城市区域表征面临粒度控制、语义一致性与结构感知的三重目标冲突。固定划分导致尺度割裂、边界撕裂与地形断裂，亟需灵活的空间单元构建策略。
统一尺度在高密与低密片区同时失效：中心区缺细节、郊区空洞噪声多，固定粒度导致表达能力与样本分布错配。
规则网格跨街区切割，导致图连通性与信息传播被破坏，划分边界与真实街区边界错配，出现伪边界与误连。
跨河、陡坡等物理不可达区域被错误连边，扩散与可达性建模出现虚假路径，图结构忽略地形与通达性约束。
建立从区域划分、属性融合到结构建模的全链条分析体系，突破以往视角分散的局限，明晰技术演进主线。
比较规则网格、同质性驱动、拓扑一致与自适应边界四类划分，分析粒度与边界对表征质量的影响机制。
研究POI、轨迹、遥感、街景等异构数据的空间对齐与语义互补策略，解决单元错配与语义冲突。
对比多图、异质图、超图等方法，结合提示学习、对抗学习与元学习，实现区域间关系推理。
在输入、模型结构、系统框架三层引入地理先验，避免“语义合理但地理错误”的表征。
MAGRE、RegionDCL等模型通过模态感知门控与双对比学习，实现遥感、POI、街景的跨模态对齐，提升语义丰富度。
HGGNN、MDF-GNN利用异质图与层级结构，在人口普查区、街区等单元间传播信息，支持跨尺度推理。
基于多城市、多任务基准，系统评估不同划分策略与融合方法在功能识别、流量预测、社会经济指标估计上的表现。
| 方法 | 划分策略 | 模态 | 功能识别F1 | 流量MAE |
|---|---|---|---|---|
| ST-ResNet | 规则网格 | 流量 | 0.72 | 18.4 |
| RegionDCL | 自适应边界 | POI+建筑 | 0.84 | 12.1 |
| MAGRE | 异构图对齐 | 遥感+POI+街景 | 0.88 | 9.8 |
| HGGNN | 拓扑一致 | 多源+人口 | 0.86 | 10.5 |
RegionDCL与JLPR通过联合学习边界与表征，在功能识别任务上超越固定划分方法约12%，且对划分扰动更鲁棒。
融合遥感+POI+街景的MAGRE相比单模态方法在收入预测上R²提升0.15，视觉与功能语义形成强互补。
引入空间偏置与地形约束的模型在跨区域迁移中性能衰减降低40%，地理先验有效抑制“语义合理但地理错误”。
区域划分从几何驱动向语义驱动、从静态固定向动态自适应演进，多模态融合与结构协同建模是提升表征质量的两大支柱。自适应边界划分结合对比预训练，在多个城市基准上取得一致最优，为城市基础模型奠定方法基础。
本文从理论基础、技术架构与应用范式三个维度指明重点突破方向，为构建新一代城市空间智能分析体系提供指导。
建立区域表征的几何-语义-结构统一理论，探索划分粒度与任务性能之间的解析关系，发展可解释的区域嵌入框架。
推进城市基础模型与多模态预训练，融合大语言模型的地理推理能力，实现少样本、跨城市的快速适配。
从功能识别、流量预测扩展到社会经济推断、政策模拟与低碳规划，构建人-地-智协同的决策支持系统。
支撑智慧城市中的土地利用规划、交通需求预测、公共资源配置等任务，提升城市管理的科学性与动态响应能力。
当前方法对数据质量敏感，跨城市泛化仍受限于划分标准差异；未来需发展统一的空间单元本体与自适应迁移框架。