成果速递 | 基于街景图像和机器学习测量城市绿色空间暴露

导读

本期为大家推荐的内容为论文《Measuring Urban Green Space Exposure Based on Street ViewImages and Machine Learning》   （基于街景图像和机器学习测量城市绿色空间暴露），发表在 Forests 期刊上，为了便于大家学习交流故将其核心内容推送在此平台。

本篇文章的研究背景是城市绿地暴露度的测量和评估。随着城市化的快速发展，城市绿地对于提高城市质量和居民福祉至关重要。然而，传统的绿地评估方法存在一些局限性。因此，本研究利用机器学习和街景图像构建了一种新颖的人本主义框架，用于评估城市绿地的暴露度。该框架综合考虑了绿地的可用性、可达性和吸引力等方面，通过开源街景大数据支持，具有较强的可扩展性和可操作性。本研究以上海市中心为案例，展示了该评估框架的实用性。

研究提出了一种基于街景图像分割的方法来测量并评价城市绿色空间暴露度。通过使用卷积神经网络结构的SegNet算法，对街景图像进行语义分割，识别出其中的绿地元素。通过对绿地元素的比例进行统计，得到了城市绿地的可用性测量结果。该方法在街景图像的分割准确性方面表现出色，并且可以有效地表征城市建成环境的特征。这一研究为城市规划和绿地管理提供了一种新的测量方法。

论文基本信息

发表刊物：Forests，是一本国际学术期刊，涵盖了森林科学和林业领域的各个方面。该期刊发表了关于森林生态学、森林保护、森林管理、森林资源利用等方面的原创研究论文。《Forests》旨在促进对森林生态系统的理解和保护，推动可持续林业发展和森林资源的可持续利用。该期刊提供了一个国际交流平台，让研究人员和学者分享他们的研究成果和观点以促进学科的发展和创新。

期刊卷号：Forests 2024, 15(4), 655

DOI：https://doi.org/10.3390/f15040655

作者基本信息：

张天霖/男/天津大学建筑学院在读博士研究生/研究方向为城乡公共空间与人群行为

王磊/男/天津大学建筑学院在读博士研究生/研究方向为城市计算

胡一可/男/博士/天津大学建筑学院教授、博士生导师/研究方向为风景园林规划与设计、城乡公共空间与人群行为、风景旅游区规划设计

张文正/男/天津大学建筑学院在读博士研究生/研究方向为城市公共空间与文化遗产

刘宇阳/男/天津大学建筑学院在读硕士研究生/研究方向为城乡公共空间与人群行为

研究成果展示

摘要

绿色空间暴露被视为是一种解决城市问题的，生态的、可持续的方法，在快速的城市化进程中发挥着重要作用。以往的研究由于缺乏空间直接对位和对于人本视角的关注，难以对城市绿色空间暴露进行全面测量。为解决该领域的不足，本研究基于机器学习和街景图像，构建了大规模、细粒度的绿色空间暴露评价框架，并以上海市中心城区为例开展实证研究。我们发现绿色空间暴露空间分布具有明显的圈层结构，随中心向外围呈现先增加后减小的趋势。进一步的，我们从微观和宏观的视角出发，利用结构方程模型和地理探测器探究了城市建成环境因子对绿色空间暴露的重要影响。结果揭示了维持合理的建筑聚集度，提高人行道与绿色空间的结合，注重区域功能的多样性，避免单一功能的过度集聚，都是提高城市绿色空间暴露、促进人类福祉的有效途径。我们的研究为城市规划者和管理者提供了科学支撑，对实现城市可持续发展具有重要的指导意义。

关键词：Street view images（街景图片）, Machine learning（机器学习）, Human-scale perspective（人本视角）, Urban nature（城市自然）, Sustainable development（可持续发展）

研究思路

本研究的研究思路是通过机器学习和街景图像构建一个评估城市绿地暴露度的框架，并在上海市中心进行案例研究。研究主要解决了以下问题：
1. 评估方法的改进：本研究采用了机器学习和街景图像来评估城市绿地暴露度，相比传统方法，这种方法更加准确和全面。通过使用开源的街景大数据，该框架具有较强的可扩展性和可操作性。
2. 绿地暴露度的维度：本研究将绿地暴露度分为可用性、可达性和吸引力三个维度进行评估，从而全面考虑了绿地的效能。这种维度的评估有助于更好地理解绿地的作用和影响。
3. 城市规划和管理的应用：通过研究城市绿地暴露度与城市发展模式的相关性，本研究为城市规划和管理提供了有价值的参考。研究结果表明，通过优化绿地配置、提高绿地的可达性和吸引力，可以促进城市的绿色发展，创造更宜居和可持续的城市环境。
        总之，本研究通过创新的评估方法和维度，以及对城市规划和管理的应用，解决了评估城市绿地暴露度的问题，并为城市的可持续发展提供了实用的指导。

图1.绿色空间暴露定量评估框架。

研究方法

图2.百度街景图像收集流程。

上图为数据采集方法的论述，本研究采集了上海市中心城区的街景图像，以便后续的城市绿色空间暴露测量。街景图像的采集平台为百度地图(https://map.baidu.com)。我们通过Python语言构建HTTP_URL，我们在OSM下载的路网中每隔50米设置并生成百度街景图像全景街道图像采集点，共生成采样点71533个。我们使用地理信息系统(GIS)对街景采样点进行视角方向计算，确保所有街景图像采集点视角平行于该道路的空间前进方向，进而保证结果的准确性。通过Python语言构建程序，调用百度街景地图的API，从4个方向采集每个采样点的街景图像，图像的像素设置为600*480。之后，对采集到的数据进行数据清洗工作，剔除其中的无效数据后，共获得有效街景图像250776张，拼合形成全视角街景图像62694张。

图3.街景图像分割流程

在本研究中，我们使用基于编解码结构SegNet算法对街景图像进行语义分割。该算法由两个主要组件构成：编码器（encoder）和解码器（decoder）。编码器负责从图像中提取和压缩物体的语义信息，而解码器则负责将这些压缩的信息恢复到原始图像的尺寸，从而实现像素级别的分类。SegNet的完整架构和工作流程在图3中进行了说明。

图4.基于 SVM 机器学习模型的吸引力预测过程

为了评估和优化模型，我们利用交叉验证来评估模型的表现(见图)。交叉验证是将原始数据集分成K份，取其中一份作为测试集，其余作为训练集，通过计算模型的平均误差来评估模型的性能。此过程中，我们会通过调整SVM的超参数以优化模型的性能，从而完成模型的训练。我们将吸引力感知打分数据的75%用于训练SVM模型，其余的25%作为验证集用于检测模型的精度。图5展示了城市绿色空间吸引力预测过程（如图4）。

2. 绿地暴露度的维度：本研究将绿地暴露度分为可用性、可达性和吸引力三个维度进行评估，从而全面考虑了绿地的效能。这种维度的评估有助于更好地理解绿地的作用和影响。
3. 城市规划和管理的应用：通过研究城市绿地暴露度与城市发展模式的相关性，本研究为城市规划和管理提供了有价值的参考。研究结果表明，通过优化绿地配置、提高绿地的可达性和吸引力，可以促进城市的绿色发展，创造更宜居和可持续的城市环境。
      总之，本研究通过创新的评估方法和维度，以及对城市规划和管理的应用，解决了评估城市绿地暴露度的问题，并为城市的可持续发展提供了实用的指导。

研究结果

1. 城市绿色空间暴露度评估：

通过机器学习和街景图像构建了一个评估城市绿地暴露度的框架，包括可用性、可达性和吸引力三个方面的评估指标。并使用上述该框架对上海市中心区域进行了案例研究，评估了城市绿地的暴露度。

2.绿色空间暴露测量及空间分布特征

        我们将绿色空间暴露结果归一化，并以渔网的形式展示在图6中。上海市中心城区的绿色空间暴露度随中心向外围呈现“低-高-低”的空间分布趋势，整体的绿色空间暴露较低，平均值仅为0.177。低值主要集中于静安区、虹口区、黄浦区交汇处，以及中心城区的外围。这说明建成程度的过高和过低都不利于绿色空间暴露。从城市建设模式来看，中心位置建成时间长、程度高，限制了绿色空间配置。而中心城区外围仍处于起步阶段，基础设施建设仍不完善。从代表性场景图像可以观察到，中心位置的空间拥挤、要素混杂，但是绿化的增加仍可以大幅提高绿色空间暴露。中心城区外围多为公路或高架桥区域，视野较开阔，虽然建设有高质量绿地，但受限于其地理位置和交通便利性，绿色空间暴露仍然较低。

为进一步定量表征上海市中心城区绿色空间暴露的空间分布特征。我们以研究区域的几何形状中心为圆心，以1.5千米为单位，绘制了13个同心圆。最内部的圆形以1.5千米为半径，随后每一个圆的半径均增加1.5千米，从而形成了13条urban belts。urban belts能够覆盖绝大多数部分的渔网区域。我们将urban belts内的绿色空间暴露值进行聚合和平均，以便我们能够发现绿色空间暴露在城市内外城的空间变化。结果表明，urban belts的绿色空间暴露均值最大值为0.232、最小值为0.132。我们以内城至外城的距离为自变量，以绿色空间暴露均值为因变量，对其进行二次项拟合。其二次项系数为-0.002，一次项系数为0.025，常数项为0.135。上海市中心城区绿色空间暴露具有明显随内城至外城先增加后减小的趋势。这进一步反映了绿色空间暴露在空间上不平等的特征。

结果表明，城市建设环境对绿地暴露度有显著影响。微观尺度的建筑环境因素（建筑视野指数、天空视野指数、道路视野指数和人行道视野指数）和宏观尺度的建筑环境因素（建筑密度、街道交叉口数量、街道密度、POI多样性和POI数量）与绿地暴露度之间存在相关性。

3. 通过主成分分析与回归分析，证明了城市建设环境因素与绿地暴露度之间的关联性。

对绿色空间（GS）暴露进行的回归模型结果揭示了建成环境因素与GS暴露之间存在显著的关联（Table 5）。微观尺度的建成环境因子中，Buildings View Index和Sky View Index均与GS暴露呈现极显著负相关（P < 0.001），系数分别为-0.373、-0.498。Sidewalk View Index与GS暴露在呈显著的正相关（P < 0.01），系数为0.263。这说明Buildings View Index和Sky View Index的增加，或者是Sidewalk View Index的减少，将会带来GS暴露的降低。Roadway View Index在任何模型中都没有显示与GS暴露有显著的关系（P > 0.05）。在宏观尺度上，Building Density与GS暴露呈正相关（P < 0.001），POIs多样性也与GS暴露呈正相关（P < 0.01）。POI数量与GS暴露呈负相关（P < 0.05）。Street Intersection、Street Density和Transit stops与GS暴露没有显示出显著的关系（P > 0.05）。整体而言，微观和宏观尺度的建成环境都显著地影响GS暴露，微观尺度的建成环境因素具有更强的解释能力。

4. 利用地理探测器（Geodetector）探测驱动要素及驱动要素间的交互作用。

总体而言，这篇文章通过实证研究论证了城市建设环境对绿地暴露度的影响，并提出了一个评估框架来量化绿地暴露度。这些结果支持了研究的假设，并为城市规划和管理提供了实际的政策建议。

研究结论与讨论

1、研究结论：本文的研究结论是通过机器学习和街景图像构建了一个评估城市绿地暴露度的框架，并在上海市中心进行了实证研究。研究结果表明，城市建成环境因素对绿地暴露度有显著影响，而绿地的可用性、可达性和吸引力是评估绿地暴露度的重要维度。

2、研究的创新性：本研究的创新之处在于采用了机器学习和街景图像的方法来构建绿地暴露度评估框架，突破了传统评估方法的局限性。同时，该框架具有可扩展性和可操作性，可以在不同城市进行应用，对城市规划、城市管理和公共卫生等领域具有潜在影响。

3、研究的不足之处：本研究存在一些不足之处，需要在未来的研究中进一步探索和改进。首先，评估框架中仅考虑了绿地的可用性、可达性和吸引力等方面，还有其他途径通过绿地发挥作用的维度也应该纳入考虑。其次，本研究采用了横断面分析方法，缺乏对时间序列的考虑，未来的研究应该包括更广泛的时空维度，结合社会经济因素和政策环境，全面理解城市发展与绿地暴露度之间的关系。最后，本研究的目标是提高人类福祉，未来的研究应该结合人口数据或人类流动模式，实现对居民层面的精确测量，并结合公共卫生数据，揭示绿地暴露度对居民健康的复杂机制。

4、研究展望：根据本研究，未来可能的研究方向包括：进一步完善绿地暴露度评估框架，将更多维度和因素纳入考虑，实现对绿地作用的全面理解；开展更多城市的实证研究，验证评估框架的适用性和普适性；结合社会经济因素和政策环境，深入研究城市发展与绿地暴露度之间的关系；结合人口数据和公共卫生数据，探究绿地暴露度对居民健康的影响机制；开展长期的时空动态研究，全面了解城市绿地的演变和影响因素。

5、研究意义：本研究的理论意义在于通过机器学习和街景图像构建了一个新颖的评估框架，深化了对绿地暴露度的认识，并促进了研究成果在城市建设中的实际应用。实践意义在于该评估框架具有可操作性，可以为城市规划、城市管理和公共卫生等领域提供决策支持，推动城市的绿色发展，创造更宜居和可持续的城市环境。

部分参考文献

1. Onishi, A.; Cao, X.; Ito, T.; Shi, F.; Imura, H. Evaluating the Potential for Urban Heat-Island Mitigation by Greening Parking Lots.Urban For. Urban Green. 2010, 9, 323–332. [CrossRef]

2. Liu, W.; Chen, W.; Peng, C. Assessing the Effectiveness of Green Infrastructures on Urban Flooding Reduction: A Community Scale Study. Ecol. Model. 2014, 291, 6–14. [CrossRef]

3. Yang, J.; Guan, Y.; Xia, J.C.; Jin, C.; Li, X. Spatiotemporal Variation Characteristics of Green Space Ecosystem Service Value at Urban Fringes: A Case Study on Ganjingzi District in Dalian, China. Sci. Total Environ. 2018, 639, 1453–1461. [CrossRef] [PubMed]

4. Jaafari, S.; Shabani, A.A.; Moeinaddini, M.; Danehkar, A.; Sakieh, Y. Applying Landscape Metrics and Structural Equation Modeling to Predict the Effect of Urban Green Space on Air Pollution and Respiratory Mortality in Tehran. Environ. Monit. Assess.2020, 192, 412. [CrossRef] [PubMed]

5. Recio, A.; Linares, C.; Banegas, J.R.; Díaz, J. Road Traffic Noise Effects on Cardiovascular, Respiratory, and Metabolic Health: An Integrative Model of Biological Mechanisms. Environ. Res. 2016, 146, 359–370. [CrossRef] [PubMed]

6. Qin, B.; Zhu, W.; Wang, J.; Peng, Y. Understanding the Relationship between Neighbourhood Green Space and Mental Wellbeing:A Case Study of Beijing, China. Cities 2021, 109, 103039. [CrossRef]

7. Wachsmuth, D.; Angelo, H. Green and Gray: New Ideologies of Nature in Urban Sustainability Policy. Ann. Am. Assoc. Geogr.2018, 108, 1038–1056. [CrossRef]

8. Bush, J. The Role of Local Government Greening Policies in the Transition towards Nature-Based Cities. Environ. Innov. Soc.Transit. 2020, 35, 35–44. [CrossRef]

9. Kolimenakis, A.; Solomou, A.D.; Proutsos, N.; Avramidou, E.V.; Korakaki, E.; Karetsos, G.; Maroulis, G.; Papagiannis, E.; Tsagkari,K. The Socioeconomic Welfare of Urban Green Areas and Parks; A Literature Review of Available Evidence. Sustainability 2021,13, 7863. [CrossRef]

10. Bratman, G.N.; Anderson, C.B.; Berman, M.G.; Cochran, B.; De Vries, S.; Flanders, J.; Folke, C.; Frumkin, H.; Gross, J.J.; Hartig, T.;

et al. Nature and Mental Health: An Ecosystem Service Perspective. Sci. Adv. 2019, 5, eaax0903. [CrossRef]