导读：城市更新正在从“大拆大建”走向“精准体检”。过去城市更新常以社区或街道为基本单元。但现实中，同一个社区可能既有老旧住宅，也有维护良好的公共设施。简单地把一整片区域都标记为“需要更新”，容易造成资源浪费且忽视真正需要优先改善的建筑。基于此，本研究把问题进一步推进到建筑尺度，估算北京17万栋建筑的更新潜力，并尝试回答：哪一栋楼更可能需要更新？为什么是它？它周边的建筑和社区环境又起到了什么作用？
城市更新是存量发展阶段提升城市质量的重要抓手。随着城市建设从增量扩张转向存量优化，更新工作的重点不再只是判断“哪里旧”，而是要进一步识别“哪里更需要更新、哪些对象应当优先更新”，从而提高资源配置和城市治理的精准性。
但传统识别方式多依赖专家调查或政府项目库，通常停留在社区或网格尺度，难以揭示同一片区内部不同建筑之间的差异。若只以社区作为判断单元，就很难支撑先改哪里、怎么改以及改到什么程度的精细化决策。
本研究目的在于如何把城市更新判断从区域画像推进到建筑画像。每栋建筑不再是孤立点，而是被放在所在社区、周边建筑、空间邻近关系中共同判断。换句话说，城市更新不只是看一栋楼本身老不老，还要看它和周边环境之间的关系。
图1 | 研究框架图：多源数据收集和处理、建筑-社区双层图网络构建以及生成更新潜力图与解释结果。
如图1所示，研究基本思路可以概括为三步。
第一步，收集和处理多源数据。在建筑层面，引入建筑面积、周长、高度、层数、屋顶类型以及高分辨率遥感影像特征等；在社区层面，纳入房价、绿地覆盖、人口密度和POI等信息，并通过官方途径收集城市更新项目数据。这些数据通过预处理，构成了判断建筑更新潜力的基础。
第二步，构建建筑和社区空间关系。一栋楼是否需要更新，并不完全由自身属性决定。相邻建筑往往具有相似建设年代、相似维护状态和相似外部环境。研究因此基于图神经网络构建了建筑尺度的更新潜力预测模型（URHGN），把建筑之间、社区之间的空间邻近关系也纳入分析，让模型能够理解“周边环境”对更新判断的影响。
图2 | URHGN模型架构图
第三步，预测建筑更新潜力，并解释影响因素。通过模型训练和对比后，研究在基于模型输出结果的基础上，进一步回答哪些因素影响了判断？是建筑自身属性更重要，还是周边空间关系更重要？这种解释性对于规划决策尤其关键。
主要结果 1：模型可靠性
在展示空间结果之前，研究首先验证了模型是否可靠。结果显示，传统方法的F1值大致在0.700—0.775之间，单层图模型提升至0.789—0.810，而本文模型进一步达到0.855，说明在建筑尺度识别城市更新潜力时，同时考虑建筑自身特征、社区环境和周边空间关系，能够带来更稳定的判断结果。
表1 | 模型性能对比，包括传统机器学习模型、单层图神经网络模型（GCN、GAT）以及本研究提出的模型（含有无注意力机制对比）
主要结果 2：更新潜力预测结果
在此基础上，研究对北京约17万栋建筑进行更新潜力识别，发现近1.6万栋建筑处于“极高更新潜力”水平，7000余栋建筑处于高更新潜力水平。从空间分布看，高更新潜力区域主要集中在城市三环区，以及西部、南部边缘区域。其中，三环以内极高更新潜力建筑占比最高，五环以外区域也表现出一定更新潜力。这说明城市更新并不是简单的中心旧、外围新模式，而是受到建设年代、空间区位和发展阶段等多重因素影响。
图3 | 城市更新潜力预测结果（聚合至社区尺度便于可视化），含北京各环路以及极高更新潜力中不同建筑类型占比。
主要发现 3：可解释性分析
进一步看可解释性结果，研究发现，周边空间关系对更新潜力判断具有重要影响。模型并不是孤立地看一栋建筑，而是会结合其相邻建筑和所在社区环境进行判断。解释性分析显示，空间关系的贡献高于建筑属性本身；在建筑属性中，层数、高度和高分辨率影像特征较为关键；在社区层面，房价等变量也提供了补充信息。这表明，城市更新需求往往具有空间集聚特征，不能只看单栋建筑的表面属性。
图4 | 影响城市更新潜力预测的可解释性分析，包括空间邻近关系影响和节点属性影响
主要贡献
总体来说，本研究主要提出了以下两点贡献：
第一，城市更新需要从大范围社区判断精细化到建筑诊断。社区层面的规划仍然重要，但真正落地时，需要知道哪栋楼、哪类设施、哪个空间单元更需要优先改善。建筑尺度识别可以减少“一刀切”，也可以帮助政府更精准地安排财政资金和项目顺序。
第二，更新潜力不只是建筑自身问题，也取决于空间关系。周边建筑、社区环境和城市区位都会影响更新判断。未来做城市体检、老旧小区改造、存量空间治理时，应更多纳入邻近关系和空间集聚特征。
第三，技术应用和公共治理结合。可解释的模型可以帮助规划部门理解“为什么这里需要更新”，但城市更新最终仍然要回到人。居民需求、社会公平、历史保护、实施成本和规划管理都应进入决策过程。
总体来看，本研究主要是基于可解释性地理人工智能技术（XGeoAI）提供了一种建筑尺度的城市更新识别思路：先判断模型是否可信，再识别哪些建筑具有更高更新潜力，最后解释这些结果由哪些因素和空间关系驱动。对于城市更新实践而言，这有助于从粗尺度的片区判断，进一步走向更精细的建筑诊断和更新优先级排序。未来，如果能结合时间序列数据、居民需求、政策约束和实施成本，这类方法还可以进一步服务于动态城市体检和精细化更新决策。
上述研究成果以“Explainable urban renewal prediction at building-scale using hierarchical graph neural networks”为题，发表于ISPRS Journal of Photogrammetry and Remote Sensing。北京大学遥感与地理信息系统研究所博士生颜晓钦为论文第一作者，黄舟教授为论文通讯作者。研究得到了国家自然科学基金项目及博士后创新人才支持计划的支持。
Yan X, Huang Z, Ren S, et al. Explainable urban renewal prediction at building-scale using hierarchical graph neural networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2026, 233: 609-622.
