2

　　经验

　　经过为期十四周的课堂教学和课后讨论，笔者一直在对学生们基于数据量化分析方法来支持大尺度城市设计的过程进行观察，涵盖现状—>问题—>手法—>设计—>评价等多个环节，因此也归纳了若干经验。对于更多思考，建议参考龙瀛和沈尧（2016）关于大尺度城市设计的时间、空间与人的TSP模型。

　　（1）每组保证一位学生熟练操作GIS软件：设计背景的学生不是每个都熟练掌握GIS软件，为此有必要分组的时候将每组保证一个同学熟练掌握ArcGIS作为一个原则，以避免因为无人会用而全盘放弃。本次授课已经遇到这样的组。

　　（2）新数据环境助力远程调研并促进场地认知和问题诊断：本次设计地段都在成都，与北京距离遥远，在成都调研的四天之前，学生们利用街景和所提供的新数据对地段进行了初步判断。现场调研完毕后续的设计过程中，学生们也多次利用街景地图、谷歌地图和互联网搜索等手段，补充对场地的认知，对机会地块和核心设计地块的识别提供了支持。

　　（3）所提供的街道数据得到了学生们的重视：街道作为城市设计的重要关注对象，本课程开课之初所提供的街道基础数据，涵盖了设计地段的街道的空间分布以及街道的形态、功能和活力方面的指标。在学生设计中，使用较多，其中一组直接将街道作为设计的核心要素之一进行突出，在所提供的数据分析基础上，做了更为深入的量化分析，并提出了设计策略和具体方案。

某组学生设计作品的各类人群需求与街道空间对应关系

某组学生设计作品的街道设计方案

　　（4）建筑数据的提供减轻了学生大量的工作量：开课之初并没有提供建筑物数据，部分组的学生基于网络地图手动勾勒了部分建筑物的轮廓，并根据阴影长度等估算了建筑高度。之后笔者提供给学生四个地段的建筑物的轮廓和层数，节省了大量的基础数据准备，特别是尺度较大、建筑较多、设计改变比例不大的设计地段。所提供的建筑数据极大地支持了城市设计的核心平台SketchUp模型的生成效率（ESRIArcScene文件可以利用Maya转为OBJ格式的文件，进而读入SketchUp）。此外，建筑数据还有助于设计地段现状，进行了城市形态的分类（如基于SpaceMatrix）。

　　（5）数据稀缺场地的数据增强新模式：本次课程的三个地段是已经城市化地区，而另一个地段科学城地处成都天府新区，基本属于乡村地域，已有的城市开发、形态、功能和活动方面的数据基础非常匮乏。针对这类相对空白的场地（如新区），一种模式是可以采用地理设计（GeoDesign）、基于过程建模（ProceduralUrbanmodeling）、生成式设计（Generativedesign）等方法进行设计支持，这一过程中传统的空间分析仍旧具有较大作用（如用地适宜性评价），另一种模式是借鉴相似规划目标的已建成的优秀案例，关注其体现的开发-形态-功能-活动-活力的关系，识别不同类型城市形态的优秀基因，提取模式，支持新区设计方案的评价和优选。本次课程中，科学城地段部分参考了基于新数据所识别出的苏州工业园的优秀基因（提供给它们苏州的数据），川大片区则借鉴了清华科技园和同济大学周边地区的优秀基因。

　　（6）大尺度的设计地段需要强化类型的观念：大尺度城市设计的地段多较大，超过人的认知尺度，因此无论是对现状的评价、问题的识别还是设计策略都需要进行类型化（或模式化）。例如现状的城市形态的类型，滨水开发策略的类型，不同坡度的开发策略的类型，这些在几个小组中都有所体现。考虑到设计方案多体现在形态维度，因此也建议重视不同类型的城市形态，与城市功能和城市活动的对照关系（即评价形态的效应performance），这将有助于方案的评价和优选。

　　（7）案例对比在未来将走向数量化：城市设计过程中多涉及大量的案例对比，其侧重于偏质性的方式，一旦精细化的数据环境覆盖了全国乃至全球，并对应多年，则有望将案例对比进行数量化，获得案例地区在开发、形态、功能、活动的特色，并将这些基因引入设计场地。