增强型人工智能的城市预测：用于大都市地区多情景地表覆盖预测的 ConvLSTM 网络

承受压力的城市

在世界各地，快速增长的城市正在苦苦思索在何处安置新住宅、道路和轨道交通，而不将维持城市宜居性的自然环境硬生生地铺平。本文展示了一种新型人工智能如何帮助社区放眼数十年，在真正动工之前测试不同的增长、交通与保护未来。作者以科罗拉多州主要都会区为例，演示了人工智能如何把近 40 年的卫星影像转化为可操作的地图，从而指导更聪明、更环保的城市建设。

教计算机观察城市如何生长

大多数城市预测工具的工作方式类似棋盘游戏：地图上的每个格子只根据其当前状态及邻近格子的简单规则进行演算。这类元胞自动机模型在只有少量历史快照可供学习时运行快速且有用。但当有长时间序列数据且规划者关心的是 20 到 30 年的未来而非短期几年时，这些模型就捉襟见肘。在这项研究中，作者改用一种名为 ConvLSTM 的深度学习模型，它既擅长识别“在哪里”，也擅长识别“如何随时间变化”。研究团队向模型输入了科罗拉多都会规划区连续 39 年的详细地表覆盖数据，训练系统识别郊区扩张、市中心密集化及自然区缩减等长期模式。

探索不同的未来，而非单一结局

研究者并未要求 AI 预测科罗拉多城市的单一命运，而是将其与来源于科罗拉多水务规划的五个叙事情景配对。这些情景涵盖了从按部就班的增长到疲软经济，以及从协作型紧凑城市到高速度、少约束的扩张。对于每个情景，简单的统计模型把预期人口转化为各类城市开发可能占据的土地总量。ConvLSTM 则通过根据四十年的观测行为对每个像素进行开发可能性排序，来提供“在哪里”。随后一个单独的配置步骤将两者合并：按优先级选择位置，直到满足每种开发类型的土地需求为止。

为增长设定护栏

关键在于，系统并不把土地视作一张白纸。在最终地图绘制之前，模型的原始概率会被悄然调整以反映人类的优先事项。受法律保护的土地、关键野生动植物栖息地和湿地几乎没有城市化的可能性，而靠近公交和铁路车站的地区则会得到提升以偏向以交通为导向的社区。由于这些调整是内嵌在概率之中而非事后附加，AI 能自然而然地避免禁限区，同时不在模式中留下尴尬的空洞。这种设计让规划者在保持以人为本价值判断的同时，测试保护规则和交通投资的影响。

更清晰地把握长远视角

作者发现的最令人惊讶的结论之一是所谓的“时间深度悖论”：模型在展望更远未来时反而变得更准确。将预测与实际变化对比时，一年期的短期预测表现较差，但 20 年期的预测效果明显更好，尤其是在城市扩张的边缘地带。简单来说，AI 更擅长识别缓慢而持续的趋势，而非日常的噪声。它能可靠地捕捉到边缘的新增绿地开发，而对密集的城市核心区预测则更困难，因为核心区的再开发由许多小规模、局部的决策驱动。这使得该工具对长期规划特别有价值——在那种情形下，增长的大方向比第一个改变的具体地块更重要。

更智能的预测对日常生活意味着什么

通过运行这些情景，研究展示了当下的选择如何在数十年后影响城市形态、基础设施成本和自然环境。例如，一个紧凑且监管严格的“适应性创新”未来会将增长集中到更少、更密集的斑块中，使道路效率约提高 20.5%，并在 2050 年比宽松监管下的扩张多保留约 1000 公顷自然土地。就实际意义而言，这意味着每人所需的管道和路面里程更少，纳税人的维护支出更低，以及更多近邻的公园和栖息地。该研究表明，当 AI 与公共目标和明确规则紧密结合时，它可以成为强有力的规划助手——帮助社区比较权衡、保护重要景观，并建设更高效且更具人文关怀的城市。

引用: Mahmoud, M.F., Arabi, M. AI-enhanced urban forecasting: ConvLSTM networks for multi-scenario land cover prediction in metropolitan regions. npj Urban Sustain 6, 31 (2026). https://doi.org/10.1038/s42949-026-00338-9

关键词: 城市增长预测, 人工智能规划, 可持续城市, 土地利用变化, 情景建模