清华大学王毅教授团队最新发文！从分类到解码：机器学习揭示植根于环境驯化的传统村落空间格局——以四川西北部藏羌地区为例

文章基本信息

期刊：Habitat International

英文题目：From classification to decoding: machine learning unveils traditional village spatial patterns rooted in environmental domestication—a case from the Northwestern Sichuan Tibetan–Qiang region

中文题目：从分类到解码：机器学习揭示植根于环境驯化的传统村落空间格局——以四川西北部藏羌地区为例

发表时间：2026年
文章链接：https://doi.org/10.1016/j.habitatint.2026.103890

摘要

四川西北部藏羌地区的传统村落规划与保护面临三大核心挑战：1）缺乏全区域范围的空间格局类型分类；2）缺乏对各类典型规划特征的定量描述；3）对空间格局与其人文地理环境之间文化嵌入性关系的理解不足。为解决这些问题，本研究整合了机器学习技术与环境驯化理论，利用开放获取的卫星影像作为空间表征，构建了一个区域性的分析框架，用于对村落空间格局进行定量表征，并基于数据驱动的方式解读其环境决定因素。与现有研究相比，该框架：1) 能够基于形态差异进行机器学习驱动的类型学分类； 2) 提取每种类型的典型规划特征；以及 3) 以机制导向的方式建模空间类型学与人文地理决定因素之间的统计关系。该框架应用于466个列入权威遗产名录的传统村落，识别出五种空间类型，实现了稳健的分类一致性，并揭示了与类型差异相关的显著环境决定因素。这些研究成果有助于系统地理解空间类型学、文化嵌入性及遗产价值，并通过与现有研究的对比验证了其可靠性。

研究框架

基于现有研究方法，本研究构建了一个以环境驯化理论为基础的机器学习研究框架，旨在：1）对四川西北部传统村落的空间格局进行分类；2）解析每种空间格局类型的代表性规划特征；3）定量识别这些规划特征背后显著的人文地理决定因素。该框架包括两个主要步骤：

1)规划特征的分类与解释：此步骤首先通过训练DeepLabV3+模型，从传统村落的卫星图像切片中分割出规划要素，随后将这些切片拼接成地块规划图。随后采用DCSH算法为所有村落平面图生成规划特征编码，从而基于特征编码的相似性进行空间模式分类。接着训练DenseNet121模型以识别每种空间模式类型的规划特征，并输出对应特定特征类的Grad-CAM可视化结果。最后，通过分析Grad-CAM输出中突出显示的规划要素分布模式，系统性地总结出每个村落空间模式的代表性规划特征。

2)人地决定因素的解读：本步骤首先将分类后的村庄地理位置输入MaxEnt 3.4.1模型，并叠加潜在影响因素以进行模型训练。通过分析“仅含变量”条件下的贡献值分布，模拟村庄的环境适应过程，从而识别出在环境驯化过程中驱动规划特征形成的主要决定因素。随后利用这些显著决定因素的响应曲线，定量重建每种空间模式类型所对应的环境驯化背景。最终通过规划特征与相应环境驯化背景之间的相关性分析，对人文地理影响进行解读。

在完成上述两个步骤后，本研究旨在：1）针对建成区提出切实可行的保护策略，重点关注关键规划要素；2）针对主要决定因素制定全面的环境保护策略。研究框架如图7所示。

未来展望

本研究存在若干局限性。首先，SPFE数据集的样本量尚有提升空间，以使语义分割模型在训练过程中能够更准确地识别和勾勒规划要素。当数据集扩展至数万个样本时，可采用更先进的基于Transformer的模型来优化分割性能。此外，随着数据集的扩充，应进一步细分场地规划中的要素——例如，在“特殊建筑”类别下区分寺庙与土司宫殿，以分别体现宗教与政治建筑功能；并进一步分类住宅建筑类型，从而精准揭示人文地理因素对单体建筑布局的影响。此外，由于该地区历史上缺乏书面记录——信息主要通过口头传播，且保存的历史档案寥寥无几——要全面重建人口、习俗和活动模式等人文地理要素仍面临挑战。最后，该框架缺乏在其他地区或相关任务中的交叉验证，其泛化能力和迁移能力也因此受到质疑。

因此，未来的研究将重点关注以下方面：(1) 完善数据集标注；(2) 采用先进的语义分割模型，以实现更精准的场地规划重建；(3) 整合口述历史、居民认知及感知幸福感数据，以增强对人文要素的定量描述；(4) 扩展规划要素与人地因素的范围，从而得出更细致、多样且全面的结论。