大数据语境下城市设计应对土地污染：Beneath the ground

导言

大数据这个概念在当今信息时代非常流行。通过大数据，我们不用再纠结因果关系，不用再问为什么，而仅仅只用了解事物之间的相关性和比较，就可以作出基础的判断。虽然不能一味的迷恋数据，但数据的确为我们的设计打开了思路，提供了数据支持，同时也为我们了解变量，了解事物参数，进行参数化设计的参数控制提供了模型。Bartlett UD RC14就是研究数据与城市设计关系的一个组，通过对于数据的研究，可以提供城市设计的准确性，增强预测能力，并且能得到即时的公众参与反馈，进行更深一步的设计。本期邀请了Christopher Chen来分享他们的Distinction作品。

成员介绍

导师简介

Roberto Botazzi：主要tutor，主要研究大数据城市设计，digital数字技术在建筑和城市设计上的应用。他也是整个城市设计专业的论文主任。为人非常Nice。

Kostas Grigoriadis：毕业于AA DRL，也是AA Diploma的老师。主要是研究多材料设计方法论。他们都在伦敦皇家艺术学院有过经历，但新的一学年分道扬镳去建筑设计专业带个新的Cluster。

RC14组研究特点

RC14的研究方向主要是研究大数据BIG DATA在城市设计中的应用，搭建数据与设计的桥梁。实际上，相比RC18的即时数据（real-time data and sensing technologies）或者是RC8的累积数据库（recorded datasets），RC14更多的数据更多来自于物理环境测量（声音分贝、水污染、土壤酸碱度、酸雨等等）以及来自open-source大数据库（environmental datasets）当挖掘了数据（mining）之后，通过数据呈现可视化（visualization），数据模拟（simulation）来进行数据的搜集、比较与分析。

然后将数据通过模拟软件（realflow, CFD等等）以及数据参数桥梁（c#, grasshopper等等）将数据和形体、策略、材料进行连接。第二学期的材料研究（material research）则是通过实验数据为设计提供依据，来决定设计的细部策略（strategies of details）。最后学期则是将小规模的实验成果上升到城市尺度，让原本不便、消极的城市变成复杂、流动、开放、有弹性的城市，设计成果可以是改变物理环境的表皮结构（facade）或者是改变城市土壤、水流的景观性结构（landscape），也可能是针对物理侵蚀而制造的遮蔽物（shade or structure）。

RC14毕设作品背景

曾经被称为雾都的伦敦具有长久的工业历史，而东伦敦更是当年的工业重地。大量的化工、文具等工厂的废料废气排出，导致河流和土壤都有着不同程度的污染。随着工厂的移除，这块土地既面临着经济萧条，也面临着沉淀的污染威胁。2012年，伦敦在此修建奥林匹克公园，一方面希望利用公园持续振兴当地经济，另一方面则是希望通过公园的景观规划、园林保护、洪水控制、湿地公园对于当地环境进行改善。

实际上，当地有许多的不利因素，而这些不利因素真是我们设计的外部力量（force）以及要加以改进的地方。老师提出了许多的可能性，比如雨水（rain）、水流（water）、声环境（sound）、土地污染（soil）、动植物（flora and fauna）等等。我们最终选择了比较新颖却贴切当地环境的土地污染问题。也给自己挖了一个“大坑”：这种研究手法没有太多参考，同时数据也比较难测，无法挖地三尺。所以选择研究要谨慎！

实际上可以从下图看到，老牌资本主义国家的首都伦敦实际上充满了土地污染问题。

Source:_science_londonEarth_LondonEarthGeochemistryMaps

在处理的这个问题上，实际的物理做法是存在很多问题的。最简单直接的方法就是更换大量表层土地，这种办法比较粗暴而且耗资巨大，但也是伦敦2012奥运所采用的方法。因为时间上比较快速，并且伦敦奥运的资金丰富。但实际上，处理土地污染的方法最多的是在地处理，有物理、化学和生物几种大类处理。

但化学手法和物理手法都需要大量的工程，并且持续性差，同时有许多副作用。比如物理手法有固定场地的做法，需要将大量混凝土进行浇筑场地，让污染不再扩散，但实际上对环境还是有一定的破坏性。化学手法也是需要多阶段处理，并且有化学原料生物手法比如种植植物是目前比较公认的可持续性发展的解决手法，不过缺点是周期长，吸收效率低。而微生物手法是较为前沿的处理手段，但是现在很多还在实验室阶段或是无法大面积进行使用。所以，最后我们的场地决定采取几种方式进行配合。同时，几个项目也给予了我们设计一些参考方向。例如ASLA获奖项目Alumnae Valley，这个项目也是将最严重的土壤进行移走处理和一些物理手法进行处理，而中等程度的土壤则是融入景观，营造原始地貌，利用植物进行处理。

所以用景观建筑的手法，对于整个污染的解决比较soft，可以很好解决表层土壤的污染，并且后续可以作为景观，持续性发展。这也为我们处理土地污染奠定了主旋律。

大数据分析

作为大数据组，最开始要对土地进行大量调研。此处的数据来源于几个途径

A． 城市open-source大数据库 datasets

B． 城市实地调研，真实数据来源real-time data

C． 实验模拟数据simulation

D． 实验室材料分析数据 experiments

这些数据都将为我们的设计提供数据支持和逻辑基础。也是整个城市景观规划策略的起端。数据分析、整理和信息可视化（data visualization）可以为不同的城市设计者或者参与者提供指导，并为公众参与提供可能性

对于污染物的叠加，可以发现整个场地重金属污染最严重的场所。而这些部位将是景观城市设计的重点关注区域，其分布也影响着景观的生成逻辑和密集程度（density）。这也与masterplan的布局与宏观呈现息息相关。当然，现阶段只是二维的城市规划与设计，如果要引用到三维空间，自然也需要垂直的数据。这个时候我们统计了场地的打桩洞口，了解了岩土分层和污染分布，这些垂直数据。

这些垂直数据进行模拟的话就可以得到基本型，作为设计的基础。这些垂直的分布、渗透率和沉淀会影响我们策略的污染吸收率。用模拟可以获得动态数据，应用到设计中去。

多方案比较

这次设计本身由于选题比较新，所以研究过程中其实是充满困难的。最后采用景观建筑的方式也是在多个方案比较后的选择考虑。实际上在第二学期方案是走过一定弯路的，在原创性学科里走弯路是很常见的，赶紧吸取缺点进行改进才是真的。比如有两个方案曾经作为我们第二学期的主要研究方向，但是后续效果不佳。比如这个是采用了CA元胞自动机进行的细胞生成，但这种方案面临管子难以插入地底、使用深度过深等不利条件，所以最终我们只是决定将管子作为应对污染的辅助措施，仅仅用来针对深度污染：

再比如我们设计的这个“木乃伊”，实际上是挖地三尺去解决污染问题，但这样的建筑虽然看起来比较炫，但是方案的尺度过大，使得使用效率低，周期慢；另外需要大量的人工干预。

当然这个“蚕丝洞”还有另一个形态：

这个形态也是通过数据点生成的，是管子的弯曲和纠葛而产生的。不过这个问题还是一样的，人工干预过多，对于土地改动过大，实际消耗与物理方法移去表层土一样是比较复杂的。不过因为好看我们还是选择了它当做LOGO哈哈。而我们最后选择了景观作为软性去除污染的方式，一方面减少能耗，另一方面还可以有后续的功能。

材料试验

由上面所得的大数据，我们对于污染有了两种方法配合，对于表面污染，我们采用了景观建筑的手法进行治理，对于深度污染，我们采用长管插入的方式进行吸附和再处理。但与此同时我们将进行材料试验来判断何种材料更适合这些手段。

首先，进行了多种材料的对比是非常重要的。比如英国最爱喝的咖啡，留下的咖啡渣实际上起到了生物吸附的作用，原理上有些类似活性炭，实际上也是一种生物炭。可以对于污染进行吸附作用。我们将此种方式凝成管子，用作深度污染的去除材料。

而对于表面污染，我们则培育了大量的菌丝，这些菌丝对于污染物的吸收非常有利。一方面菌丝比植物有更短的生长周期，同时菌丝容易收割进行再处理。更重要的是，我们研究了菌丝的生长环境：少水、潮湿、喜阴等特点，所以在后续的景观建设上，我们将尽量营造适宜菌丝的生长环境，使得菌丝吸收污染的效益最大化。

细节策略

针对深度污染，我们设计了树状的管子，可以很好地吸收周围污染。这里的原理是我们采用了元胞自动机，利用元胞自动机的原理进行了分化，同时联系了污染的密度进行分化指导，这些指导将使管子的“生长”更有针对性。

而针对表面污染，我们进行了景观形态的研究，以达到更大的表面积（增大吸收面积），更好的垂直分布，更迅速的吸收能力。

通过3D SCANNER进行的实验数据导入电脑信息，求得景观的分布特点和流动性。这里还有一个Angle of repose的概念，即坡度滑动的最优值。在这个范围内，景观坡道可以自然形成而保持形态。

这些数据将被同时导入计算机模拟，进行分析，然后生成有效的景观形态。同时，我们还考虑到这些景观的连接性，让他们实际上连成连绵起伏的一片，更类似大地景观。

对景观形态的热能分析。这样更利于我们培养菌丝

同时，我们把景观想成了“动态”（dynamic）的，这种动态的景观可以去“捕捉”污染物。通过探测污染的分布，这些景观的形态可以自适应。这样的景观是可以应对不同污染物、不同污染程度和不同深度的。就如同“吃豆子”，这些景观将有针对性地去处理污染物。

另外，考虑到景观上培育菌丝的环境，我们不希望水直接成股流入菌丝，而希望将水流打散，变成许多的流道（channels）这些流道将成为我们景观收集雨水的利器。将雨水分散开来，营造潮湿的环境利于菌丝生长。

这样的模拟将形成我们坑的形态：将雨水有效地分散开并绕过污染物(即培育菌丝的地方)同时这样的景观也对应了数据的提取。即通过数据-形态的逻辑进行具体的形态塑造和生长。这样的形态可以大大提升整个景观的吸收污染效率。

城市设计策略

做了以上的准备工作，我们选取了其中一个场所进行城市设计。这块地有着密集的污染分布，存在大量的重金属污染情况。同时，该地还遗留了工厂设施，其结构将被我们利用上来进行工厂改造和景观辅助设施（实验室、垂直培育园、无土栽培园、配套商业等等），而这些结构在去除污染后将被我们利用起来做后续的使用：市场、装配式住宅等等。

为了将我们的策略表达清楚，一张巨大的流程图是必不可少的。

通过数据的分析得到了场所的污染区域和分布程度。通过基础型（三角形）进行定点，不同污染程度三角形大小不同。在每个区域生成景观，生成不同大小形态、适应数据分布的针对性景观。而景观的建设，我们采用了机器人进行数字建造。机器人的路线由景观分布求得。最后我们采用了吊车对于每个区域进行植物种植。

机器人的行走我们采用了swarm theory的原理。这样类似ant colony optimization，即蚂蚁通过无数次尝试最终会留下分泌物使得后来的蚂蚁走最佳的路径。而这些路径将作为我们机器人的行走途径，即agents-based代理路径选择。而垂直方向我们也将设置不同高差，应对不同程度的污染。

而后我们会加入日照的考虑，使得菌丝培养的环境更加适宜，增加阴凉处。而这也将影响我们景观生成的算法——我们“动态”的景观也可以看成喜阴的“生物”。它将寻找最佳的形态去适应日照环境。

而只有我们将之前细节分析过的水流基本型赋予给所有景观。形成景观上的沟渠。亦是采用了erosion的原理，使得水流不再成股流下，而是有秩序的绕开污染严重的地方——这些地方将培育菌丝吸收污染。

而对于厂房改造，我们也将数据用作指导。污染较轻的地方将用作公共空间。而较为严重的地方，将增加预配式培养盒子（其中将无土栽培，培育可吸收污染的植物）的可达性和密集程度。这些盒子可以有针对性地快速处理当地污染。部分厂房将遗留下来用作后续处理的仓储。

盒子以模块化为基础，更加方便预配。盒子的组合方式和数量是通过算法coding计算，以L-system增量的形式进行。无土栽培区、实验室等等的连接性和数量都是被污染的临近程度、污染度等参数所影响的。

之后我们还为后续的使用功能提供了指导guideline，可以让处理完污染后的景观开放给公众，振兴区域。

价格不菲的CNC模型，将信息和地形结合起来，既是一种可视化表现，也是数据与景观结合的实体感受及对应关系

感想

在国外的学习，是将逻辑思维和参数化思想进一步拓展。搭建数据和城市形态、城市结构的桥梁，也将是未来大数据兴起时城市设计者的应对措施。同时，大数据也为公众参与提供了平台。城市设计不再只是单独的自下而上的政府或设计师的规划行为，而变成了公众可以切身提供数据，开源、未完成、丰富的数据提供。这种方法论上更加自下而上，也最能贴切人们共同的愿景。而设计也从比较玄学的经验主义变成了切实可行的算法演算。通过参数变量的控制，我们能更好地应对城市变化、城市的复杂性和动态特征。这也方便我们更好地去预测城市发展的未来。