視解譯的方法粗略的人工劃定城中村疑似的參考區(qū)域（如圖1）。

圖1 南昌市青山湖區(qū)走訪城中村位置及名稱

3.2 數(shù)據(jù)來源

（1）本文使用的遙感影像數(shù)據(jù)來源于天地圖、高德地圖開放平臺、高德地圖API、規(guī)劃云等獲取影像數(shù)據(jù)。

（2）利用python和網(wǎng)絡端口獲取地理信息數(shù)據(jù)點在實際地理空間的矢量位置，本文共獲取南昌市青山湖區(qū)2021年的211084條POIs數(shù)據(jù)。出租車軌跡數(shù)據(jù)源于南昌市交通運輸局，為使結(jié)果能真實有效，可準確的識別出城中村活動范圍，反映市民出行活動規(guī)律。本文使用了南昌市2021年5月10日（星期一）-2021年5月16日（星期天）的軌跡數(shù)據(jù)進行分析。一共包括11612輛出租車產(chǎn)生的13486813條記錄。

（3）最主要和大量的數(shù)據(jù)還是源自于實地調(diào)研，隊伍5人分批次實地探訪，我們?nèi)藶榈睦玫罔F一號線，將整個青山湖區(qū)分為南、北兩個地塊，便于走訪與調(diào)查。運用人工目視解譯的方法，運用我們的專業(yè)知識對文獻進行大量的研究，對城中村的概念有了一個較為清晰的認知，大致的將青山湖區(qū)行政邊界范圍內(nèi)的城中村挑選出來。對挑選出來的城中村，逐個拍照記錄，與當?shù)鼐用襁M行交流，了解現(xiàn)在城中村的活力與生機。

3.3 研究方法

3.3.1 通過ENVI的深度學習提取城中村信息

首先，我們可以利用ENVI深度學習基于ENVI Deep Learning模塊的分層迭代算法，對城中村信息進行提取。為了實現(xiàn)這一目標，我們使用了開源框架TensorFlow作為ENVI Deep Learning的核心支持。通過使用TensorFlow，我們能夠訓練模型并對輸入的各種文件、圖案等數(shù)據(jù)進行自動歸納識別。

具體而言，提取城中村的步驟如下：首先，我們需要對影像數(shù)據(jù)進行預處理。然后，我們通過訓練模型來提取城中村的信息。接下來，我們使用Label Me生成的json格式文件，并將其轉(zhuǎn)換為t格式文件以便進一步處理。為了增加樣本的多樣性，我們將mask掩膜圖片和原始圖像進行旋轉(zhuǎn)（順時針90度、180度、270度）和翻轉(zhuǎn)（水平、垂直）操作。

城中村建筑物樣本數(shù)據(jù)集可以分為三個板塊：原始樣本影像、實例分割結(jié)果和實例分割標注信息。我們利用實例分割算法Mask R-CNN進行深度學習，以提取建筑物的信息，并對城中村樣本進行檢測和驗證。

通過以上步驟，我們能夠利用深度學習技術(shù)有效地提取城中村的信息，為進一步的分析和處理提供了可靠的基礎。這一方法不僅提高了數(shù)據(jù)處理的效率和準確性，還為城中村研究和規(guī)劃提供了重要的數(shù)據(jù)支持。

3.3.2 通融合多源數(shù)據(jù)的城中村識別

由于在片面的使用遙感影像的判別，會產(chǎn)生工業(yè)廠房、老舊農(nóng)民公寓、臨時住建房等與城中村形態(tài)上的模糊與混淆的情況存在，因此需要通過多面的判別手段，對城中村進行進一步的提取與篩選。通過我們社會經(jīng)驗可知，城中村具有一系列明顯特征，例如：房屋整體不高，房屋形式不一，較為混亂，往往建筑之間較為密集，房屋環(huán)境陰暗，且常見亂拉電線的情況，路面排水設施相對老舊，隨處可見張貼著租房公告等等。而本文選取房屋的高度、面積屬性進行初次篩選。我們利用Arc GIS對建筑物面積值進行計算，得到每個單位內(nèi)建筑物的平均高度、平均建筑面積、建筑物面積總和、高度標準差等信息。

為了反映城中區(qū)與其他非城中區(qū)區(qū)域在興趣點上的差異，我們就需要使用Arc GIS核密度分析工具進行核密度分析，通過計算每一個輸出柵格像元周圍相鄰的區(qū)域內(nèi)輸入興趣點的密度，即可得出二者之間的差異。

4 未來城中村更新策略的探討

近些年來，隨著社會的發(fā)展進程不斷推進，城中村的問題愈發(fā)與我們的日常生活息息相關，同時注意到城中村問題的專家學者也越來越多，包括但不限于有學者針對城中村給房地產(chǎn)經(jīng)濟效益帶來的不利影響，由于其中有著大量電線亂牽拉，地面不平整，排水系統(tǒng)老舊，房屋老化，樓與樓之間未留有足夠的空隙導致日照時長遠未達到標準，每戶人家房屋風格差異明顯導致的美觀性下降；有研究表明，與其他遠離城市的房屋相比，城中村的社區(qū)對房屋銷售價值確實產(chǎn)生了負面影響。因此，本調(diào)查也旨在幫助優(yōu)化南昌市城中村的不足之處。

根據(jù)南昌市國民經(jīng)濟和社會發(fā)展“十四五規(guī)劃” 中對青山湖區(qū)數(shù)字經(jīng)濟布局的導向，將大力發(fā)展青山湖區(qū)的流量經(jīng)濟和定制化、數(shù)字化服裝生產(chǎn)制造。因此，對青山湖區(qū)現(xiàn)有資源的整合與重組，以吸引區(qū)外資金、人才、技術(shù)等資源帶動當?shù)叵嚓P產(chǎn)業(yè)特色化發(fā)展就顯得尤為迫切與重要。同時參考與學習了廣州市、廈門市、深圳市等地區(qū)對于各自城中村更新策略的典型案例，結(jié)合青山湖區(qū)不同城中村的人文要素與形態(tài)特征，挑選擁有自身文化風俗保留的城中村。

我們從村落的區(qū)域、村域大小、衛(wèi)生安全情況、現(xiàn)狀規(guī)劃情況、是否具備特殊場所、道路空間特征以及建設情況等方面出發(fā)，通過具體走訪，對已提取的上述村落進行分類。通過分類情況，旨在判定哪些村落后續(xù)需要大幅度改造，適當改造以及無需改造。對于那些已經(jīng)受到規(guī)劃，而且衛(wèi)生狀況優(yōu)良，存在特殊場所需要保護的，且新建屋房多的,研究團隊提倡不予改造，以保護其現(xiàn)狀可持續(xù)發(fā)展為首要問題；對于那些衛(wèi)生狀況一般，且無規(guī)劃，無特殊場所的村落,且新屋多的村落，研究團隊提倡給予適當調(diào)整，改造其衛(wèi)生情況向好的方向發(fā)展，提升其景觀效益；對于那些衛(wèi)生狀況差，無規(guī)劃，無特殊場所，且舊屋多的地方，需要大幅度改造，旨在幫助其恢復周邊環(huán)境，同時避免舊房子帶來的安全隱患。研究團隊大致將后續(xù)的改造方向和改造程度分為以上三種情況，旨在給明大致的方向和思路，對于有些村落，其情況大致相同于上述某一種分類，但又不完全相同的，可以靠邊進行相應的調(diào)整，無需雷同，可具體情形具體針對。

南昌市是具有深厚文化底蘊的城市，城中村雖然不作為文化傳承發(fā)展的主體，但是不同村落需要保留其特有的文化風俗。對于那些急功近利，快速拆除重建的城中村項目案例是不建議借鑒的。在改造之前，我們需要明確我們所要改造的城中村，到底在城市中扮演怎樣的角色，以城市發(fā)展的整體眼光區(qū)看待改造問題，不僅僅改造物質(zhì)空間，更要復興社會空間。并此基礎上挖掘其文化脈絡，以景觀的手段將那些被忽視的文化基因再次重現(xiàn)。

5 結(jié)語

綜合以上分析，在當前的大數(shù)據(jù)時代背景下，結(jié)合高分辨率遙感影像和多源數(shù)據(jù)的方法來識別和辨別城中村是非常有效的。我們通過本次調(diào)研，運用相應的技術(shù)成功提取了可供研究的城中村對象。這為后續(xù)的學者研究提供了便利，他們可以直接進行研究，無需再次進行辨別和提取的工作。同時，我們通過實地走訪和實踐經(jīng)驗的積累，旨在為后續(xù)真正的城市改造提供有實際可行性的思路和建議。