EN中文

GEOGRAPHICAL SCIENCE >

2025 , Vol. 45 >Issue 6: 1157 - 1167

DOI: https://doi.org/10.13249/j.cnki.sgs.20240001

Leveraging remote sensing-based AI to explore evolution of traditional settlement morphology on a large geographical scale

  • Chen Dongsheng , 1, 2 ,
  • Li Junjun 1, 3 ,
  • Xu Weipan 4 ,
  • Li Xun , 1, 3, *
Expand
  • 1. China Regional Coordinated Development and Rural Construction Institute, Sun Yat-sen University, Guangzhou 510275, Guangdong, China
  • 2. School of Engineering and Design, University of Munich, Munich 80333, Germany
  • 3. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, Guangdong, China
  • 4. Sannong Data (Guangzhou) Inc., Guangzhou 510640, Guangdong, China

Received date: 2024-01-01

  Revised date: 2024-05-31

  Online published: 2025-06-24

Supported by

National Natural Science Foundation of China(42371206)

Copyright

Copyright reserved © 2025.
Fold

Abstract

Folk migration is a historical and social phenomenon worthy of study. However, most of folk migration in Chinese history does not have detailed written records and accurate data. Folk migration has left many traditional villages, whose settlement forms contain information on the “genes” of their folk groups and their evolution. Thus, traditional villages can be used as side evidence to reveal historical migrations. However, there is still a lack of means to study traditional settlement morphology on a large geographic scale, which makes it difficult to obtain overall universal patterns. Currently, artificial intelligence techniques for satellite remote sensing images show strong potential in earth observation. Applying these techniques is a promising way to restore the wholeness of traditional settlement patterns. In this study, we propose a remote sensing-based AI method to explore the evolution of traditional settlement morphology on a large geographic scale. In detail, a self-supervised deep learning model, called convolutional autoencoder, is applied to automatically extracting the folk prototype information of settlement forms from building footprint data and remote sensing images. The extracted folk prototype information is represented as feature vector format, which then is input to KMeans clustering algorithm to categorize the folk prototypes. In addition, cosine similarity is used to calculate the similarity space of the selected villages, in order to discover the topological relationship between the folk prototypes. Hanjiang River Basin area is taken as the study area and the traditional villages of Hakka and Teochew folk groups are the research objects of this study. The result of the convolutional autoencoder is combined with historical records of folk migration, in order to restore the process of the evolution of the settlement morphology. The results show that the prototypes of Hakka and Teochew villages exist in the basin of the Hanjiang River, and show a pattern of morphological gradual change along the migration path. From the data-driven perspective and historical records’ perspective, this article demonstrates that the Hakka and Teochew settlement prototypes derived from the migration-driven cultural fusion process have created a transitional settlement form “Hundred Birds Toward the Phoenix”, which combines the characteristics of Hakka and Teochew prototypes, and thus complements the existing knowledge of traditional settlement morphology. In detail, from the data-driven perspective, Type 2 is recognized as the transitional type between the Type 1 and Type 3 in the feature similarity space. Also, the villages of Type 2 are mainly located between the villages of Type 1 and Type 3 in the geographic space. From the historical records’ perspective, the villages of Type 1 and Type 3 are recognized as Hakka and Teochew villages. And the villages of Type 2 are identified as the settlement form of “Hundred Birds Toward the Phoenix”. In summary, the settlement form of “Hundred Birds Toward the Phoenix” is recognized as the transitional form between the Hakka and Teochew settlement prototypes. Using traditional villages as a medium, this article provides a feasible tool for exploring the morphological evolution of folk settlements on a large scale without manual survey and labelling. Currently, the method proposed in this article automates feature extraction, but the input remote sensing images of traditional villages still need to be manually selected by the researcher. In order to further improve the automation of traditional settlement pattern recognition, in the future, this study will combine other artificial intelligence tools to achieve automatic selection of traditional village remote sensing images and combine them with the method in this article to form a set of automated processes, which will further break through the limitations of traditional surveys, and bring more data for the study of historical population migration.

Key words： settlement form; traditional village; historical ethnic migration; remote sensing images; artificial intelligence technology

Cite this article

Chen Dongsheng , Li Junjun , Xu Weipan , Li Xun . Leveraging remote sensing-based AI to explore evolution of traditional settlement morphology on a large geographical scale[J]. GEOGRAPHICAL SCIENCE, 2025 , 45(6) : 1157 -1167 . DOI: 10.13249/j.cnki.sgs.20240001

民系迁徙是一种值得研究的社会现象，但中国历史上的民系人口迁徙绝大多数缺乏详细的文字记载和准确的数据[1]。民系迁徙指由于自然灾害、战乱、耕地不足等因素导致民系或族群从一个地区迁徙移居到另一个地区。民系迁徙不仅为迁徙目的地带去自己的文化习俗和语言，而且与迁徙目的地的文化发生交融碰撞，最终形成璀璨的华夏文明和丰富的各地民系。如谭其骧先生所言——“中国移民史者何？研究中华民族之一锁钥也”[2]。民系迁徙研究依赖历史文献、地方志、族谱等资料，历史地理研究已基本明晰中国人口迁徙过程[3]。但是，由于文字资料稀缺和不完整，整体性的人口迁徙时空格局研究仍需要新视角和数据补充[1,4]。
民系迁徙途中留存了大量古村落，其聚落形态蕴含着民系族群的“基因”[5]。这些传统村落保留了独特的建筑风貌[6]。中国传统村落是社会、集体的创作，具有自组织性和继承性，因此这些村落往往具有普遍规律的稳定聚落形态——原型[7]。聚落形态的民系原型是其内生文化的表征，聚落布局受到宗族观念、礼制文化、风水、生活方式等因素影响。因此，聚落形态特征蕴含了族群的“基因”遗传特性[5]。族群文化通常不会发生绝对断裂，而会顺应某条线索逐步发生衍化，这一线索即为文化的源流，亦为聚落形态的源流[5]。以聚落形态的民系“基因”为基础，探索传统聚落形态演变可为历史民系迁徙的还原带来侧面证据[7]。
传统聚落形态具有整体性，由单体建筑形态和建筑群空间分布形态共同组成[8-10]。单体建筑形态主要关注民居建筑的样式风格，包括建筑外观、结构、装饰元素以及整体设计理念等，例如潮汕民系的“下山虎”“四点金”“竹竿厝”和客家民系的门楼屋、堂屋等[9]。而建筑群的空间分布形态主要体现在村落内普遍存在的民居建筑群的空间排列组合方式，如潮汕聚落的规整网格式排列或者客家聚落的围合式分布[8]。而且，单体建筑和建筑群形态密不可分，具有整体耦合性。例如潮汕民系的“驷马拖车”建筑群和客家民系的围垅屋建筑群都是单体建筑和空间分布模式的结合[9-10]，难以从中解构出其中一个方面的形态特征。因此，获取传统聚落形态的整体面貌难度较高。
同时，目前缺乏大规模获取传统村落的聚落形态特征的手段，难以还原 “整体”地理面貌，即不同地区、不同民系的地理演变的整体性。传统研究手段主要是田野调查[11-13]。学者们走访典型古村落，采用建筑学的观点和实物测量、访问调查等方法，以抽样调查部分的特征尝试去推断总体规律[13]。然而，传统手段要实现对“整体”的了解存在3个方面的限制。①抽样调查的思路要求样本的选择完全随机，但实际调查往往只关注典型的村落，样本缺乏普遍性，结果往往有偏；②实地走访所有村落带来过高的人力成本和过长的调查周期，难以在大地理范围实现；③统计口径不一致，不同研究人员因经历和背景差异，难以统一判断。因此，大规模的聚落民系原型调查仍然是中国传统村落研究的难点[11-13]。
面向卫星遥感影像的人工智能技术有助于还原传统聚落形态的整体性[14-19]。相比于传统调查手段，卫星遥感影像记录了大范围地表信息，蕴含了所有地理要素及其空间分布信息，具有反映传统村落的聚落形态个体建筑与整体模式的潜力。而人工智能自动提取卫星影像的知识已经被证明有效[14-19]，能将其转化为地表环境和人类活动的评估指标。目前大量发表的相关研究实现了全球或地区范围的社会经济活动监测，例如, 贫困评估[14]、土地使用[15]、人口密度[16]、建筑物分布[17]、农房空间分布特征分析[18-19]等。然而在传统村落领域，目前遥感智能主要被应用于古村落空间识别[20-21]，对传统聚落形态演变的探索仍待深入。利用遥感人工智能有望自动提取大范围的传统聚落形态信息，突破传统调查限制，还原整体面貌。
本文重点关注运用面向遥感影像的人工智能技术自动挖掘大地理范围的传统村落的整体聚落形态特征，探索传统聚落形态演变，从而为历史民系迁徙的整体还原带来侧面的证据。本文以广东省韩江流域的古村落为研究区域，旨在构建一个数据驱动的CAE-TV（Convolutional Autoencoder for Traditional Villages）人工智能框架，可以自动透过遥感影像的空间视觉特征来识别描绘聚落形态的“基因”特征，该特征蕴含了耦合单体建筑形态和空间分布形态的整体耦合信息。通过对比研究区域内所有村落特征的相对差异，本文探索在大地理范围内传统村落聚落形态的地理分布和原型演变过程。

1 研究方法与数据来源

1.1 研究区概况与数据来源

本文的研究区域是广东省韩江流域，位于广东省东部，主要关注古驿道周边地区（图1）。历史上该地区的古驿道沿线常发生迁徙活动[9,22-24]。一方面，宋朝时期，福建闽南地带的居民因人多地少，从福州、泉州等地大规模地向南方潮汕地区迁徙移民，形成现代的“潮汕民系”，当时的主要迁徙路线是从福建经汀江南下至粤东的韩江和梅江地区的水陆古驿道[9,22]。另一方面，明清时期，由于耕地不足，大量聚集在粤闽赣3省交界处的客家人大规模向广东省腹地迁徙，其中一条路线是从粤北经北江顺流而下，再沿驿道向东部梅江、韩江地区迁徙，最终在粤东北的河源和梅州地区形成了新的客家聚集区[23-24]。因此，该研究区域是闽海（潮汕）和客家民系迁徙移民的交汇点，最能体现“潮”“客”民居建筑的碰撞和交融[24]。
图1 广东民系分布与韩江流域古驿道

Fig. 1 Guangdong ethnic group and ancient post roads in the Hanjiang River Basin

本文主要关注研究区域内的“潮”“客”聚落形态。如图2所示，潮汕民系村落的单体建筑形态原型以“下山虎”“四点金”“竹竿厝”“三座落”为主。而其建筑群形态以典型单体建筑原型为基本单元，结合严谨的方正群体空间组合，强调对称密集的布局特色组合，形成“三壁连”“驷马拖车”“百鸟朝凤”等形态原型。而客家民系村落的单体建筑形态原型以门楼屋、堂屋、锁头屋为基本原型，由此组合变化为多种形式的堂横屋、杠楼和其他中轴对称的自由组合，包括围垅屋、杠屋和围楼等围合型建筑群形态。
图2 潮汕、客家民系村落的聚落形态差异

Fig. 2 Differences in settlement morphology between villages of Teochew and Hakka ethnic systems

本研究在广东省韩江流域古驿道周边1 km区域，结合遥感影像目视解译和专家评估，手动筛选出855个古村落及其具有典型聚落形态的区域，并获取这些区域及其周边的遥感影像。每张影像固定大小为512×512像素。使用的数据为高分辨率卫星影像和POI（point of interests）数据中的乡村，卫星影像来自MapQuest①，其提供的遥感影像产品覆盖全球地区，为挖掘大地理尺度的聚落形态规律提供了基础。该数据的空间精度为每像素0.3 m，包含红、绿、蓝3个通道，可有效地刻画古村落的建筑空间细节。而POIs数据来自百度地图①。经过数据清洗去重等预处理步骤后，本研究使用其中的乡村类POIs以定位古村落的位置与辅助收集古村落的遥感影像。

1.2 研究方法

本文提出的CAE-TV框架可以从遥感影像中自动提取传统村落的聚落形态特征，并将其可视化，从而实现挖掘民系迁徙过程的历史痕迹。如图3所示，CAE-TV主要包括3个步骤：①通过Mask R-CNN房屋提取模型，将原始遥感影像处理成只关注建筑物的建筑遥感影像；②构建卷积自编码器，从建筑遥感影像的视觉特征中提取出村落的聚落形态特征，以嵌入高维度数学空间，并运用余弦角衡量村落之间的相对差异；③运用K-Means聚类算法识别村落所属的形态原型，并分别从原型相似度空间和地理空间两种视角进行可视化分析。
图3 CAE-TV框架技术流程

Fig. 3 Workflow of proposed CAE-TV framework

1.2.1 建筑遥感影像处理

将原始遥感影像处理成建筑遥感影像，强化其建筑部分的聚落形态信息，剔除非建筑信息。此处，本文运用训练后的Mask R-CNN房屋提取模型从原始遥感影像中提取建筑图底关系[18]。Mask R-CNN属于深度卷积神经网络，是计算机视觉中最先进的图像实例分割模型之一，在医学、机械、地理等领域都有应用[18]。本文收集大量人工标注的房屋样本训练Mask R-CNN模型，使得其具备从遥感影像中定位建筑的能力，从而得到建筑图底关系。为了排除遥感影像中非建筑物的信息干扰，建筑图底关系将叠加到原始影像上（图4）。
图4 遥感影像与图底关系的叠置示例

Fig. 4 Preprocessing step for remote sensing images of buildings

1.2.2 村落特征提取

本文构建卷积自编码器模型，将建筑卫星影像中的原型信息编码成村落特征。自编码器是一种使用自监督学习的“黑匣子”人工神经网络，旨在以输入数据自身作为学习目标，对图像中的视觉信息进行表征学习，并将其还原成与输入信息最相似的重构信息。本文使用的卷积自编码器的架构如图5所示，由卷积层和全连接层构成。其中，卷积层旨在提取区域信息，并进行压缩，而全连接层的功能是将多次卷积后的信息再次压缩成向量，以嵌入高维度数学空间[25]，从而获得100维压缩特征，也即建筑卫星影像中蕴含的聚落形态“基因”特征。
图5 卷积自编码器结构

Fig. 5 Architecture of convolutional Autoencoder model

基于上述的卷积自编码模型，本文对研究区域的所有古村落的建筑卫星影像进行聚落形态特征提取。本文对每一个村落都选取一个相同大小的具有典型聚落形态的区域，通过对应的建筑遥感影像获得蕴含聚落形态信息的原型特征向量，简称村落原型特征。通过人工智能挖掘的村落原型特征之间的相对差异具有实际意义，这是因为可以反映它们对应的聚落形态的差异。此外本文使用了余弦角相似度作为“原型相似度”的定量指标来衡量研究区域内所有村落的相对差异，从而方便将之与建筑学中的聚落形态原型知识进行对齐。对于具有相同民系“基因”的原型特征的村落，其特征之间的相似度更高。假设A、B分别指任意2个村落的聚落形态特征向量，计算A、B之间的特征向量夹角θ，以揭示村落之间的相对差异，其公式如下：
$ \cos \theta=\dfrac{A \cdot B}{|A| \times|B|} $
基于该公式，获得研究区域所有村落之间的两两相对差异，即原型相似度矩阵。

1.2.3 原型相似度分析

在基于村落特征识别出村落的原型类型，并分析其演变的过程。首先，由于原型信息相同的村落的特征在高维数学空间更相近，反之则更远，因此聚类算法可以将原型信息相同的村落集合进同一个团簇内，团簇的核心则是与原型最相似的村落。本文使用最经典的聚类算法K-Means[26]，其核心思想是把数学空间的n个点划分到k个团簇中，使得每个点都属于离它最近的均值对应的团簇。通过K-Means聚类算法，本文从研究区域中的村落中得到它们的原型类型。此外，本文使用轮廓系数（Silhouette Coefficient）评价聚类效果的好坏，数值越大效果越好。其次，本文分别从相似度空间和地理空间对村落特征进行可视化分析，其中原型相似度空间通过引力引导的网络布局实现[27]，而地理空间则是根据村落的坐标直接投影至地图上。

2 结果分析

2.1 数据驱动的三类聚落形态原型及其关系分析

本文使用轮廓系数这一经典聚落质量评估指标，衡量类内样本的差异是否最小而类间差异是否最大，数值越接近1代表类内差异最小而类间差异最大。K-Means聚类算法中的聚类数量K这一参数与轮廓系数之间的关系如图6所示，当聚类数量K=3时，轮廓系数的数值最大（0.419），说明此时的聚类效果最好，因此根据村落聚落形态特征，研究区域的古村落样本最适合被聚合成3类。
图6 聚类数量K与轮廓系数的关系

Fig. 6 Relationship between number of clusters K and Silhouette Coefficient

图7展示了3类聚落形态中轮廓系数最高的3张代表样本以及它们在原型相似度空间的分布，本文分别将其定义为类型一（蓝色）、类型二（黄色）和类型三（红色）。对照图2的建筑学原型知识，类型一的代表样本显示的都是客家村落典型的围垅屋形态，带有半圆形状的锁头屋围合而成的大型建筑。类型二的代表样本显示的都是“百鸟朝凤”建筑群，布局方正且左右对称，有超过100间以上的房屋，是通过房屋围墙围绕主体建筑而成、大规模家族聚落。而类型三的代表样本为潮汕村落中更为常见和普通的聚落形态，以橙红色屋顶、中心有一洞（单天井）的小方形屋（“下山虎”和“四点金”）为基本单元，通过方正的网格式规整布局组合而成。因此，初步判断类型一、类型二和类型三对应客家围垅屋形态、“百鸟朝凤”形态、潮汕普通形态。
图7 3种聚落形态原型在原型相似度空间的相对关系及代表影像示例

Fig. 7 Feature similarity space of 3 types of settlement morphology

3种聚类形态在原型相似度空间中展示出渐变的关系（图7）。原型相似度空间可以视作将村落聚落形态“基因”特征投影到二维平面的结果。一个点代表一个村落的聚落形态在二维平面的投射。值得注意的是，原型相似度空间的绝对位置没有意义，但相对位置存在意义。而点之间的相对位置由它们对应的村落原型特征决定，对应的村落聚落形态越相似，它们越有可能是同一民系下具有同一建筑风格和同一空间分布模式的村落。本文发现类型一与类型三之间的距离较远，说明它们两者之间相对而言并不相似。而类型二处于类型一与类型三之间的位置，代表类型二与类型一、类型三都相似。更进一步地，本文定量计算了类型二分别与类型一和类型三的平均特征相似矩阵。在如图8所示，类型一与类型三的原型相似度仅为0.809，而类型二的原型特征既与类型一的客家原型相似（相似度为0.921），又与类型三的潮汕原型特征相似（相似度为0.910）。因此，类型二是类型一与类型三之间的过渡类型。
图8 3种村落民系类型的相似度矩阵

Fig. 8 Similarity matrix of 3 types of settlement morphology

本文将该3种类别结合村落样本自身的坐标映射到地图上，如图9所示。3种类别的地理分布展示出空间自相关现象，也即3种类别的村落样本的地理分布具有较高的集聚现象。类型一（蓝色点）主要分布在研究区域的北方地区，与客家聚落主要分布在韩江流域北方的山区地区对应。类型三（红色点）主要分布在研究区域的南方地区，与潮汕聚落集中定居在韩江流域的南方地区一致。而类型二（黄色点）的地理分布恰巧处于在类型一与类型三之间的过渡地带，也即潮安、榕城周边地区（图9虚线椭圆），这意味着类型二“百鸟朝凤”形态无论在地理空间还是原型相似度空间都是客家聚落形态和潮汕聚落形态的过渡形态。
图9 3种聚落形态原型的地理分布及民系迁徙路径

Fig. 9 Geographical distribution and ethnic migration paths of 3 types of settlement morphology

2.2 历史资料对齐分析

通过历史地理学记录的粗略民系迁徙路径和传统村落研究的专家知识，本文进一步分析数据驱动的3种聚落形态原型的现实意义。
首先，本文结合历史地理位置和形态特征推断类型一和类型三分别对齐广东传统村落民系中的客家聚落形态原型和潮汕聚落形态原型。历史上，潮汕民系的村落在宋代从闽南地区经水陆两条路径迁徙而来，定居地主要分布在研究区域的南部。而到了明清时期，受到战争的影响，客家宗族从中原地区向南迁徙，在研究区域北部建立客家民系的村落。在研究区域内，根据历史资料可知，客家民系宗族主要有2种方向迁徙路线：1）邱氏和廖氏宗族的路线主要为梅县→兴宁→五华；2）陈氏、吴氏宗族的路线主要为大埔→饶平→潮安→兴宁。其中陈氏、吴氏宗族在榕江流域，也即榕城、潮安地区，遇到了当地的潮汕宗族，二者发生冲突和融合，最终定居发展[23]。而图9的地理分布与历史记录资料吻合。其中，客家聚落形态的典型特征是有形状为半圆型、方形的围垅屋和形状为圆形的土楼建筑，地理分布特点为主要分布在梅州及其周边地区，也即研究区域的北边地区；潮汕聚落形态的典型特征是整齐分布有橙红色屋顶、中心有一洞（单天井）的小方形屋，地理分布特征为主要分布在潮州、汕尾、揭阳等地区，也即研究区域的南方地区。
从聚落特征角度，类型二与“百鸟朝凤”原型的形态对齐（图8）。“百鸟朝凤”兼具潮汕聚落和客家聚落的形制特点，反映了2个民系建筑风格之间的融合发展[28]。从宅院形制上看，“百鸟朝凤”是多进制合院，多个潮汕式四合院“四点金”纵向相连，形成中轴对称核心。同时，在中轴合院两侧，有多组厝屋横向排开，层层叠掩、紧密相连，其间以天井沟通各区域，形成了客家式的“围楼”。从功能上看，核心合院形制保持典型潮汕风格，反映了民系的主体性；但为了宗族聚集和防御性功能的需求，又在外围进行护厝围合，同客家的“围楼”有异曲同工之处[28]。可见，“百鸟朝凤”是潮汕民系在现实需求的影响下，受到客家建筑文化的影响，既保留了本民系的合院单元，又向客家聚集围合发展。
同时，类型二与 “百鸟朝凤”原型的地理位置对齐。一方面，历史资料显示客家民系宗族向南方迁徙的途中，在榕城、潮安地区与当地的潮汕宗族发生冲突和融合。文化融合的结果往往可以体现在聚落形态上，因为聚落形态是内生文化的表征，受到宗族观念、礼制文化、风水、生活方式等因素的普遍影响。另一方面，本文数据驱动的结果在表明，类型二的特征符合历史资料中的融合村落的特征。从地理空间的角度，类型二的村落主要处于北方的客家村落群与南方的潮汕村落群之间的过渡地区，且主要集中在发生过民系融合的地区（图9）。
因此，本文推断“百鸟朝凤”是由民系迁徙带来的客家聚落形态原型与潮汕聚落形态原型发生融合而衍生的传统聚落形态。

3 结论与讨论

本文提出了一个面向传统村落的卷积自编码器框架CAE-TV，用于提取传统村落的聚落形态整体面貌，以还原聚落形态演变过程。这是一种数据驱动的自动化方法，利用一种非监督的人工智能方法——卷积自编码器从传统村落的遥感影像中自动提取出传统村落的聚落形态信息，并结合聚类、原型相似度等工具还原出古村落所属的民系原型信息，结合历史资料论证出2种民系的聚落形态原型融合后的聚落形态，在研究区域实现大地理尺度的数据驱动的一般规律探索与发现。虽然本文只探索了研究区域的聚落形态演变，但该数据驱动的人工智能方法无需人工标注样本，可适应任意地区的遥感影像数据，可突破传统田野调查手段的高成本限制。
通过结合数据驱动和历史资料对齐分析，本文论证了本方法识别的3类原型分别是客家聚落形态原型、“百鸟朝凤”聚落形态原型和潮汕聚落形态原型。其中类型二 “百鸟朝凤”原型，同时与类型一客家原型和类型三潮汕原型相似。从聚落形态特征角度，“百鸟朝凤”原型在原型相似性空间中处于潮汕原型和客家原型之间，同时具有潮汕和客家的形制特点。从地理空间而言，“百鸟朝凤”主要集聚在榕城、潮安地区，处于研究区北方的客家聚落和南方的潮汕聚落之间的过渡位置。结合历史资料，在已知民系迁徙促进民系原型之间融合的前提下，本文推断出在韩江梅江流域中客家民系的迁徙使得客家原型与潮汕原型发生文化融合，衍生出“百鸟朝凤”形态原型。因此本文的结果为还原历史客家人口迁徙带来数据驱动的侧面证据。
值得讨论的是，数据驱动的100维聚落形态特征具有整体耦合性，因此无法从它们之中抽取其中的任意维度单独分析其意义。虽然本文希望从特征中解构出能与现实意义对齐的特征，但是本文使用的卷积自编码模型是“黑匣子”模型，特征提取的过程完全由模型自身把控，自监督型模型的特点是根据数据自身来进行优化调整特征提取的公式，以求最大限度地保留数据的特征。因此，100维特征蕴含的信息无法被单独解构。尽管如此，本文认为这种具有整体耦合性的特征匹配本文的研究目标——聚落形态自身特点。因为聚落形态的内涵是多样复杂的，其中最主要的2个方面——单体建筑形态和建筑群空间布局形态之间也同样具有整体耦合性。例如潮汕民系的“驷马拖车”建筑群必须由潮汕专属的单体建筑形态“四点金”“竹竿厝”以特定的空间分布模式耦合而成一个整体。因此，本文认为“黑匣子”模型提取的特征更能贴合聚落形态特征的特性。
中国民系迁徙尚未有一个全面、客观、数据驱动的整体规律，因为详细的文字记载和准确的数据的缺位，而且中国地域存在巨大差异，难以在大地理范围更精细地还原民系迁徙的整体面貌，因此亟需新型的数据获取和探索方式。有幸的是，民系迁徙沿途留存的众多古村落聚落得以保留至今，传统村落作为历史遗产，蕴含其民系文化的聚落形态信息。而本文以传统村落为媒介，提供了一个无需人工调查和标注的大范围探索民系聚落形态演变的工具。目前，本文方法实现了特征提取自动化，但输入的遥感影像仍需要研究者手动选取。为了进一步提升方法的自动化程度，未来将结合其他人工智能工具实现传统村落遥感影像的自动选取，并与本文的方法组合，进一步突破传统调查手段的限制，带来更多的研究数据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
葛剑雄. 中国人口发展史[M]. 成都: 四川人民出版社, 2020: 12-17

Ge Jianxiong. History of population development in China. Chengdu: Sichuan People’s Publishing House, 2020: 12-17.

[2]
谭其骧. 中国移民史要[M]. 上海: 复旦大学出版社, 2021

Tan Qixiang. The history of Chinese immigration. Shanghai: Fudan University Press, 2021.

[3]
葛剑雄. 简明中国移民史[M]. 福州: 福建人民出版社, 1993

Ge Jianxiong. The history of Chinese migration. Fuzhou: Fujian People’s Publishing House, 1993.

[4]
葛剑雄. 研究中国移民史的基本方法和手段[J]. 浙江社会科学, 1997(4): 82-91

Ge Jianxiong. The basic methodology and approach in China migration history research. Zhejiang Social Sciences, 1997(4): 82-91

[5]
杨晓俊, 方传珊, 王益益. 传统村落景观基因信息链与自动识别模型构建——以陕西省为例[J]. 地理研究, 2019, 38(6):1378-1388.

DOI

Yang Xiaojun, Fang Chuanshan, Wang Yiyi. Construction of gene information chain and automatic identification model of traditional village landscape: Taking Shaanxi Province as an example. Geographical Research, 2019, 38(6):1378-1388.

DOI

[6]
刘沛林, 刘春腊, 邓运员, 等. 中国传统聚落景观区划及景观基因识别要素研究[J]. 地理学报, 2010, 65(12):1496-1506.

DOI

Liu Peilin, Liu Chunla, Deng Yunyuan et al. Landscape division of traditional settlement and effect elements of landscape gene in China. Acta Geographica Sinica, 2010, 65(12):1496-1506.

DOI

[7]
曾艳, 肖大威, 陶金. 粤东梅州地区围屋类型文化地理研究[J]. 建筑学报, 2015(S1): 118-123

Zeng Yan, Xiao Dawei, Tao Jin. Cultural geography of topology of Yuet Tung Meizhou enclosed house. Architectural Journal. 2015(S1): 118-123.

[8]
陈星灿, 刘莉, 李润权, 等. 中国文明腹地的社会复杂化进程——伊洛河地区的聚落形态研究[J]. 考古学报, 2003(2): 161-218

Chen Xingcan, Liu Li, Li Runquan et al. Development of social complexity in the central China: Research into the settlement pattern in the Yiluo River valley. Acta Archaeologica Sinica, 2003(2): 161-218.

[9]
陆元鼎. 南方民系民居的形成发展与特征[M]. 广州: 华南理工大学出版社, 2019: 106-110

Lu Yuanding. The formation, development and characteristics of southern ethnic dwellings. Guangzhou: South China University of Technology Press, 2019: 106-110.

[10]
杨希, 马航, 张力智, 等. 迁徙中的承袭、交融与分异——广东客家建筑与聚落形态时空发展解析[J]. 地理研究, 2021, 40(4):958-976.

Yang Xi, Ma Hang, Zhang Lizhi et al. Inheritance, fusion, and variation during migration: An analysis of spatio-temporal morphological development of traditional Guangdong Hakka architecture and settlements. Geographical Research, 2021, 40(4):958-976.

[11]
曾艳. 广东传统聚落及其民居类型文化地理研究[D]. 广州: 华南理工大学, 2016

Zeng Yan. Cultural geographic research on traditional settlement and housing types in Guangdong. Guangzhou: South China University of Technology, 2016.

[12]
李婧, 杨定海, 肖大威. 海南岛传统聚落及民居文化景观区划定量方法研究[J]. 小城镇建设, 2020, 38(5):39-48.

Li Jing, Yang Dinghai, Xiao Dawei. A quantitative study on the cultural landscape division of the traditional settlements and vernacular dwellings in Hainan Island. Development of Small Cities & Towns, 2020, 38(5):39-48.

[13]
孙莹, 王玉顺, 肖大威, 等. 基于GIS的梅州客家传统村落空间分布演变研究[J]. 经济地理, 2016, 36(10): 193-200

Sun Ying, Wang Yushun, Xiao Dawei et al. The spatial distribution and evolution of Hakka traditional villages on GIS in Meizhou area. Economic Geography, 2016, 36(10): 193-200.

[14]
Jean N, Burke M, Xie M et al. Combining satellite imagery and machine learning to predict poverty. Science, 2016, 353(6301):790-794.

DOI

[15]
Huang Bo, Zhao Bei, Song Yimeng. Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery. Remote Sensing of Environment, 2018, 214:73-86.

DOI

[16]
Bhaduri B, Bright E, Coleman P et al. LandScan USA: A high-resolution geospatial and temporal modeling approach for population distribution and dynamics. GeoJournal, 2007, 69(1-2):103-117.

DOI

[17]
Gavankar N L, Ghosh S K. Automatic building footprint extraction from high-resolution satellite image using mathematical morphology. European Journal of Remote Sensing, 2018, 51(1):182-193.

DOI

[18]
李郇, 许伟攀, 黄耀福, 等. 基于遥感解译的中国农房空间分布特征分析[J]. 地理学报, 2022, 77(4):835-851.

DOI

Li Xun, Xu Weipan, Huang Yaofu et al. Spatial distribution of rural building in China: Remote sensing interpretation and density analysis. Acta Geographica Sinica, 2022, 77(4):835-851.

DOI

[19]
李郇, 谷宇, 邓伟环, 等. 可计算乡村的技术框架[J]. 华南地理学报, 2023, 1(1): 22-35

Li Xun, Gu Yu, Deng Weihuan et al. The technical framework of computable village. South China Geographical Journal, 2023, 1(1): 22-35.

[20]
杨帆, 沈来信, 王雪飞. 基于卫星图像的古民居识别算法[J]. 计算机应用与软件, 2016, 33(9):154-158.

Yang Fan, Shen Laixin, Wang Xuefei. Recognition algorithm of ancient dwellings based on satellite images. Computer Applications and Software, 2016, 33(9):154-158.

[21]
覃巧华, 肖大威, 骆明楠, 等. 基于卷积神经网络的传统村落图景分类研究[J]. 城市规划, 2020, 44(7):52-58.

Qin Qiaohua, Xiao Dawei, Luo Mingnan et al. A study on the classification of traditional village images based on convolutional neural network. City Planning Review, 2020, 44(7):52-58.

[22]
刘文鹏. 清代驿站考[M]. 北京: 人民出版社, 2017

Liu Wenpeng. Qing Dynasty post researches. Beijing: People’s Publishing House, 2017.

[23]
罗香林. 客家研究导论(外一种: 客家源流考)[M]. 广州: 广东人民出版社, 2018

Luo Xianglin. An introduction to the origins of Hakka. Guangzhou: Guangdong People Press, 2018.

[24]
黄挺. 潮客关系简论——以潮汕地区为例[J]. 韩山师范学院学报(社会科学版), 2005(1): 1-7

Huang Ting. On the relationship of Chaozhou tribe and Kejia tribe. Journal of Hanshan Teachers College. 2005(1): 1-7.

[25]
Moosavi V. Urban morphology meets deep learning: Exploring urban forms in one million cities, towns, and villages across the planet[J]. Machine Learning and the City: Applications in Architecture and Urban Design, 2022, 379-392.

[26]
Krishna K, Murty M N. Genetic K-means algorithm. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 1999, 29(3):433-439.

DOI

[27]
Hu Yifan. Efficient, high-quality force-directed graph drawing. Mathematica Journal, 2005, 10(1):37-71.

[28]
陆琦. 广东民居[M]. 北京: 中国建筑工业出版社, 2008

Lu Qi. The Guangdong vernacular housing. Beijing: China Architecture and Building Press, 2008.

Options
Outlines

/

〈 〉