在这里，先要致歉的是因为诺亚团队之前进入了新一轮的开发闭关，所以后来很多伙伴发来的联系邀请没能逐一的给予即时反馈。同时也特别感谢大家对诺亚（Noah.）开发的关心和支持。在这里，希望能用这样一篇心得总结性的技术文章，与大家共同聊聊整个行业都在关心的热门问题。

诺亚的开发，到底进展到哪一步了？

这几乎是所有联系我们的人都最关心的问题……

要解释清楚这个问题，首先我们需要建立一些技术共识。那就是我们如何去评判某种智能化算法的应用价值？相信不同的开发者们对这个问题都有自己的见解，那么我想在这里给出诺亚的评判体系，供大家作为参考。当然，这个评判体系也直接反应了诺亚对算法实用价值的思考和对产品开发方向的判断。对于目前大家在市面上能够看到的这些“智能化设计算法”，我们可以从应用方式的不同和算法的实用程度出发给它们划分成这样5个阶段：即智能化设计算法应用的<5阶进化论> – 我们也可以称其为“ 诺亚思维 ”

插图：在“诺亚思维“体系下，设计环节与项目类型是两个不同的维度，它们的乘积形成了我们需要开发的算法布局网格，每个网格内都代表了一种特定的设计工作和与之对应的智能算法。那么除了以上两个维度，第三个维度即是本文核心内容所提到的算法开发的<5个阶段>。需要强调的是，这种阶段划分是根据应用方式来决定的，而不是开发难度，针对不同类型设计工作的算法开发模式会很不一样。有的可能从1阶开始遇到瓶颈。而有些算法我们已经把技术打通到4阶了。

以下就是纯干货时间：

相信看完的朋友就能获得对智能算法的评判体系了。

1阶智能算法：针对指定项目的程序生成

基本上成熟的参数化设计师都可以做到这个级别，把自己手头的一些工作拟写成GH算法程序，使其自动执行。这个阶层算法的优越性在于它能快速有针对性地生成已知条件固定的项目图形，形成深度上可以无限深化的动态关联参数模型体系。这种模型可以辅助项目在一定范围内自由调整、快速重新生成。从而起到提升工作效率的效果。这也是早年我们去总结参数化技术在设计实战过程中的重要应用体现。

插图：以2016年，我们团队的一个实际投标项目举例。几乎方案阶段，全部的图纸工作都可以用这样的1阶算法来实现。我们可以说它是“方案一键生成”也好，说“全参自动修改”也罢。这是目前在参数化设计领域已经可以实现的技术手段，相信一些团队或多或少的在用这种模式进行设计。

当然这样的1阶算法也有着其天然的缺陷：

首先就是技术门槛比较高，国内能实现这样深度编写的设计师恐怕不到廖廖百人。其次就是开发周期很长，往往跟不上实际项目的市场需求速度。最重要的就是这种阶层的编写方式，一旦方案逻辑出现大的变化，整个算法可能就全盘报废了。所以技术不足的团队基本不会去尝试，而具备这种技术的人才又很难得到一个机会去实践。所以，我们在方案前期阶段很少看到这样纯粹的“全参项目”。

不过，1阶算法虽然不实用，但大家不要忘了，它可是真正的“一键生成”，在一定条件范围内，其效率是很可怕的。而且图纸深度可以无限深化的，这点优势反应在BIM层面更是吓人。我们看到的很多“惊人”的设计生成动图往往都是1阶算法生成的。它们的技术是真的，但只是只能在一个很小的条件约束范畴里应用罢了。

插图：在1阶算法的技术层面上，所有的建筑的模型都可以一键生成，相当于设计师是在用编程技术来建模而已。当然能建模还不够，程序模型里还需要设计建筑组成部分之间的制约逻辑。所以对于不懂建筑设计的程序员来说，想做到这个程度还是比较难的。

2阶智能算法：针对某一类型工作的算法程序，其生成结果更重视普适性

和1阶智能算法相比，2阶智能算法最大的不同就是需要考虑不同项目类型和不同设计条件之间生成逻辑的普适性，比如一个 “2阶自动排车算法” 就要满足遇到各种不同的地形轮廓、车位参数时，都能计算出有实际参考价值的运算结果。这其中可能包含数百种不同的输入变量，十几个维度的生成逻辑交叠。运算过程中需要让程序自己选择执行路径，对不同的已知条件做出不同的运算策略，最终达到理想的结果。当然，这会使得2阶算法的编程难度和算法框架设计难度大幅度增加，但反过来跟1阶算法相比，2阶最大的优势就是开发是一次性的，也就是一劳永逸的。成果也可以持续升级优化，在不断地再次开发中变得更加完美。这也是诺亚开发团队为何要花费这么大的人力和时间来集中编写这些算法基础框架的原因，目前诺亚青衫版第一批开源的算法基本上都处于2阶智能这个阶段。需要澄清的是，由于提升算法普适性的考虑，大家会感受到2阶算法本身的成果深度很难像1阶算法那样可以无限深入性的编写。而导致这一结果的核心原因不单单是因为算法开发的难度大，更多是在于不同人、不同项目对于设计成果的需求千差万别。过早的在算法前期框架内植入个性化的逻辑算法无疑是在把2阶算法降为1阶，毁掉它的普适性。那么，这是不是意味着2阶算法的应用价值也不大了？当然不是。这就好比一副绘画作品，最初一定要绘制构图用的结构线一样。往往2阶算法简单的几个线条，就已经把整个方案定位到百分之七八十了。所以从未来应用前景上看，2阶算法的普适性和应用性将会长期的在方案创意阶段为设计师们提供有效的设计参考体系。

【诺亚青衫版更新功能预告】

插图：地库排车一键生成算法即将在诺亚青衫版上与大家见面。敬请关注NCFZ订阅号，了解诺亚开发一手动态。

目前，大家最关注的也是最有争议的问题就发生在2阶算法的应用方式上：一方面因为2阶算法开发难度高，很多人质疑它们能否实现？另一方面因为图纸成果上没有1阶算法深，这又使得很多坚守这一领域开发的设计师们倍感焦虑。那么关于这种质疑，我的个人观点是这样的：2阶算法最重要的价值是让我们摸清楚了智能算法的开发流程和逻辑框架，是论证某一类型设计工作能否用程序自动运算的重要依据。一方面我们要理解，深化图纸并不难，难的是普适性逻辑的设计。另一方面我们要看清楚这种技术何时会开始真正介入设计师的日常工作：推算一下一栋建筑方案的设计流程可细分几十个步骤、行业主打的项目类型不会超过十种。二者交织形成的工作模块无非二、三百种主流算法模块。这其中一定有几十个模块目前可以实现，有几十个要等技术积累到一定程度就能攻克，也有几十个会留下来成为世界级难题。那么整个行业的工作模式开始向智能化模式转移需要多少个模块呢？也就是前面的几十个就可以了。所以大多数对技术持否定态度的观点是靠最后那些最难的题目来支撑的，而实际上在我们真正理解那些难题之前，前面的成果就已经可以使行业的工作模式发生质的转变了。

【诺亚青衫版更新功能预告】

插图：办公平面一键生成算法即将在诺亚青衫版上与大家见面。敬请关注NCFZ订阅号，了解诺亚开发一手动态。

“ 技术不会是牵引力，它不能决定设计的方向，这点我是完全赞同的。但技术一定是驱动力，它可以推动我们走向新的方向。我觉得这点也没人能否认。所以单纯强调二者中的一者，都是对人造成误导的。”

3阶智能算法：智能辅助技术下的人机结合工作模式

说了这么多，大家更关心目前这些技术能不能用吧？包括怎么用？那么接下来我就开始聊聊3阶算法：

很开心的是目前不少朋友已经对 “人工智能” 的字样有了更为理性的认识，大部分和我们对接过的伙伴更关心诺亚提出的“智能辅助” 理念。不是要让计算机设计出来人画的一样的图纸，核心目标是在现有技术基础上提高设计工作效率、减轻重复劳动。3阶智能算法在2阶基础上最大的升级就是着重考虑设计师的思想如何植入程序，以及如何更方便地满足设计师使用。把智能化设计的过程，分成人和程序两种可以相结合的模式。我们可以直白的解释为一线的设计师更希望诺亚算一算，自己改一改，诺亚再算一算，自己再调一调，在人和程序的高度互动之中，真正意义的提高设计效率，做到输出成果既快又好。在这一环节中，人的思考是以一种变量的形式高度参与到整个程序体系里，而不完全是让计算机算法全部自动生成。这也是我们强调为何诺亚的定位是“您的智能助理”，而不是“设计师”。

在之前我们和外界的很多交流中，有一种感慨和大家分享：就是很多朋友都习惯性地把算法工具孤立起来去评判：“这个生成结果一看就不对。”，“这种图没有人画的好。” 这些观点都是我们把计算机和人对立起来的思考结论。实际上诺亚的使用者需要关心的是“这种算法对我有哪些帮助？”、“这种算法我怎么借用一下就可以提高工作效率了？”这才是人机结合的思维方式。我们以前使用所有的工具都是这么考虑的，只是一联想到“人工智能”就开始紧张了。

视频：这种操作并非诺亚青衫版的内容，而是参数化设计师拿到诺亚开源框架之后可以DIY的操作，适用场景广泛、实战性极强。所以这个立面推敲视频很好地诠释了3阶算法的概念。人来决定比例、审美、功能需求，算法来负责一键生成及修改模型。

这段时间关于一种社评矛盾的问题也有一些深刻的体会：就是很多朋友会向我们表达希望了解和应用这项技术，同时更不希望自己的岗位业务能够被算法自动执行。可是…… 每每在我们的交流过程中，大家都会提出“成果图纸还不够深入”、“希望算法能自动生成完全正确的结果”等等类似的需求，以此来建立自己对这种技术未来发展的信心。举个例子，一套自动排车位的算法，绝大多数人都会去注意那最后几辆排出问题的车位，而不会感慨前面这95%的成果已经可以自行运算了。这说明什么？说明我们的潜意识里都希望计算机能代替我们工作，希望工具越强大越省事越好，甚至不用自己画最好。可我的感慨是，真正影响设计周期的是前面那95%的车位工作，而最后那5%的复杂思维过程，才是人存在的核心价值。所以，这种信息的反馈让我们为难的同时，也迫使诺亚在向着更完美的运算结果去努力。只是每次获得一种新的技术突破的同时，我们也在感慨，这种工作会不会接下来真的不用人做了…… 在反复地思考和多方交流之后，我们更清晰的认识到这种社评的矛盾恰恰正是行业的诉求，是我们发展的方向。只有3阶的算法体系能够理想解决这个矛盾，因为大家需要的是一种全新设计模式，而不是全自动的智能设计产品。

如何进入3阶？既然是人机结合模式：就需要有掌握技术的人。

3阶模式需要开发团队和应用团队一起，共同向着一种中间的模式努力前进。一方面我们会将诺亚算法开放让更多的设计师拿到这种技术，另一方面也需要我们的设计师们或多或少的掌握一点这方面技术来使得自己能够更自由地操控这些打包好的算法。

准确的说，真正去推动行业技术的应用和发展，才是诺亚开源的目的和价值所在。诺亚所有2阶算法开发，从一开始就是奔着3阶应用去做的。而对技术的进步而言，3阶这个过程必不可少，实践测试才能看清发展的方向。不考虑人机过渡的2阶算法想直接上4阶，是会走很大弯路的。

【诺亚青衫版更新功能预告】

插图：3阶模式下，设计师可以依据诺亚立面算法框架，DIY自己的智能立面方案。从而实现千差万别的设计成果样态。

解释了3阶算法，大家会不会有一种失落感？感觉又要回去学习了，不然我们将迟迟无法迈进“理想的”智能化时代。那么我想解释一下，3阶智能算法是我们总结出来的能够满足大众需求的普及模式，但并不代表着目前没有开发更高级算法的可能。开头提到过，有些算法模块可能很容易就被写到4阶。虽然未来很长一段时间3阶仍将是主要应用场景，但4阶也是同时存在。那么下面，我们来看看什么是4阶：

4阶智能算法：针对某一类型工作的算法程序，其结果可以无限衍生

4阶智能算法已经完全可以自己跑起来了，我们只要人为的录入设计需求，程序自动就能给我们输出海量的计算结果。到了这个阶段，实用价值的最大体现在于计算机可以自主配置变量跑出无数种可能。设计师的角色从推演思维的介入，转变成一种对结果的评判和筛选。那么这里我们就要提出一个“良品率”的概念，就是这些随机输出的可能性，到底有多少是能够符合我们设计意愿的，会不会有些生成的方案一看就不能用？当然会，而且随机条件越放开，输入条件越简洁，生成的不理想结果就越多。过多的选择和错误结果会给设计师的评判带来很大的负担。而作为一名资深的建筑设计师，我个人一看到错误的方案就想自己上手改，而不是在一堆已有的方案里去挑选。这也是目前一些类4阶算法并不容易被行业直接接受的主要原因。4阶开发的关键点在于到底如何用“拟人”的思维去设计这些开放性变量，把那些人根本就不可能考虑的变量直接淘汰掉。这里也就需要大量的实战设计经验了。某种意义上来讲，对不同的人来说，这些经验值也不一样，所以这就需要大量的数据采样来总结归纳，最终得到一个普适的结果。从技术的层面解释，2阶智能解决了70%的设计绘图工作，3阶智能用人的智慧弥补了剩下的30%推演工作；4阶即是通过“拟人”的方式不断的模拟这30%推演工作，最终实现更高程度的智能化的程序。所以之前有人会认为3阶是假智能、3阶就是人为去改2阶图纸。但其实我们强调3阶是算法优化的必经之路。也是为什么其他编程行业的人很难介入建筑智能化算法开发的核心原因。一个算法产品不包含建筑师千锤百炼的设计逻辑思维，是几乎无法被应用的。一旦进入4阶开发，就是不断地用设计经验在提高良品率的问题了，这个时候所有筛选出来的算法成果，基本上内行人已经看不出来是人做的还是计算机做的。所以大家之前比较担忧的其实就是这些4阶算法对行业的影响，目前我们并没有考虑把部分4阶算法公布出来，原因是还在等待行业给我们提供成熟的反馈信息。

【诺亚青衫版更新功能预告】

插图：这个算法即是用“拟人”思维来编写的4阶智能算法。目前匹配产品后已经可以生成一定容积率下无穷尽的高低配强排结果。

4阶的时代一定会来，对于我们每个人来说只是之前主动接触3阶，还是之后被动的问题。在此必须感谢Rhino对建筑方案设计领域的巨大贡献，Grasshopper对建筑行业技术的推动已经证实是划时代的，而NCFZ也已经把这种技术的普及课程做的非常清晰高效了。有了这些教程体系，参数化学起来已经不是很难了。

事实上，从行业发展的眼光来看，当几年内大众建筑师已经可以驾驭3阶智能算法的时候，我们就已经开始习惯用程序来完成部分工作了。届时面对4阶的挑战，熟练3阶的建筑师们便可以直接驾驭4阶算法，引导程序按自己的需求提高它们的定向良品率。有人看到这里会说：“ 建筑师不可能都变成程序员，所以4阶时代是不存在的。” 这句话我赞同前半句，因为我们开发策划内的5阶智能算法就是协助建筑师们更好的操作4阶算法的，所以建筑师们大可不必投身代码的苦海。

【诺亚青衫版更新功能预告】

插图：根据周边地块的挡光要求，自动排建筑体量。以前最痛苦的不能挡周边建筑采光的问题，这里可以一键解决了。

5阶智能算法：模拟人的评判逻辑，给海量方案“打分”

5阶智能算法是在4阶的基础之上增加了一种“打分系统”。通过对4阶成果的特征分析来给方案结果进行打分，从而让计算机具备一定的自我评判好坏的能力。这样我们就可以让计算机自己跑一宿，第二天一早上让它从1000个方案里，找到打分排名前十的方案。这意味着什么？听起来是不是很“人工智能”。其实到5阶的时候“人工智能”领域的算法已经可以为智能化建筑设计领域所应用了，但是这并不意味着5阶的技术核心就是“人工智能”技术。大家会惯性的把“人工智能”想象成计算机有自己的“想法”了、能“创造”、能“自己设计”。而事实上，目前我们更应该把它理解为一种打包算法模块，甚至是未来成为GH里的一个电池。我们可以自由地借用这些模块，但前提是我们有自己的完整程序体系。而这种程序体系建立在4阶算法架构的基础上，再多一种图形采样特征分析程序就可以实现了。而这个特征分析程序需要单独编写，难度相当于一个2阶算法开发再加上设计师的经验归纳总结。所以对于我们的行业而言，可怕的不是谁拥有“人工智能”技术，可怕的是谁拥有能用上“人工智能”技术的算法程序框架。不过现在可以明确的是，5阶也不可能代替建筑师，在5阶普及情况下，“打分系统”的设计和不断优化完善仍然需要建筑师对功能的理解和空间的体验作为指导依据，我们可以理解为4阶以前是在将制图工作基本程序化，从5阶开始是将审选工作基本程序化。千差万别的审选逻辑将继续引领建筑方案走向千差万别，不变的是创新，改变的仅仅是设计模式和设计效率罢了。

所以综上，为什么诺亚不是“人工智能”，但也算是在研发这个方向。因为没有诺亚的2、3、4、5阶算法就没有“人工智能”算法的理想应用环境。而诺亚目前在做的就是全力推动各种工作模块的2阶算法框架开发和接下来的3阶算法应用技术普及工作。目前，二阶已经完成了近40%。部分在逐渐向3阶转化过渡。接下来谁能先掌握并用上这些3阶算法逻辑，谁就将更接近建筑的未来。

技术本身是客观存在的，发展是必然的，我们去评判它的好坏往往是出于不同的应用立场。可这些评判也不会改变什么，一旦技术突破了成熟应用的节点，一切的改变将是迅速的、自然而言的。我们一直在适应这种变化，过去一直称它为：时代进步了……

了解诺亚更多详情

如今

数据可视化

已经成为了各个行业竞相追逐的一个词汇

从阿里巴巴的阿里云

到百度的百度图说

项目的前期数据分析

已经成为了市场经济下不可或缺的一环

同样

互联网的大数据背景

也为景观设计带来了新的契机

如何能让你的分析图

通过数据的支持

变得更加具有说服力

这是我们本次课程所希望达到的目的

4 种网络数据获取

OSM+DEM+POI+WEB DATA

课程共涉及到四种数据类型，分别为OSM矢量数据，DEM高程数据，POI城市信息点数据和WEB DATA网页数据。

一、OSM矢量数据

OSM是开源地图（OpenStreetMap）的简称，通过OSM地图我们可以获取到城市的矢量数据信息，并通过Grasshopper编程将数据可视化为具有城市肌理的底图或者城市的三维建筑模型。

OSM格式数据爬取分析图

网络案例

北京国贸附近城市3建筑模型

讲师自绘

二、DEM高程数据

数字高程模型（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达）。

一般认为，DTM是描述包括高程在内的各种地貌因子，如坡度、坡向、坡度变化率等因子在内的线性和非线性组合的空间分布，其中DEM是零阶单纯的单项数字地貌模型，其他如坡度、坡向及坡度变化率等地貌特性可在DEM的基础上派生。

课程中通过对DEM高程数据的爬取，并借助Grasshopper等软件平台将其转化为可视的三维地形模型，并对其可以进行各类分析。

DEM高程数据爬取分析图

网络案例

DEM高程数据爬取分析图

网络案例

三、POI信息点数据

POI是“Point of Interest”的缩写，中文可以翻译为“兴趣点”。在地理信息系统中，一个POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。

课程中的POI信息点主要包括网站采集和手动爬取两种方式，在后期的数据处理部分主要以Power Map为主，同时也会介绍些Grasshopper平台下和可视化网站中的处理方法。

POI数据信息爬取分析图

网络案例

四、WEB DATA网络数据

网络数据是现实世界中最常用的数据类型之一。人与人之间的关系、城市之间的道路连接、科研论文之间的引用都组成了网络。

课程中主要通过火车头采集器、八爪鱼采集器等软件对数据进行获取，并在Grasshopper平台下搭建分析图逻辑处理数据。同时在这个部分也会介绍一些比较有趣的可视化网站。

Echarts官网首页

网络案例

8 次经典直播课

数据获取+分析图逻辑构建

一、课程整体结构

二、课程内容 

一、基础内容讲解

1.课程整体介绍

对课程整体内容的概述，通过具体的视频案例来解释数据可视化对设计产生的指导性作用，并对课程所涉及软件进行简单说明。

2.GH入门（数据结构及基本操作）

对Grasshopper里数据结构部分进行详细讲解，并通过建模案例进行演示。最后会以视频案例的形式介绍数据可视化当今比较前沿的研究。

GH入门数据结构讲解

作者自绘

二、DEM高程数据及OSM矢量数据爬取

1.OSM开源地图数据爬取

OSM开源地图提供了丰富的数据资源，通过Grasshopper，GIS，QGIS等软件的使用可以获得大量的矢量格式城市数据。课程主要介绍三种方法——（1）ELK1 and ELK2 爬取（2）QGIS爬取 （3）GlobalMapper

2.DEM高程数据爬取

DEM高程爬取主要用到谷歌地球，GETools，地理空间数据云等软件和网站，用于获得全球的地形数据以方便对场地的分析理解。课程主要介绍三种方法以及后期的地形处理——（1）谷歌地球爬取 （2）GlobalMapper爬取 （3）全能电子地图下载器爬取 （4）地形整理

城市OSM肌理底图 ——上海市

网络案例（课上临摹）

城市OSM肌理底图 ——利物浦

网络案例（课上临摹）

城市OSM肌理底图 ——马德里

网络案例（课上临摹）

城市三维建筑模型 ——巴黎

课上案例

城市三维建筑模型 ——柏林

课上案例

城市三维建筑模型——伦敦

课上案例

DEM地形获取

课上案例

World Imagery Map

课上案例

Atlas Shader Map

课上案例

Color Ramp Shader Map

课上案例

Daylight Shader Map

课上案例

Global Shader Map

课上案例

Gradient Shader Map

课上案例

HSV Shader Map

课上案例

Slope Direction Shader Map

课上案例

Slope Shader Map

课上案例

VCF Tree Cover Worldwide Map

课上案例

三、POI信息点爬取及网页信息爬取

1.POI点数据爬取

POI点是“Point of Information”的缩写，是主要以名称，经度，纬度构成的信息点。通过对POI点信息的爬取我们可以获得诸如各城市餐饮、酒店、公共设施以及风景区等的坐标信息，进而通过数据清理，算法编写等过程进行数据可视化的展示。

2.火车头网页信息爬取

火车头采集器是目前较为常用的网页数据爬取软件，通过逻辑的编写对网页源代码进行信息筛选从而获得所需数据。火车头采集器这类软件扩大了信息获取的渠道，对于没有编程基础的人来说更易上手，也可以作为学习python爬虫等知识的前期铺垫。

上海房价可视化GL版

网络案例（pissang作品）

Taxi routes of CapeTown

网络案例（pissang作品）

四、既定逻辑（一）——Power Map

1.图表类可视化（既定逻辑）

既定逻辑第一部分主要以Excel的数据可视化插件PowerMap讲解为主，包括PowerMap基础操作、区域分布图表制作、海量SHP信息转换导入制图、时间轴动态图表、动态3d表格图表、使用自定义底图制作图表几个部分。

Power Map图表类可视化

网络案例（课上介绍）

Power Map图表类可视化

网络案例（课上介绍）

Power Map图表类可视化

网络案例（课上介绍）

全国学校POI位置信息

课上案例

动态3d图表

课上案例

五、既定逻辑（二）和可变逻辑

1.图表类可视化（既定逻辑）

百度图说、BDP、infor.am、Echarts以及chartwell参数化字体的简单使用介绍。（Echarts简单介绍，详细使用之后会单开相关课程）

2.图表类可视化（可变逻辑）

通过Grasshopper的逻辑算法介入，对数据进行可视化建构。

Echarts官网首页

网络案例

网络数据可视化

课上案例

六、地形可视化（一）

1.地形可视化（一）

地形可视化部分是利用前面爬取的DEM地形数据生成的地形进行进一步分析，第一部分具体包括CAD高程点地形创建、高程分析、坡度分析、坡向分析、日照分析和地形模拟。课程会通过案例讲解部分Grasshopper电池的常用方法。

地形类分析日照 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

七、地形可视化（二）

1.地形可视化（二）

地形可视化部分是利用前面爬取的DEM地形数据生成的地形进行进一步分析，第二部分具体包括道路坡度分析、视域分析、雨水径流分析、天际线限高分析和GIS相关地形分析。本节课程除了通过案例讲解部分Grasshopper电池的常用方法外还会涉及GIS在分析地形时的简单用法。

地形类分析雨水径流 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

八、空间可视化

1.城市空间可视化

城市空间可视化部分是利用前面爬取的OSM空间数据生成的城市空间信息进行进一步分析，具体包括城市日照分析、城市视域分析、城市排水分析、人口密度分析、容积率和最短路径分析。本节课程通过案例讲解部分Grasshopper电池的常用方法。

基于时间轴的分析 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

基于时间轴的分析 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

基于时间轴的分析 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

城市空间类分析 2015 AA Beijing Visiting School

讲师自绘（案例临摹）

5 次犀牛+GH基础扫盲课

韩大大精心录制的扫盲视频

本次课程为了照顾没有太多犀牛和Grasshopper基础的同学，为大家准备了韩大大精心录制的扫盲视频及相关案例文件，大家可以在正式上课之前先看这个视频进行一些基础学习。

写在最后

套用兽哥的话来说

数据可视化的魅力在于

你将可以用上帝的视角去理解这个世界

-这是一个用数据说话的时代-

  直播时间 

8月4日——8月26日，每周六、日晚上20：00—22：00+

授课：本页面直播+录播+课后辅导（2个月）

软件：犀牛5，GH+插件，ArcGIS，Global Mapper，Excel等

难度：不需要有犀牛和GH基础，即学即用。

 适合人群 

建筑、景观、规划设计专业学生 在职设计师

  课程费用  

课程原价899元/人

前10位报名学员699元/人

10-20位报名学员799元/人

（附赠：课程高清录屏 + 全套素材 + 课程相关配套辅导资料+2个月辅导期）

 报名方式 

报名前，欢迎咨询

下单时

请备注您的姓名和联系方式

（报名后，请加客服QQ：优优：2852357064   nini: 2852357065  知世：2852357063）

（PS：每个课程在电脑网页付完款后会有询问是否加教学群消息，请选择是，申请进教学群，此功能暂时只提供电脑网页，在APP与手机网页购买的用户请联系客服）

 联系我们 

为了优化工作效率、提供更好的服务，我们升级了用户咨询系统，取消原来的私号咨询方式，采用企业客服QQ统一咨询。

请加客服QQ号： 优优：2852357064   nini: 2852357065  知世：2852357063

课程入口大数据可视化分析

编辑 | AT

校对 | 堂哥

版权声明

本文由  &优优课 原创，禁止转载。

投稿邮箱

media@archcollege.com

建筑可视化也算是一个庞大的体系，就像建筑设计一样，设计公司委托了任务，洽谈好之后就需要根据拿到的模型，图纸，地理信息，环境照片，甚至天气等一些客观因素来进行初步构思，如果设计公司无法提供所需求的各类信息和材料或者并不满意所提供的，那就需要花大量的时间做前期分析，调研，拍照，建模，营造基本的环境和空间。创作过程就像是建筑设计一样，是艺术修养，空间营造，技术手段这些多方综合的结果。

关于MIR 

先来看一段官方的介绍：

Mir is a creative studio tucked in betweenseven mountains on the rainy west coast of Norway. We make images of unbuiltarchitecture. Our small team of hand-picked artists from all over the worldcater to some of the top architectural practices of our time.

几个关键词，我们在挪威，我们创作的对象是还未建成的建筑，我们的团队都是精挑细选的世界精英。

MIR团队合照，确实一看就很精英，左1创始人Troud Greve，右1合伙人Mats Andersen

然后是提升逼格的独白：

Mir is Mir.

We are adventurers and explorers.
We will try the alternate way – even if it risks failing.
Our clients benefit from our ever lasting curiosity and unstopping will to analyze, create and invent.

 "The unique" in our imagesis derived from actual qualities in design and location rather than appliedeffects.

无疑不在强调独特性和创造性，我们就是我们，是冒险家拓荒者，我们的客户得益于我们天马行空的想法，这不仅仅是技术带来的变革更是源于设计。

从这当中可以看出，单纯的将MIR理解为效果图公司是比较狭隘的，很多时候他和我们一样是设计师，是艺术者，他们的成果是作品而非图纸。这里也就涉及到他们对自己作品的把控，总的来说，找他们作图得先提前两三个月预约，然后等叫号，洽谈好之后，他们开始自主创作，这期间设计方的意见不作为主要参考依据，比如选什么角度，你可以提供你认为好的角度，用不用是我们的事，你有任何修改意见可以提，做不做要看我们的。即使这样依然大把的明星事务所来找他们画图, ZAHA, BIG, OMA, Snohetta, SOM, 可谓门庭若市。

为了回报广大客户，他们的价格也十分亲民，单张可达到5000欧，折合人民币大概三四万一张，他们还有优惠政策，量大从优，也就是你做几张计算下来肯定比只做一张便宜。

MIR挪威工作室，我一直以为他们上班是不穿白大褂的 

优秀作品展 

MIR几乎给每一份作品都单独编了号取了名字，可见他们对此的重视，因为我们本身对CG作品研究不多，即不班门弄斧介绍内在，完全站在一个建筑师角度邀请大家一起欣赏美的创作。

我个人印象深刻的一组图，官方给出的名字是The Mirror,可以仔细看梦露裙下方有一面大镜子，美好风光一览无余，啊喂，我说的是玻璃穹顶

芬兰赫尔辛基古根海姆博物馆竞赛方案，当时一共入选决赛的有6组，这组方案并没有入围，但MIR依然对其有所偏爱，命名为FAN，我更倾向于理解为粉丝

Great Escape（字面意思大逃亡，有一部电影叫这个，深层理解，可能泳池是亮点）

米兰世博会中国馆，大家也知道最后还是效果图好看，MIR取名Lines of Desire, 直译线的渴望

很有意思的一组图，其实你可以发现可能他们在创作的时候并不仅仅考虑空间氛围，有的时候往往是画面中最不能引人注意的一点是主旨，可能是景物，也可能是人物，就像第一张的Mirror,你猜这张叫撒，Smoking(hot) Ballerina, Ballerina 是意大利一位著名的芭蕾舞演员，所以你看画中唯一的人物，然后再去联想这个角度这个建筑的功能，就比较好理解了

扎哈设计的塞普洛斯博物馆, Arrow, 形不形像

Lunch，又是简单的刻画人物活动

被国内不少模仿过的Away from work

Candy

路边驻足, Roadside Stop，注意看远景教堂，法国四大教堂沙特尔教堂，项目是在法国沙特尔

月知舞, La Lune, 法语

下面是一组偏室内的作品，可以感受一下MIR对细节的把控，光线的刻画，材质的选择，甚至是人与建筑与空间的关系，这些不仅仅是图，也是我们在寻求设计出发点时应该需要考虑到最后所能呈现的效果。

Adventurous Dining, 山间野餐，自然，光线，活动，材质

大家都知道，BIG作品，Lighting

Snohetta算是MIR最常的一个主顾，他们有很多合作过得项目，这和前面的Lunch Time那张是呼应的一组

Chevron，形容V型，这个和前面中国馆那张异曲同工，所以可以断定他们的手法也不是层层出新，总会有一些相似的想法

Direction, 再简单的构图也无法离开光影，人物，材质的烘托

Layer, 层，空间角度的选取确实十分重要，这个角度就让整个层次感扑面而来

Munch Detention, 我猜测这是对画面中藏品的表述

最后介绍MIR任职过的Tamas Medve的一些个人作品，他算是一个很狂热的CG爱好者了，不仅仅在建筑作品上创意无限，也会涉及去做一些游戏场景，科幻建筑，诸如此类。

Red Planet, 红色星球

Red Valley, 红庄

Metallum City, 金属城市

再来看一下这哥们在建筑表现上的造诣，文章开头梦露那张就是他的代表作，以下还有：

Grieghallen，格里格

Esplanade Clark-night-shift, 克拉克夜奏宁

Carrbbean, 项目在加勒比海，所以叫加勒比海

Private Villa, 私家别墅

故事结尾 

本次对MIR的一些基本介绍以及部分作品回顾先告一段落，由于很多小伙伴和我反映当要做图的时候很难找到满意的参考图，自己脑中也没有什么干货，所以我们希望把这个东西做成一个系列，往后会慢慢的介绍更多别的绘图工作室的一些作品，不仅限于cg作品，也包括各类平面，剖面，轴侧，爆炸等等，经验灵感集就是希望在这样一些时候提供给你一些不同的思路，请永远记住，能够阻挡你的并不是技术，而是想法。

当然，文末福利，我们工作室收集了目前有关MIR的大部份高清图纸，大概一百多张整理成文件，仅供大家学习交流。

以上内容为本工作室创作编辑，不具权威性，不承担法律责任，请勿用于任何商业用途，转载请告知。

感谢 合创研造社 授权分享

欢迎关注他们的微信公众号

在公号内回复180401MIR可以获得相关资料

微信号：CC-LAB

联系：info@c-c-lab.cn

下面这几张是视屏中随手截图得来的分析图，数据表格通过柱状图的形式展现在我们眼前，直观的同时带有美学意义，这就叫数据可视化哦~

引用

数据可视化主要是借助于图形化手段，清晰有效地传达与沟通信息。但是，这并不就意味着，数据可视化就一定因为要实现其功能用途而令人感到枯燥乏味，或者是为了看上去绚丽多彩而显得极端复杂。为了有效地传达思想概念，美学形式与功能需要齐头并进，通过直观地传达关键的方面与特征，从而实现对于相当稀疏而又复杂的数据集的深入洞察。

应用

图很美，也意味着数据可视化之路的确很长~是不是很心动？就让我们从EXCEL开始我们的数据可视化第一步吧（必须是16版本，内置最新的POWERMAP）

正文

就拿手头最近的一个例子开始讲起吧。

我需要调研湖州的学校分布，于是我先到了脉测数据这个网站去获取我需要的POI信息（具体过程可以自己研究一下，当然还有很多种方式获取信息，包括火车头信息爬取啊等等，获取信息的方式的手段各种各样，如果对这方面有兴趣的小伙伴可以后台留言，这里就不多讲了。）

我整理并获取了这样的一份表格

全选数据，不得有空白格数据，后点击插入—三维地图

进入之后，会是这样一个界面，点击位置–添加经纬度–选择对应经纬度

选择自己想要的主题–黑色或者小清新，这个看个人喜好

在图层选项中调节大小及高度，高度可以是各种综合指数，包括在校人数，这里不需要，所以没有添加这一栏

调整视角并选择出一个自己最喜欢的角度，点击左上角—捕获屏幕–获取图像

风格很多，也可以是这样

如果有汇报需要，只要添加时间轴，简单的动画就可以制作。这里小编虚拟了一栏时间数据。

好啦，教程就到这，因为我需要的数据不是很多，所以给你的视觉震撼可能不是很强，这里小编再给大家看一下一旦数据多了之后，效果其实还是很震撼的。

我网上获取了全国的学校位置分布，这是一个有26W条消息的EXCEL表格

同样的方式获得这样的图

这样的图

这样的图

甚至可以用这样的方式去做当地美食的一个数据可视化~

怎么样？是不是又GET到一个数据表达的方式了~

是不是觉得数据可视化其实也没有想象中那么难呢？

EXCEL也有想象不到的效果~

数据可视化第一弹到此结束，接下来的第二弹更精彩~

欢迎你的转载和评论哦~

等待灵感的同时，不如来我们这积累积累知识！~

资源入口相关扩展设计素材

  感谢 绘图小学堂 授权分享

欢迎关注他们的微信公众号

微信号：BENNANA1020