用于城市规划的生成式 AI：通过 DualControlNet 联合生成土地利用地图与卫星影像

各类土地利用模型能够表征土地利用格局，并辅助情景规划。然而，现有模型大多侧重于预测，即基于数值数据预测土地利用变化，而无法根据简单的文本提示生成新的土地利用地图。与此同时，城市系统中的生成式 AI 仍以单模态为主，可控性较弱，且评估主要依赖通用图像质量指标，而非领域专用指标。为弥补这些不足，我们提出了 DualControlNet，这是一种能够联合生成高分辨率土地利用地图与卫星影像的生成式土地利用模型，旨在应对多模态、可控性和验证方面的挑战。DualControlNet 使用来自 Orlando 和 Chicago 的逾 40,000 对配对图块进行训练，并通过土地利用、空间一致性和图像质量指标进行评估。与单模态基线模型相比，DualControlNet 将土地利用多样性一致性提高了 62.8%，建筑覆盖率一致性提高了 16.3%，跨模态空间一致性提升至两倍以上，视觉质量提升至三倍。基于情景的实验表明，DualControlNet 可通过多维控制支持可持续发展，提高密度和多样性，并响应“高密度开发”等文本提示。总体而言，本研究通过一个多模态、可控且可验证的生成式框架推动了土地利用建模的发展，降低了技术门槛，使人们能够直观地探索城市的未来。