城市生活型街道空间视觉 品质的大规模测度

胡昂， 戴维维， 郭仲薇， 牛韶斐， 晏智翔， 李想

(1. 四川大学 建筑与环境学院， 四川 成都 610064；2. 四川大学 锦江学院， 四川 成都 620860；3. 四川大学 经济学院， 四川 成都 610064)

街道作为占据城市面积10%～20%的主要公共活动空间，是人们感知城市最直接、最关键的元素[1-2].随着城市的发展，人们对高品质的公共活动空间的需求也越来越大[3].占据街道面积50%的生活型街道是与人们日常生活联系最为密切、数量最多的街道.生活型街道不仅需要兼顾交通和生活服务的功能，还需要具有一定的美学和文化服务价值[2].一条街道的整体品质感知包含了视觉和非视觉感受，非视觉感受(如气温、污染、气味等)是多变的，而视觉感受则是直接且相对稳定的，良好的街道空间视觉品质有利于增加情感吸引力和街道活力.目前，在街道品质评价的研究中，传统方法大多采用先实地调研和小规模实证研究，再归纳演绎、逻辑推理总结的评价方法[4-5].虽然传统方法可获得精细化及相对真实的数据，但无法实现大规模评价.为了实现大规模量化评价，还需进行大规模测度.

街景图片作为一种新媒介，推动了人本视角的街道品质研究[6].随着图片分割、机器学习技术的发展，基于大数据的街道空间视觉品质评价成为研究热点，学者主要从客观物理数据测度和人的主观感受两个方面构建评价体系[7-10]，这使大规模街道空间视觉品质的调查和评价具有可能性，但该方法目前仍处于探索阶段，尚未形成较为本土化的评价体系.道路作为城市物化环境中最突出的景观要素，基于视觉感知的意向学说是城市街道空间视觉品质研究的理论基础[11].街道视觉品质是最直观的基础空间品质之一，从街道空间获取的70%的信息都来源于视觉感知.然而，在目前街道空间品质评价中，关于视觉品质评价的研究却较为少见.周韬等[12]选取3条街道进行实地拍照调研，从视觉认知的角度对街道进行量化研究，评价街道的景观特征和连续性，但调研样本数量较少，规律不稳定.Tang等[13]利用街景图片，通过机器学习及二维空间数据实现街道空间视觉品质的大规模自动计算，同时，结合主观停留意愿进行问卷调查，构建一种主客观评价街道空间视觉品质的新方法，该方法中影响视觉品质的各要素权重相等，未详细探讨各要素是否真正对视觉品质产生影响，以及各要素的影响程度.

基于此，本文选取绿视率、围合度、天空开阔度、贴线率和横截面比5个最能体现街道空间特征的指标，对城市生活型街道空间视觉品质进行大规模测度.

1 研究方法

1.1 研究区域

选取位于中国西南部，拥有2 093.8万常住人口的特大城市成都进行研究，具体的研究对象是成都市三环以内(约190 km2)的生活型街道(约3 500条).成都市地处平原，城市以皇城区域为中心不断地向外扩张，道路呈现出典型的环形、放射状格局，而成都市三环以内区域是发展最成熟的中心城区(即旧城区)，拥有最能体现城市特点的传统街道，生活气息浓烈，但也可能存在新时代下城市街道有待有机更新的问题.因此，选取该区域的生活型街道进行研究.

研究的生活型街道两侧以居住用地(R类)为主，车行道宽度不超过双向四车道，道路总宽度为5～30 m，街道两侧以服务本地居民的生活服务类公共设施和商业为主，如便利店、五金店、菜店、餐馆、理发店和社区活动中心等.

1.2 研究数据

1.2.1 百度街景图片 街景图片(SVPs)数据的收集以开放街道地图(OSM)获取的相应路网为基础，先以经纬度为参数，以60 m为间距，在生活型街道路网上生成相应的采样点；然后，调用百度地图的应用程序编程接口(API)，从百度地图开放平台获取街景图片.

以某百度街景图片(图1)为例，通过设置经纬度、俯仰角度、偏航角度等参数获取每个采样点的街景.设置每个采样点的俯仰角为0°(视平角)，水平方向分别按0°，90°，180°，270°抓取4个方向(前、右、后、左)的街景图像，将4张图像无缝拼接为一个采样点的全景图像(图2)，这样的采集方式可确保对采样点的全角度观察.

图1 百度街景示例图片

图2 4个方向的百度街景图

1.2.2 相关数据 除了含道路宽度的OSM路网数据和百度街景数据外，还采用了成都市内建筑的地理信息系统(GIS)数据，每个建筑都是具有位置、高程信息的多边形.成都市三环内约有103 414栋建筑，通过建筑信息与道路信息可以计算出街道空间的相关指标，从而为街道空间视觉品质评估模型的建立提供依据.

1.3 具体方法

1.3.1 研究框架 文中的研究框架，如图3所示.研究框架由以下两个部分组成.

图3 研究框架

1) 街道空间视觉品质物理指标的客观计算.参考相关文献，选取绿视率、围合度、天空开阔度、贴线率和横截面比5个物理指标描述街道空间典型的物理特征.采用机器学习图像分割技术(三维层面)和ArcGIS软件(二维层面)进行数据分析[13].

2) 街道空间视觉品质满意度的主观感知评价.以街景图片为信息基础，随机选点，通过问卷调查的方式，采用李克特7级量表法对街道空间视觉品质的感知进行满意度评分.基于SPSS 21统计分析软件，通过相关性和回归分析探究街道空间的客观物理特征对街道视觉品质的影响，并构建回归模型，以便在城市尺度上大规模测度生活型街道的空间视觉品质.

1.3.2 指标体系构建 街景可以从宏观、中观、微观3个尺度进行描述和量化[14].宏观尺度似乎无法与人的直接感受建立起关系；中观尺度主要观察形成“U形”街道空间的要素(如建筑、道路、树木等)，相对而言，中观尺度(如定义空间结构的街道骨架等)更适合从街景层面进行探讨；微观尺度(如建筑立面、道路铺装等)更像是街道骨架上的附着物，能够增加街道的趣味和视觉美.因此，主要对中观尺度的街景进行研究.

无论走到任何街道，都会看到树木、天空、建筑物3个要素，3个要素的不同组合会影响直接视觉感受.绿视率是指视野中绿色植物所占的比例.围合度主要描述街道两侧界面对街道的围合程度，围合度较高的街道会给人较强的安全感[15]，可为人们提供更多街道活动的机会，围合度较低的街道则会产生一种空虚、缺乏活力的感觉[13].天空开阔度反映街道的开阔程度及街道可感知光线亮度的情况，影响人们的视觉感知和愉悦性.绿视率、围合度和天空开阔度等三维层面的指标图示，如图4所示.

(a) 绿视率 (b) 围合度 (c) 天空开阔度

建筑的连续性和街道尺度通常被视为“人的尺度”的研究指标，是街道空间二维层面最基础的指标[14，16].贴线率和横截面比等二维层面的指标图示，如图5所示.贴线率作为街道界面品质量化研究的首要指标，可用于衡量街道空间视觉的连续性，贴线率越高，街道界面越整齐，视觉感知越平直开阔，可给人安全感[17].

(a) 贴线率 (b) 横截面比

街道两旁有一个完整、连续的建筑立面，更利于形成有秩序且充满活力的街道景观，形成的封闭氛围能吸引更多行人停留[18-19].街道空间中影响“人的尺度”的主要因素是建筑高度H和街道宽度D，故通过横截面比(D/H)反映街道尺度.当D/H<1时，更易形成热闹的街道氛围；当D/H>1时，随着D/H增大，逐渐产生远离感.街道越宽反映机动化程度越高[20].综合文献[21-28]，选取使用频率最高且能描述街道基础骨架的5个指标，即绿视率、围合度、天空开阔度、贴线率和横截面比.

1.3.3 街道空间视觉品质的物理特征数据 随着技术的不断革新，运用深度卷积神经网络对街景图片信息进行深度处理并获取街道特征数据的方法逐渐得到认可和运用，这从人本视角对街道空间进行了新的认识.文中采用金字塔场景解析网络(PSPNet)作为深度学习模型，与其他卷积网络模型相比，PSPNet的体系结构更加注重特征集成和结构预测，且基于全卷积神经网络框架的PSPNet模型在处理复杂场景时更具有优势[29].研究范围及街景采样点，如图6所示.

图6 研究范围及街景采样点

将街景图片解释为颜色组，识别出街道各构成要素，如建筑、树木、天空、道路和车辆等.每种颜色代表不同的街道组成元素，每张照片、每种颜色的像素大小占比代表该元素的构成份额；将每个采样点东、南、西、北4个方向各元素的占比相加，并计算其平均值；以绿色植物的占比作为绿视率，天空的占比作为天空开阔度，建筑物的占比作为围合度.百度街景图像4个方向元素的获取，如图7所示.

(a) 东 (b) 南 (c) 西 (d) 北

贴线率和横截面比借鉴文献[14]的方法，利用ArcGIS软件进行计算.贴线率P=W/L.其中，W为街墙长度；L为路段长度.通过ArcGIS软件的缓冲功能，对道路中心线两侧建立40 m缓冲区，然后，将缓冲区边线与道路红线之间的矩形面积减去建筑投影面积以外的多边形面积，再除以缓冲区边线和道路红线之间的矩形面积，可计算得出街道界面的贴线率.以道路中心线为起点建立二维缓冲区，缓冲范围为40 m，计算缓冲区总面积与去除缓冲区内建筑基底面积后剩余面积的比值，再进一步计算街道界面的贴线率.

1.3.4 街道空间视觉品质的感知评估 根据成都市生活型街道的街景图片，采用问卷调查的方式进行街道空间视觉品质感知的满意度评价.首先，通过随机选取再筛选的方式，选取100条宽窄不一、类型丰富且最能够体现成都生活气息的街道.然后，在每条街道上随机选取1个街景采样点，在开放街道地图上，根据经纬度，以默认的行车方向视角截取对应的街景图片，共截取100张街景图片.截取图片的宽度为1 356 px，高度为570 px，分辨率为96 dot·in-1(1 dot·in-1≈0.039 dot·mm-1).

调研对象为30位成都市高校的在校师生和20位成都居民.30名在校师生的男女比例为1.0∶1.3，均在成都生活2 a以上，专业背景涵盖了建筑学、城市规划、风景园林、环境科学，且学生都是硕士或博士.20位成都居民的男女比例为1∶1，均在成都居住3 a以上.50位调研对象对成都市中心城区核心街道概况相对熟悉，年龄涵盖青年、中年和老年.

将截取的100张街景图片编号为1～100，按等差数列分为5组图片集，第1组编号为1，6，11，…，96，第2组编号为2，7，12，…，97，第3组编号为3，8，13，…，98，第4组编号为4，9，14，…，99，第5组编号为5，15，20，…，100，每位调研对象需做2组实验，2组实验至少间隔10 min，最终保证每张街景图片有20次评价结果，这样可避免调研对象因一次性看太多图片、太长时间而产生视觉审美疲劳，从而影响实验结果.每位调研对象在对街景图片进行评价前，需要先整体浏览图片，对所有图片都有所了解后再进行评价.实验过程中，调研对象在一张表格中根据编号对每张街景图片的视觉品质整体满意度进行评价，评价度量采用李克特7级量表法，分为非常不满意、不满意、比较不满意、一般、比较满意、满意、非常满意7个等级，调研对象需写出每张图片视觉品质满意度的评分原因，以供分析.

2 数据分析

2.1 数据处理

将街道空间视觉品质满意度的7个等级分别赋值为1.0～7.0分，将每张街景图片视觉品质满意度评价的20个得分去掉1个最高分，去掉1个最低分，并将计算的平均值作为本张街景图片视觉品质满意度的最后得分.根据每张街景图片对应的采样点，搜索整理街道空间的绿视率、围合度、天空开阔度、贴线率和横截面比.街道空间视觉品质满意度评分示例，如图8所示.

(a) 4.0分以上

2.2 变量相关性检验

通过相关性分析探究街道空间物理指标与街道空间视觉品质满意度(简称满意度)之间的关系，如表1所示.表1中：**表示在0.01水平(双侧)上显著相关； *表示在0.05水平(双侧)上显著相关.

由表1可知：满意度与天空开阔度、横截面比的Pearson相关系数分别为0.071，0.034，两个指标均接近0，说明其与满意度的相关性不显著；满意度与绿视率、贴线率的Pearson相关系数分别为0.514，0.366，并呈现出0.01水平的显著性，说明绿视率、贴线率与满意度均呈显著的正相关关系；满意度和围合度的Pearson相关系数为-0.553，并呈现出0.01水平的显著性，说明街道空间视觉品质满意度与围合度有显著的负相关关系.

表1 相关性分析结果

2.3 影响街道空间视觉品质指标的回归分析

2.3.1 一元线性回归分析 筛选出影响街道空间视觉品质的街道空间物理特征最主要的3个指标为绿视率、贴线率和围合度，但各指标与空间视觉品质满意度的关系需进一步进行分析.采用散点图分析和曲线估计，根据拟合模型结果分析比较线性方程、对数方程、倒数方程、二次方程、三次方程、复合方程、幂方程、S方程、增长方程、指数方程和Logistic方程等11个模型的相关系数R2和方差检验值F，并选取拟合最优的模型.结果表明，绿视率、贴线率和围合度3个指标与视觉品质满意度的线性方程模型最优，故进一步进行线性回归分析.

指标与街道空间视觉品质满意度的散点分布与线性回归关系，如图9所示.由图9可得以下4个结论.

(a) 绿视率

表2 绿视率与街道空间视觉品质满意度的回归结果

为绿视率.由此可知，绿视率回归系数为2.804，R2为0.400，说明绿视率可以解释满意度40.0%的变化原因；模型通过F检验，说明绿视率一定会对满意度产生影响.

表3 围合度与街道空间视觉品质满意度的回归结果

表4 贴线率与街道空间视觉品质满意度的回归结果

4) 天空开阔度、横截面比与满意度无明显相关性.横截面比主要集中在0.25～1.75，相对均匀地分布在1.0左右，说明选取的样本街道尺度大都满足生活型街道的基本尺度，而街道天空开阔度主要集中在0.10～0.25.

2.3.2 多元线性回归分析 为进一步探究绿视率、贴线率和围合度对街道空间视觉品质的综合影响，采用多元线性回归进行分析.围合度和绿视率的Pearson相关系数为-0.897，其绝对值大于0.700，存在着共线性问题. 因此，为了规避共线问题引起的误差，采用岭回归分析，从而更准确、真实地反映相关规律.以贴线率、绿视率和围合度为自变量，以满意度为因变量进行岭回归分析，结果如图10所示.图10中：K为岭参数.由图10可知：当K为0.18时，自变量的标准化回归系数趋于稳定，故K取0.18.此时，回归模型的R2为0.353，说明贴线率、绿视率和围合度可以解释街道空间视觉品质35.3%的变化原因.

图10 岭迹图

岭回归方程的R2通常低于普通最小二乘法回归，但其估计的偏回归系数往往更接近真实的情况，从而提高回归模型的稳定性和可靠性.回归模型通过F检验(F=17.437，p=0<0.01)，回归模型公式为y=1.034x1-1.298x2+2.705x3+1.226，街道空间视觉品质满意度的回归结果，如表5所示.由表5可知：回归模型通过F检验，说明贴线率、绿视率和围合度中至少有一项对满意度产生影响；各自变量对街道空间视觉品质影响程度由大到小依次为贴线率>围合度>绿视率.

表5 街道空间视觉品质满意度的回归结果

2.3.3 成都市三环内生活型街道的评价 分析影响街道空间视觉品质的物理指标，从较精准的小数据角度，筛选出影响街道空间视觉品质的主要因素，并分析具体的影响程度，构建评价模型.对街道空间视觉品质产生显著影响的绿视率、围合度和贴线率3个指标进行大范围的测度，并根据街道空间视觉品质满意度回归模型对街道进行总体满意度的描述和评价，为提升街道视觉品质建设的合理建议提供科学的理论支撑.

成都市三环内生活型街道的指标测度结果，如图11所示.

(a) 绿视率 (b) 围合度

由图11可得以下3个结论.

1) 在绿视率方面，成都市三环内生活型街道的绿视率平均值为0.42，总体绿视率较高，绿化水平较高.研究表明，在绿视率为0.15以上的区域，人们的平均寿命将高于其他地区[21].文中研究区域的绿视率低于0.15的街道较少，且多为短窄型小街道，普遍街道等级较低，分布较为零散，此外，临近大型商业中心(如春熙路)附近的低绿视率街道也较集中.

2) 在围合度方面，成都市三环内生活型街道的围合度平均值为0.35;一环内的街道围合度较高，沿二环、三环逐渐向外扩展，街道围合度逐渐降低，靠近三环的街道围合度普遍较低.这说明一环内城市化最严重，建筑密集且容积率高.

3) 在贴线率方面，成都市三环内生活型街道的贴线率平均值为0.79，二环内的街道贴线率整体比二、三环间区域更高.这是因为越靠近市中心区域，建筑越密集，贴线率普遍更高.

4) 由回归模型模拟可计算出成都市三环内生活型街道空间视觉品质满意度，满意度平均值为3.34分，最小值为1.50分，最大值为4.60分.从地理分布来看，二环内街道空间视觉品质总体较差一些，一环东部视觉品差的街道较为集中，二、三环之间零散有少量视觉品质较差的街道，但总体视觉品质较好.

在前期问卷中，从调研对象为街道视觉品质满意度评分的原因可知，许多不确定因素会影响街道视觉品质，如街道此刻停留的车辆数量、行道树是否是观叶观花期等，此外，还掺杂着个人喜好差异的主观因素.因此，回归模型的R2仅为0.353.基于大量街道空间视觉感知的调研和访问发现，虽然不同受访者对同一街道景观的感知和喜好不同，但绝大部分是受空间视觉品质本身的影响，街道空间视觉品质越高，人们的偏好越趋于统一，可达成共识.因此，文中模型能够大规模、较为准确地测度成都市生活型街道物理空间骨架的视觉品质优劣.

3 结束语

基于人们的主观感知，充分了解居民对街道空间视觉品质的偏好，通过精细的调查数据统计，分析人们对视觉品质感知趋于统一时的规律.通过大数据、机器学习等新技术将街道物理环境与主观感知联系在一起，将结果数据化、可视化，可以得到以下3个结论.

1) 在描述街道空间骨架的5个物理指标中，绿视率和贴线率显著正向影响街道空间视觉品质，围合度显著负向影响街道空间视觉品质，而天空开阔度和横截面比对街道空间视觉品质的影响不明显.

2) 绿视率、贴线率和围合度与街道空间视觉品质满意度均呈线性关系，通过回归分析发现3个有效指标对街道空间视觉品质的影响程度为贴线率>围合度>绿视率.贴线率和围合度都是衡量街道两侧建筑概况的指标，故改善生活型街道两侧的建筑品质可提升街道空间视觉品质.

3) 成都市三环内生活型街道空间视觉品质满意度的平均值为3.34分，最小值为1.50分，最大值为4.60分.从地理分布来看，二环以内街道空间视觉品质总体较差一些，二、三环之间的街道空间视觉品质总体较好一些.

文中方法突破了传统的定性描述，可实现街道视觉品质的大规模测度，不仅统一了标准，也减少了主观干扰因素，提供了一种新的研究方向，使微观环境数据应用于城市宏观社会的研究中.然而，文中只选取了生活型街道，不同类型的街道由于功能不同，人们的需求也不相同.因此，文中构建的评价模型无法适用于所有街道.目前，文中的评价模型只能解释部分生活型街道空间视觉品质的变化原因，还需纳入更多的有效指标.在今后的研究中，可结合机器学习对主观感知调研方法进行优化，并增大调研样本量，丰富调研人群类型，使调研数据更加精准，从而降低评价模型的误差.