城市生态系统 | 自然法则| Python| 元胞自动机 | 机器学习
自然是城市最大的治愈！
每一块场地都有属于它独特的、动态的自然肌理，
我们在方案设计时，需要遵循其自然能量脉动的规律，
实现自然资源间的互动，让场地与自然共振，发挥出最大的生态潜力。
我们尝试跳脱人的主观思维限制，
通过算法让场地学习自然的逻辑，赋予场地智能，让其有机地生长和探索，
为城市构建最易恢复、最小代价、最大价值的生态系统！
设计理念
本次应用设计思路AECOM水务与生态部门以“为城市构建最易恢复、最小代价、最大价值的城市生态系统”为初衷，旨在针对城市化进程中越来越受到重视的人与自然和谐共生的课题，提供创新维度的解决思路。包括如何合理有效规划城市绿地系统？如何在城市更新中见缝插绿，恢复城市生物多样性？等问题提供科学有力的技术支撑。
同时，本次应用将计算型设计引入生态规划的创新探索与实践，希望运用最前沿的计算机算法与机器学习理念，探索更客观、更科学的方法，引导生态系统规划与生态恢复实践。
三大愿景
计算型设计应用
Python+元胞自动机+机器学习——让场地自主生长出最优方案
算法工具：Python
Python具有的“简单易用”“通用兼容”“开源成熟”等多种特质，使之成为目前最广泛应用的计算机语言之一。
同时随着计算机算法领域的不断发展，基于仿生、生态等自然规律的算法逐渐被人工智能领域开发采用。
逻辑载体：元胞自动机
在土地利用、演替等问题的研究中，元胞自动机算法被广泛应用。
元胞的智能行为：
识别元胞起始状态
识别邻域状态
根据预设条件独立进行有规律的变化
数据处理：机器学习
在成因复杂且数据量充足的问题中，可以利用机器学习辅助进行特征提取、对数据进行聚类分析等操作。
图片识别是常见的机器学习应用场景之一。例如，可通过对图片特征区域的提取，根据学习到的特征进行分类，得出最终的结论。
在本次应用中，用地类型是机器可以进行图像识别并做出分类判断的特征依据。
传统设计和计算机设计对比
传统设计痛点
计算机设计优势
解决方案
AECOM设计团队将场地分成10万个独立控制的单元，对其中每一个格子赋予智能，使之成为能够自主判断并发生行为的机器人，称其为“元胞”。利用“元胞”智能模拟自然法则。
正向自然演替
原理
指从裸地开始，经过一系列中间阶段，最后形成生物群落与环境相适应的动态平衡的稳定状态，即形成顶级群落的过程。
算法
在元胞迭代算法中元胞等级值定义从低值逐渐升高。
领域影响力
原理
考虑植被演替受周围环境的影响，构建更符合自然规律的植被群落。例如，一定规模的成熟林地具有对周围环境更强的正向影响力。
算法
在元胞迭代算法中，每一个元胞独立进行其邻域状态的识别判断并做反馈。
。
自然随机性
原理
尽可能考虑自然界的随机概率，如鸟类传播、极端条件等的影响，也是自然场地多样化因素之一。
算法
采用柏林干扰模拟自然元素的梯度随机概率分布图。
设计成果展示
就如同多个平行宇宙一般，同一个场地自然态下的发展方向是多种可能的。我们模拟出足量的遵循自然法则的可能结果，不仅为设计者提供多维度的参考方向，也为下一步对场地进行更深层次的潜能特点探索提供优质而客观的数据基础。
短时间（一周）输出上千结果：设计成果展示
场地生态网络以高价值生态源为基础与核心，AECOM设计团队通过模型与算法寻找最低成本路径，串联重要的生态源形成系统性的生态网络。
InVEST 模型中生境质量评估模块可以辅助指认现状优质的生态资源源点。再以最小成本路径分析法对每一份设计成果进行分析，得到不同的最低成本路径布局。对生成的路径栅格文件进行骨架提取模型识别得到廊道结构。
将上千份结果的路径整合，可以在单通道的基础上获得统计择优后的生态通廊，并判断串联生态源的自然趋势，寻找到最小生态阻力的复育路径。
结合景观生态格局指数和网络分析法，构建多维度生态服务价值评价体系；
层次分析法(AHP)的原则计算各因子权重，量化各维度特征；
利用机器学习算法，降维、聚类分析，识别结果特征趋势。
机器学习图像识别特征进行生态功能评估与分类择优
机器学习生态价值高的结果特征，为复现更完善的结构体系提供模型数据基础。
最终成果：城市生态系统自然生长模型
系统模型在学习评价指标择优与最低自然成本的分析结果中优质的数据特点后，回归到元胞自动机自然演替模拟的程序中，模拟得出城市生态系统自然生长动态模型。
城市生态系统自然生长模型为城市构建最易恢复、最小代价、最大价值的生态系统
