AI+地理博士论文 | Tech Berlin 2026 | 基于因果关系的地理空间人工智能助力可扩展的低碳城市规划 182页

城市对于减缓气候变化至关重要，因为它们集中了大量的人口、经济活动和排放。与此同时，前所未有的海量开放的地理空间城市形态数据——涵盖城市的建筑、街道、土地利用、兴趣点和社会人口统计数据——使得人工智能（地理空间人工智能）能够用于提升城市决策水平。然而，尽管地理空间人工智能潜力巨大，但本论文指出了阻碍其在低碳城市规划中应用的四个差距：首先，尚不清楚（1）如何在众多城市中有效利用开放但分散的城市形态数据。其次，几乎没有证据表明地理空间人工智能能够提供（2）针对特定社区、（3）考虑观测变量之间的因果关系以及（4）可扩展至多个城市的规划建议。

因此，本论文旨在通过回答以下核心研究问题来弥补这些差距：开放的城市形态数据和地理空间人工智能如何大规模地提升低碳城市规划？本论文通过三项相互关联的研究，评估了该问题的各个组成部分。

首先，本论文通过整合欧洲各地2.06亿个城市形态数据点（特别是建筑轮廓），探讨了开放但分散数据的可用性。研究表明，原则上，这些数据可用于气候相关分析。然而，数据基础设施的匮乏以及数据覆盖范围、属性和时间维度上的重大缺陷限制了其在城市规划中的大规模应用。

其次，本论文以城市形态和市内交通数据为例，探讨了地理空间人工智能在城市规划中的潜力。为了评估地理空间人工智能如何揭示特定社区的洞察，本论文将可解释机器学习应用于柏林350万次汽车通勤的样本以及高分辨率城市形态数据。通过评估城市形态变量与各社区交通量之间的非线性关系，本论文揭示了次中心、市中心紧凑型发展以及帮助周边低收入社区摆脱对汽车依赖的重要性。

为了评估观测变量之间的因果关系并扩展分析规模，本论文扩展了建模方法，引入了因果结构，并将其应用于横跨三大洲六个城市的1000万个出行数据点。通过因果图发现，揭示了各个城市形态变量之间显著的因果依赖关系，而这些关系在以往的研究中被忽略了。考虑到因果结构，可解释的机器学习模型表明，高可达性比高密度或街道连通性对城市的影响更大。同时，影响的强度和位置会因城市的中心性和规模而异。最后，该模型识别出一些城市特定的郊区社区，这些社区从密度增加而非提高可达性中获益更多，凸显了次中心发展的作用。

本论文强调了协调一致、公开可用的数据以及基于因果关系、可扩展的、针对特定地点的城市规划方法的重要性。研究结果为制定有针对性的、基于证据的战略和工具奠定了基础，这些战略和工具可用于创建低碳城市未来，并能适应全球不同的城市环境。