AAAG | 测量城市街道空间的物理失序：使用街景图像和深度学习进行大规模分析

本推文来源：城市地理之光

物理失序与经济表现、公共卫生和社会稳定的负面结果有关，例如财产贬值、精神压力、恐惧和犯罪。有限但不断增长的文献考虑了城市空间中的物理失序，尤其是在精细尺度上识别物理失序的主题。然而，目前还没有有效且可复制的方法来以低成本在大范围内精细测量物理失序。为了填补这一空白，本文提出了一种方法，利用大量街景图像作为虚拟审计的输入数据，并使用深度学习模型来定量测量城市街道空间的物理失序。据我们所知，在中国城市超过 70 万条街道上实施这一方法的结果验证了该方法的有效性和效率，据我们所知，这是全球首次尝试量化如此大的城市地区的物理混乱。通过对中国的大规模实证分析，本文做出了一些理论贡献。首先，我们扩展了以前在美国研究中被忽视的物理失序因素。其次，我们发现城市物理失序呈现出分散型、分散型和线性集中型三种典型的空间分布格局，这为揭示城市物理失序的发展趋势和进行空间干预提供了参考。最后，我们对物理失序和街道特征之间的回归分析确定了可能影响物理失序的因素，从而丰富了理论基础。

Physical disorder is associated with negative outcomes in economic performance, public health, and social stability, such as the depreciation of property, mental stress, fear, and crime. A limited but growing body of literature considers physical disorder in urban space, especially the topic of identifying physical disorder at a fine scale. There is currently no effective and replicable way of measuring physical disorder at a fine scale for a large area with low cost, however. To fill the gap, this article proposes an approach that takes advantage of the massive volume of street view images as input data for virtual audits and uses a deep learning model to quantitatively measure the physical disorder of urban street spaces. The results of implementing this approach with more than 700,000 streets in Chinese cities—which, to our knowledge, is the first attempt globally to quantify the physical disorder in such large urban areas—validate the effectiveness and efficiency of the approach. Through this large-scale empirical analysis in China, this article makes several theoretical contributions. First, we expand the factors of physical disorder, which were previously neglected in U.S. studies. Second, we find that urban physical disorder presents three typical spatial distributions—scattered, diffused, and linear concentrated patterns—which provide references for revealing the development trends of physical disorder and making spatial interventions. Finally, our regression analysis between physical disorder and street characteristics identified the factors that could affect physical disorder and thus enriched the theoretical underpinnings.

城市空间中的物理失序或邻里物理失序是指由可观察或可感知的视觉信号引起的对居民生活和公共空间的干扰（Skogan，1990）。有证据表明，物理失序 是城市衰败的外在表现，并与盗窃、抢劫和卖淫等犯罪有关（Skogan 1990；Ross 和 Jang 2000）。此外，流行病学界发现，生活在身体疾病程度较高的环境中的居民往往会承受更大的压力和恐惧，这可能引发不健康的行为（例如酗酒；Keyes et al. 2012）和不良后果（例如酗酒）（Burdette 和 Hill 2008）。因此，城市空间的物理失序已成为连接城市规划、社会科学和公共卫生的一门交叉学科，受到学术界和实践者的广泛关注。

随着我们对城市街道认识的不断扩展，街道的功能被重新定义，从交通性转向宜居性，街道已成为支撑人类各种活动的城市空间的重要组成部分。鉴于城市街道作为公共空间对生活质量产生重大影响，城市街道的空间质量引起了人们的极大兴趣。然而，量化城市空间的质量（例如物理失序）仍然是研究人员和规划者的中心问题。传统的物理失序测量在很大程度上依赖于系统的社会观察（SSO）或社区审计（Sampson 和 Raudenbush，1999），这是昂贵、耗时的，有时甚至是危险的（Grubesic 等人，2018）；因此，它们的地理和时间覆盖范围通常都有限。此外，当不同的审计员观察同一空间时，也存在潜在的偏见，例如他们根据视觉观察来评估环境，这可能无法反映客观的物理环境。由于在线地图服务的快速发展，记录街道沿线城市景观的街景图像（SVI）已变得可供公众访问，为审计物理失序提供了另一种方法。作为一种新型数据源，SVI不仅突破了时空限制，而且提供了丰富的城市街道景观信息（F.Zhang等，2018），并已被用于虚拟审计研究（例如，Mooney等）江等人，2018）。尽管越来越多的证据表明，使用 SVI 进行虚拟审计是量化和理解我们的建筑环境的有效替代方案，但使用此类数据和方法进行物理失序识别的研究仍然有限。此外，使用 SVI 进行虚拟审核的现有研究仍然需要对每个图像进行大量的手动审核，而现在通过计算机视觉和图像处理可以更有效地执行此操作。此外，现有评估物理失序的文献要么基于西方城市，要么基于有限的样本地区，这也鼓励我们在中国背景下开展大规模分析。

在过去的十年中，深度学习模型的进步导致图像处理取得了巨大进步。由于深度学习能够自动学习图像特征并准确识别各种物体，它可以取代传统的人工审核，并为使用 SVI 数据大规模、自动测量物理失序提供机会。为了填补量化物理失序方面的潜在空白，本文提出了一种结合 SVI 和深度学习的方法来自动测量城市街道的物理失序，这些无序可以表现为废弃的建筑物、被杂物和垃圾覆盖的空地等，在 SVI 中。该方法在中国 264 个城市的 700,000 多条街道上实施的结果——据我们所知，这是首次尝试使用大量 SVI 数据和深度学习算法来量化大规模街道层面的物理失序。城市——验证该方法的有效性和效率。除了方法论上的巨大创新之外，中国通过大规模的实证研究也做出了一些理论贡献。首先，我们丰富了物理失序的指标体系，这在美国之前的研究中大多被忽视。其次，我们发现城市物理失序表现出三种空间特征：单中心、部门和多中心模式。此外，街道空间无序的概率与街道长度、功能组合以及距城市中心的距离呈正相关，而与街道的功能密度和交叉口密度呈负相关，这为定位无序街道、评估发展提供了机会趋势，并进行空间干预。

（1）用传统方法测量物理失序

物理失序被认为是街道上存在特定视觉物品，并对个人对空间舒适度和安全性的看法产生负面影响（Franzini 等，2008）。例如，在芝加哥社区人类发展项目中，大约 90% 的受访者认为街道或人行道上的垃圾或碎玻璃表明秩序混乱（Sampson 和 Raudenbush，1999）。在一项调查中，建筑物上窗栏的存在使得近一半的人更有可能判断该空间是无序的（Day et al. 2006）。因此，为了充分了解物理失序的影响及其机制，有必要对这些与障碍相关的视觉项目进行大规模、全面的测量。

测量物理失序的传统方法包括电话访谈、现场调查问卷和 SSO，所有这些都是劳动力和成本密集型的过程。此外，审计员有时不得不冒险进入潜在的危险区域，因为物理失序已被发现与犯罪有关（Taylor、Shumaker 和 Gottfredson 1985；Perkins、Meeks 和 Taylor 1992）。Sampson和Raudenbush（1999）借助视频记录技术进行了SSO，部分解决了现场审核的问题。然而，这种方法既不能应用于大规模测量，也不能跨时间和空间提供可比较的结果（Jones、Pebley 和 Sastry 2011）。

由于海量SVI数据的可用性和高分辨率全向图像技术的发展，SVI虚拟审计因其更广泛的空间覆盖范围、更高的SVI更新频率和更低的获取成本而成为环境审计的有效替代方案。物理失序研究也已转向使用 SVI 的虚拟审核方法（例如，Clarke 等人，2010 年；Mooney 等人，2014 年；Bader 等人，2015 年；Quinn 等人，2016 年；Mayne、Pellissier 和 Kershaw，2019 年）。例如，奎因等人。（2016）通过虚拟审计将纽约市的物理失序分布可视化，发现大片混乱集中在布朗克斯区的大部分地区和该行政区的最北端，远离市中心。除了来自在线地图平台的SVI之外，学者们还尝试收集人类尺度的主要SVI。Z.Zhang 等人使用可穿戴相机和虚拟审核。（2021）和李等人。(2022) 分别评估了小规模、个人接触城市绿化和邻里物理失序的情况。然而，此类使用 SVI 和虚拟审核的研究依赖于图像的手动审核，并且地理和时间限制方面的局限性仍然很大。

（2）使用深度学习模型审核街景图像

高性能计算系统的发展和大规模注释数据集的可用性为使用深度学习算法大规模、自动化处理 SVI 提供了新的机会（F.Zhang 等人，2018）。卷积神经网络作为经典的深度神经网络，可以通过训练来提取SVI的特征，然后有效地识别街道空间中的元素，包括但不限于人行道、车辆、建筑物和绿色植物（Shen et al. 2018；唐和龙，2019）。剑桥大学的 SegNet 就是这样一个网络，它使用一种方法使深度学习框架能够对 SVI 进行语义分割，从而实现高质量的分割（Kendall、Badrinarayanan 和 Cipolla，2015 年）。此外，苏尔等人。（2019）应用深度学习和街景图像，通过对 SVI 的审计发现，伦敦收入最高的区域位于市中心和西南部，这些区域的空间质量得分最高。由于大量 SVI 数据的可用性以及深度学习算法的进步，利用深度学习从 SVI 中提取大量潜在信息也被应用于街道绿化的评估（Helbich 等人，2019 年；Ye 等人，2019 年）。2019；Z.Zhang 等人，2021）、公共卫生（Keralis 等人，2020；Nguyen 等人，2020）和街道安全（Naik 等人，2014），所有这些都为我们的物理失序研究奠定了方法论基础。使用 SVI 和深度学习进行评估。缺乏对物理失序的大规模分析是我们进行这项研究的另一个原因。

对于中国城市来说，行政边界远大于其空间区域，导致城市既包括城市地区，也包括农村地区。因此，本研究采用Ma和Long（2020）的空间城市数据，以社区为基本行政单位，结合城市建成区数据来识别城市化区域。将现有的街景图像叠加到城市空间边界上，我们最终使用了中国264个地级及以上城市1的数据集（见图1），该数据集总共包括769,407条街道，覆盖了中国大部分城市地区。SVI。