基于大规模街景图片人工智能分析的精细化城市修补方法研究

郑 屹 杨俊宴

城市修补涉及人居和景观环境的各个方面，丰富多样、协调美观的城市景观会使人们在城市生活中感到舒适与愉悦。然而在过去数十年间，大规模急剧的城市扩张，追求“大”而轻视“美”的建设模式，造成了人居环境品质低下等大量的城市景观问题。同时，缺乏宏观及系统性的城市自然景观要素管控，也导致城市出现临山不见山、滨水不见水等景观问题。基于此，中国不少城市都在近几年内开展了城市修补专项规划，旨在提升人居环境品质。但是，当前的事实是大量相关规划难以实施，并缺乏整体层面的设计指导[1]。同时，传统单一依靠设计人员的现场调研，以及基于美学和经验的分析与设计方法，使得在城市修补过程中往往就地块论地块，忽视局部与整体之间的关联。这也使得在城市修补过程中，对于局部景观的设计和提升反而造成整体景观上的不协调，导致景观风貌在空间层面的无序和破碎，对城市整体景观效应产生严重的负面作用。

对此，如何在城市整体层面对景观问题进行客观化、精确化和系统性的研判，建构适合不同尺度的精细化城市修补方法，成为当前重要的研究问题。面对这一现实问题，王建国[2]和杨俊宴[3]将人工智能与城市多源大数据为基础的数字化新技术应用于城市设计过程中，全面介入城市的营造过程。在大量城市设计实践积累的基础上，杨俊宴等[4]将数字化方法进一步引入生态、景观环境领域，提出从安全、生态及健康出发的绿色城市数字化设计方法体系。同时，龙瀛[5]、叶宇[6-7]等使用百度街景数据进行空间品质测度的相关探索，也为本文提供了一定的方法指导。然而，当前的研究成果大多仍集中于数字化探索的理论层面，抑或是方法论上的探讨。对于基于大数据的分析研判之后，如何将分析结果应用于设计实践中并结合城市规划师的专业判断，使得客观的分析结论最终可以转化为科学有效的工程设计方案，则缺乏相对充足的探索。

因此，本文在前人研究的基础上，通过训练景观风貌要素识别数据集(即用于要素识别的基础要素数据库)，提升景观要素的识别精度，实现对城市景观问题的精确诊断。进而将智能识别的结果与设计实践相结合，使城市景观风貌问题的精确分析结果指导并应用于设计中，实现在城市修补规划中对局部城市景观问题的精准设计，并尝试提升设计成果在城市修补过程中的落地性。

1 复杂建成环境下的精细化城市修补方法

街景图片可以最贴合实际地表达人们对于城市环境的感受，直观反映出城市景观的实际表征[8]。因此，城市精细化修补基于城市规划师初步现场踏勘的结论，选择百度街景作为基础数据，通过全卷积神经网络模型(Fully Convolutional Networks，FCN)及城市场景要素数据集对街景图片进行高颗粒度的识别，并将基于街景大数据的数字化研判结果反馈至规划师，从而辅助精确判别城市景观问题，进而支持规划师进行精细化的城市修补设计工作(图1)，具体包含以下几个方面。

1.1 百度街景图像数据的自动抓取

百度街景数据因其具有较高的分辨率和相对开放的API获取接口而被学界广泛应用[9]。因此，在规划专业人员对设计地块进行现场踏勘的基础上，研究首先通过地图空间坐标拾取平台获取4点坐标数据，框定所需街景抓取范围；进而在PyCharm程序上按照0.000 5经纬度(约30m)作为采样点距离，人眼视角125°作为抓取图片的范围，平视角度(0°)对街景图片采样标准进行设定，使得采集的街景数据最能反映出人眼视角中城市空间的真实图景。其中，由于百度街景数据本身携带有size、location、heading和pitch等参数信息，因此在图片数据抓取完成后，通过自动生成的CSV格式文件，对相关参数进行整理、统计，并通过数据清洗，筛选和剔除无效数据(无图像的0k数据)，即可获得可供识别的有效街景数据集。

1.2 基于FCN网络模型的城市场景要素高颗粒度智能识别

基于上文获取的有效街景数据集，对街景中的景观要素进行高颗粒度的识别，是对城市空间景观问题精确研判并开展精细化修补的核心步骤。首先基于国内外开源标签数据集①建构包含天空、植被和道路等在内的基础要素识别分类器(基于FCN模型的语义分割识别程序的要素识别基础数据模块)[10]，针对山体、水体和围墙等个别要素的识别，借助深度学习方法(通过人为的设置，使计算机可以在一定程度上辅助和代替研究者进行海量的基础数据采集工作)②，对个别要素的图片样本数据进行收集，平均每单一类别要素采集10 000万张相关图片进行数据集建构，并同基础识别数据集融合；同时，基于空洞卷积的空间金字塔池化(Atrous Spatial Pyramid Pooling)③，对不同尺度上用不同大小膨胀系数来抓取多尺度信息并确保图像输出结果的有效性。最后进行整合，形成相对全面的城市场景要素识别数据集[11-12]。

在数据集构建基础上，通过反复实验，本文采用125层的FCN全卷积复杂神经网络模型对街景中的各类要素进行语义分割识别(Semantic Segmentation)。基于FCN的语义分割识别是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习的代表算法之一[13]。基于FCN对图像内容进行像素级的分类，从而解决了语义级别的图像分割问题。城市场景语义分割识别是基于数据集对城市场景中的标签要素进行像素级的分析，以识别出图片中的各类要素及图幅占比[14]。基于FCN的像素级语义分割是目前计算机视觉领域精度较高的应用型识别方法，诸如龙瀛[15]、唐婧娴[16]等大量的研究均证明其在城市场景识别中具有较高的有效性和可行性。因此，本文采用该方法对街景中的植物、围墙、机动车、行人、基础设施、自行车、建筑和建筑风貌类型等在内的16类要素进行了像素级智能语义分割识别(图2)，分析各要素识别结果所占图幅面积比例、比值及要素边界数量等数据，从而对城市景观问题进行更加客观及量化的研判。

图1 城市精细化修补技术框架

1.3 “街景+”空间数据城市景观问题复合测度

在街景图片要素精细化识别的基础上，借助ArcGIS数据分析平台，将带有地理坐标信息的识别结果投射到空间当中，从而在整体层面对景观问题进行判断。在城市景观问题研判过程中，由于城市景观中同时涉及复杂建成环境的多项要素[17]，因此，本文从单要素评价和复合要素测度2个方面对景观环境进行分析。其中，单一要素评价主要对绿视率、天空可视域、界面通透度、步行道连续度和机动车数量等进行分析[18]。并在此基础上，综合考虑建筑围合与空间开敞度、植被与空间绿视感受、建筑色彩与环境氛围感知等相互关系，以及与植被、车辆、建筑等多要素共同形成的空间色彩丰富指数的关联关系，归纳梳理出人眼视觉层面对于空间直观感受最主要的4类复合指数，并进行对应的测度(表1)。通过关联街景数据识别结果与城市空间，将基于街景数据的测度结论反馈至规划专业人员，通过信息整合和智慧判断，为后续形成针对性的城市修补设计方案提供有力的数据支持和有效的分析参考。

2 智能分析支持精细化城市修补技术实践——以登封为例

基于上文所述方法体系，本文以登封市城市修补专项规划实践项目为例，在实际应用中讨论数字化的分析结论如何提升城市修补规划中的精准性。本文共采集登封市域有效街景数据12万张，并进行高颗粒度的精确识别，分析登封现状景观问题。并基于识别和分析结果对登封在快速城镇化过程中产生的景观环境问题进行精细化的设计和修补，提升登封的人居及景观环境品质和适宜性。

2.1 登封市景观环境的特点及要素体系

登封市位于豫西山地东部，地貌类型多样，山地、丘陵占全市土地总面积的79.50%。受登封北高南低的地形影响，少阳河、书院河和焦河3条主要水系南北贯穿城市，与嵩山、箕山及城市内部的锁谷堆、蝎子山、黄盖峰和棋盘山等丘陵共同构成登封依山、览山的特色自然景观本底(图3)。

然而，当地近年来的城市建设却对上述优质的自然景观资源产生了严重的负面影响。因此，精确定位景观问题的具体症结，成为开展后续精细化城市修补的关键步骤。基于登封所特有的山地、丘陵自然景观环境要素，研究针对性地采集了裸露山体等样本图片(每类1 000张)，并与现有开源数据集相整合，使其可以更加针对性和全面地识别登封现状景观问题，提升后续设计方案的有效性。

2.2 基于“街景+”空间复合测度的现状景观问题精确分析

1)观山视廊分析。

以嵩山为主的山体、丘陵作为登封最重要的景观资源，在城市内部是否可看山、能否对山体有较好的感知体验是当前需解决的首要景观问题。对街景数据中山体要素识别后发现，登封市内部的山体可视度平均占比仅为21%。对此，通过在GIS中将分析结果进行空间落点(图4)，对登封市观山廊道的阻隔点进行定位分析。结果指出，城市内部次干路、支路及南北向观太室山的城市街道山体可视度相对较低。进一步调取山体可视度较低区域的实际街景图片进行图片内容的深度分割识别分析后发现，受北高南低的地形和城市无序建设的影响，登封市大禹路北侧及郑州大学体育学院(登封校区)附近形成了观山视廊的阻断点。同时，受临山缓冲带建筑高度失控等影响，导致魁星街、鸿福花苑周边形成了观太室山的视廊阻断点。另外，登封市内缺少成体系的开放空间，也是导致观山视廊不畅的主要原因。

2)绿视率分析。

图2 百度街景数据和FCN识别要素及结果

一般而言，城市环境的绿色视觉指数越高，空间舒适感就越高。基于登封市内植物及草地等绿视率影响要素的识别结果，引入绿色视觉指数计算函数，对市内环境绿视率进行测度。

式中，Gn为编号为n的街景图片中植被所占像素量，即图片中i个植被面域的像素之和；An为街景图片中所有的面域像素之和。

通过计算，登封市绿视指数为35.503，处于中低水平。在GIS平台中对影响绿视率的要素进行空间叠合和聚类分析后发现(图5)，登封市绿视率较高的区域同样集中分布在临近太室山的范围内，并沿太室路延伸。相对而言，城市内部次干道和支路的绿视率较为低下，且没有形成由街头绿地、公园广场和行道树等构成的绿色开放空间体系，使得登封市整体的绿色景观可视率和感知度较低。

3)界面及色彩风貌分析。

城市空间是否具有良好的色彩氛围和有序的界面，同样会影响城市整体的空间舒适度。因此，基于街景对空间色彩RGB构成进行识别，并通过色彩氛围计算函数对城市色彩氛围舒适度进行测算。

式中，Ai为街景图片n中第i个主导色彩的评分值；CPI值越大，说明图片中的主导色彩更让人觉得放松和愉悦，越有利于塑造优质舒适的街道空间氛围。

通过计算，登封城市内部的色彩氛围指数为21.195，整体色彩氛围感较差。进一步将街景数据分析结论进行空间映射后表明(图6)，由于在城市发展过程中缺乏有效的建设管控，导致登封的景观风貌氛围在空间上呈现出明显的新老城区差异。城市景观氛围较差的区域集中分布在守敬路、中岳大街和嵩阳路两侧的范围内。

表1 景观及人居环境综合测度指标表

2.3 高颗粒度景观问题分析下的精准修补

街景数据分析的结果是为了精确定位城市空间中的问题节点，从而对症下药，进行准确的规划和提升，避免产生全城铺开却收效甚微的不落地问题。在登封市景观风貌问题精细研判的基础上，按照城市修补的规划理念和思路，在实践中从自然和人居环境2个方面对现状景观问题进行设计，以期实现登封“以山映城”“以绿荫城”和“精致宜居”的优质环境。

1)以山映城：观山视廊塑造。

结合街景分析中定位出的观山视廊阻隔位置及现有观景视廊规划，根据登封市路网等级体系，通过景观大道的方式，适当扩宽重要景观街道路面宽度，限制景观大道建筑贴线率和高度等措施，建构起纵横相织的观山视廊体系，实现登封市内主要空间均可观山的景观效应。同时，串联主要观山廊道和市内已有的丘陵、水体、绿地和公园等开放空间，将嵩山山体景观渗透进登封市内，共同构成优质的整体景观系统，实现以山映城的优美景观环境(图7)。

另外，结合登封城区东西向带状的空间结构，并考虑嵩山可观山面域尺度大小的区别和水系结构，在观山视廊塑造过程中，主要依托南北向主、次干道及书院河、少林河等水系设置多条观太室山的景观视廊。对于少室山，由于其观山面域相对较窄，因此其主要观山景观视廊以东西向的大禹路和少林大道为主进行设置。进而建构山城一体的景观视廊，使嵩山山景与城市内部的公园绿地有机结合、融为一体。

2)以绿荫城：绿色景观环境营造。

植被丰富、具有良好绿色景观层次的空间往往能够营造舒适、恬静的街道体验感受。基于登封街景绿色感知的分析结论和登封观山视廊体系，通过优化街道断面行道树、沿街地面绿化、垂直绿化和街角绿地等方式增加空间绿视率；另外，结合登封气候四季鲜明的特点，考虑景观的季节性变化，选择银杏等随季节变化的植物类型，丰富空间景观层次和多样性；同时，注重植物的高低搭配，营造变换有序、有起有伏的景观空间，提升登封市内街道空间绿化品质。进而以此为契机，促进市内街道空间由强调车辆通行的“路”向以人为本、注重品质的“街”的营造模式转变。另外，发挥植被对于改善街道微气候等方面的生态调控作用，提升人居环境舒适性。

3)精致宜居：色彩氛围及街道界面修补。

针对街景分析中所发现的登封城市色彩无序、界面破败、风貌杂糅和品质低下等问题，基于街景精准定位问题地块，结合步行舒适性及空间品质指标进行对应的修补。其中对于步行空间，调整道路剖面结构，设置适宜尺度的步行空间及休憩设施，保证步行道的连续性、舒适性；对于街道界面，则首先对道路贴线率进行有序规划和整改，并将街景识别中高度超过0.9m的大量以深灰色或土黄色为主的连续砖石围墙进行通透性改造，结合街道绿化增加视觉景深，塑造丰富的景观氛围；在此基础上协调街道界面的材质、色彩和立面样式等增加空间的韵律感；并将街道景观与界面和建筑立面进行统筹考虑，在高度、朝向、色彩和通透度等方面进行协调，以街面铺地和低矮植被造景共同形成精致美观的街道界面景观层次，营造有序的空间界面，塑造精致宜居的景观环境。

图3 登封市独具特色的自然景观本底

图4 登封市内观山视廊分析及空间分布特征

图5 登封市绿视率分析及空间分布特征

图6 登封市景观风貌氛围分析及空间分布特征

3 结语

大数据及数字化方法在城市设计中愈加广泛的应用，为开展更加精细化和以人为本的设计提供了更多的可能性。通过数字化方法和大数据技术，可以在城市整体角度对城市的问题和现象进行系统性、针对性和高颗粒度的分析与总结，从而指导后续的设计工程和实践。本文依托人本尺度的街景大数据，借助深度学习、复杂神经网络等人工智能技术手段，对复杂城市建成环境中各项景观要素进行了精确识别，对景观问题进行了精细化、系统性的分析。继而将数字化的方法延伸到具体的城市修补和设计实践中，在基于大数据的景观问题精确分析基础上，对关键景观症结进行精细化的修补，从而营造更加宜人、优美的城市景观及人居环境。本文在以往依托美学和经验判断的景观风貌规划及城市修补的传统方法基础上，尝试了一种依托大数据和智能分析判断的数字化方法，有效改善了景观规划和修补过程中的主观性和片面性等不足。同时，需要指出的是，目前对于大数据及数字化技术的应用在对城市现象和问题的分析及研究阶段已经取得了相对充足的应用和证明。然而，对如何将数字化技术和大数据在规划过程中的后半段进行更加深入和全面的应用，避免为了数据而数据、为了技术而技术的唯数据技术思想，仍然是当前和后续研究中需要解决和突破的难点，并在此基础上推动城市多源大数据和数字化技术方法在城市研究、设计和管控流程中更加深入和前沿的探索。

图7 登封观山视廊设计

注：文中图片均由作者绘制或拍摄。

注释：

① 本研究用于模型训练的数据集来自于2 个部分。1)Cityscapes街景要素语义分割网络开源数据集。该数据集总计包含了植物、建筑和道路在内的24类要素识别标签，是构成本研究基础要素识别分类器的国外数据集(https://www.cityscapes-dataset.com)。2)搜狗实验室互联网图片库1.0及2.0数据集(https://www.sogou.com/labs/resource/p.php)，是本研究所使用的国内数据集。

② 深度学习技术目前的研究可以分为有监督学习和无监督学习2种主要形式。本研究所使用的主要是有监督学习方式，即通过建构模拟人进行数据采集过程的程序及相关的数据集，让计算机对这个过程及数据集进行反复学习，找到过程和海量数据中的特征，并自动运行相关程序的全过程，最终在一定程度上辅助进行基础的数据采集和处理工作。

③ 金字塔池化是针对数据处理过程中，输入图像的大小与输出识别结果图像大小之间可能存在的潜在差异变化，为保证图像输出结果的有效性而采用的一种图像处理方法，其可以确保不管输入尺寸怎样，都可以产生固定大小的结果输出。其在本研究中的作用及意义在于通过该方法可以进一步消减因图片数据格式和大小不统一而造成的研究结果的失真和局限性。