基于百度街景数据的苏州古城区街道绿化研究

文/苏州科技大学建筑与城市规划学院 佟 旭

1 研究背景

街道绿化作为城市绿地系统的重要组成部分，在城市绿化中占举足轻重的地位，是城市绿化评估的一项重要指标。城市街道绿化环境品质，对人们出行的舒适度、城市环境的美好性、城市的可持续发展有较大影响。

随着城市绿化越来越被人们重视，街道绿化研究得到广泛关注。传统的基于手工拍摄街景照片的现场调研方法，无法在大尺度上对街道绿化进行评估，且多为定性研究。部分学者为达到定量研究街道绿化的目的，利用图像处理软件计算街道图片中绿色像素点所占的比例，但此种以手动处理图像为基础的分析方法仅限于小尺度研究。由于技术条件限制，数据采集和处理等太过复杂导致工作量大，难以满足规划研究的实际需求。目前以计算机技术和多源城市数据为代表的新技术和新数据为大尺度、定量化的街道绿化研究提供支撑。

当前，部分学者已尝试运用新数据和新技术对城市街道绿化进行研究[1-4]。郝新华等利用网络街景数据和Matlab模型，对成都市街道绿化进行大规模、精细化尺度的量化评价；唐婧娴等通过点位图像数据，对上海、北京部分街道空间进行要素解译，识别天空、建筑、柱体、道路标记、道路、铺装、树木、标识、围栏、汽车、行人和自行车共12类要素；叶宇等利用上海大规模街景数据以及机器学习算法提取绿化可见度，并与基于卫星遥感影像的绿化率进行对比研究，发现传统的绿化率指标无法准确描述居民日常生活实际绿化可接触水平。以上研究利用网络街景数据对街道绿化水平进行评估，对于新技术和新数据在城市街道研究中的应用作出积极探索。

本文以苏州古城区为研究对象，尝试应用新兴的街景数据和机器学习算法实现较大范围、定量化的城市街道绿化研究，分析苏州古城区街道绿化的现状，对后续街道绿化提升工作具有指导意义。

2 研究范围与数据

2.1 研究范围

本文研究范围为江苏省苏州市古城区，东起莫邪路,西起阊胥路、盘胥路，南起南门路，北起东汇路、西汇路，包括54个街坊，总面积约14.2km2（见图1）。

图1 研究范围

2.2 研究数据

2.2.1 路网数据

为抓取每条街道上不同位置的街景图片，本次研究的道路网络数据通过百度地图数据获取，并对获取的路网数据进行处理，如合并多车道、简化路网和拓扑处理等，最终将研究范围内所有道路均转化为单线且在交叉口处打断。本次研究参与计算的街道段共有635条，总长128056m，平均采样间距设置为50m，共计6127个采样点，所有分布在道路网络上的采样点如图2所示。

图2 街景图片采样点分布

2.2.2 街景图片数据

街景地图是一种基于互联网的实景电子地图服务，可提供城市街道360o的全景图片，人们可在电子地图开放平台中查询街景图片。在当前的互联网街景地图服务中，百度全景地图已成为最受欢迎的互联网地图平台之一，在用户数量和口碑上均位于行业领先地位。目前，百度街景图片是开源数据，故本研究可通过计算机程序设计语言Python获取百度街景图片数据。

通过百度地图开放平台可获取百度地图全景静态API，进而以图片形式得到全景地图，需设置相关采集参数，包括图片尺寸、经纬度坐标、视线水平和垂直方向的角度等，并发送HTTP请求访问百度地图全景静态图服务。本次研究将每个采样点的视线垂直角度均设置为0o，即平视角度；每个样本点的视线水平角度均设置为360o，即整幅全景图；每张图片大小为1024×512像素。

3 研究方法

3.1 研究框架

研究共分5个步骤：①基础数据准备，通过百度地图API爬取研究区域街道路网数据，并与百度街景轨迹地图对照，删除个别没有街景图片数据的道路，之后对路网进行交叉口打断、增密及折点、转点处理，基于此获得街景图片采样点坐标数据；②以HTTP URL的形式调用百度街景API来获取对应采样点的大量街景图片数据；③采用机器学习相关算法对街景图片进行语义分割，提取每个采样点的绿视率；④对每条路上采样点的绿视率进行统计分析，得出每条道路的平均绿视率，并通过ArcGIS平台对研究结果进行可视化处理；⑤研究区域街道绿化现状，并对研究结果进行描述与讨论。

3.2 评估指标

以往研究多以绿化率作为街道绿化程度的主要评价标准，但此种自上而下的俯视视角不一定完全等同于人们的实际感受。研究将绿视率作为评估指标，绿视率是指人们眼睛所看到的绿色部分占整个视野面积的比例。相较于传统的绿化率，绿视率可更实际地反映人们能够感受到的绿化程度，更接近人们的真实生活，可更好地反映城市街道绿化环境的品质。在研究中，每条街道上都有多个位置点获取街景图片，每个位置点会有一个绿视率值，故一条街道的绿视率即为该街道上多个位置点绿视率的平均值。

3.3 评估标准

研究将绿视率分为差（≤1 0%）、一般（10%～25%）、好（25%～40%）及非常好（>40%）4个等级。研究表明，当绿色在人们的视野中占比达25%时，人们感到舒适；当街道绿视率大于25%时，可将该街道视为绿色舒适型街道；当街道绿视率低于10%时，表明该街道绿化水平较差，应对其重点关注。

3.4 基于机器学习的街景绿化分析

机器学习是实现人工智能的方式之一。简单来讲，机器学习是使用算法来分析数据，从中学习并作出判断或推测。机器学习不同于以往使用特定指令集的手写软件，是通过大量的数据和算法来对机器进行“训练”，从而使其学习如何完成对应的工作，图像识别一直是机器学习重要的应用领域之一。目前，经典的图像分割方法均是基于卷积神经网络的方法，此类方法首先将图像分为多个像素块，然后将每个像素块输入到卷积神经网络中进行识别与分类。

本次研究通过TensorFlow机器学习系统以及Cityscapes图像语义分割评测模型，提取街景图片绿视率。TensorFlow是谷歌公司研发的人工智能学习系统，目前主要被应用于语音识别、图像识别等各类机器学习的领域。Cityscapes是一种卷积神经网络工具，是目前自动驾驶领域内具有权威性和专业性的图像语义分割评测模型，可将图片中的天空、人行道、车道、建筑、绿化等要素准确有效识别出来（见图3）。运用上述工具，可将图片中的全部像素点识别为各种要素类型，并以此为基础，计算每张街景图片中绿化要素所占的比例，即为该张图片的绿视率。

图3 街景图像语义分割示例

4 研究结果

4.1 街道绿化描述性统计

苏州古城区整体街道绿视率为16.50%，低于25.00%（让人感觉舒适的街道绿视率），处于一般水平。统计不同等级绿化的街道占比发现，苏州古城区内绿视率水平为差和一般的街道占比较高。其中绿视率水平为差的街道占比为36.20%；绿视率水平为一般的街道占比为29.60%；绿视率水平为好和非常好的街道占比较低，其中绿视率水平为好的街道占比为19.40%；绿视率水平为非常好的街道占比仅14.80%（见图4）。

图4 不同等级绿化的街道占比

统计苏州古城区内不同等级街道的平均绿视率，可发现绿视率与道路等级存在一定的相关性。整体而言，最高等级道路主干道和最低等级道路街巷的绿视率水平相对较低，分别为主干道13.50%、街巷17.40%；而处于中间等级的支路和次干道的绿视率水平相对较高，分别为支路26.40%、次干道22.80%（见图5）。

图5 不同等级街道的平均绿视率

4.2 街道绿化空间分布

如图6所示，将研究结果在ArcGIS中进行分级色彩可视化，可较直观地看出不同等级绿视率街道的分布情况，绿视率水平为非常好的街道主要有中街路、养育巷、东大街、西北街、皮市街、庭园路、公园路、凤凰街、平桥直街、十全街、白塔东路等，其中中街路的绿视率最高为60.10%；绿视率水平较好的街道主要有平齐路、齐门路、平家巷、大王家巷、狮林寺巷、曹家巷、马大箓巷、西百花巷、东百花巷、临顿路、钮家巷、中张家巷、石匠弄、迎枫桥弄、乌鹊桥路等。上述街道的绿化水平较好，为绿色舒适型街道，可为后续步行系统规划提供参考。

图6 街道平均绿视率空间分布

同时也可看出绿视率水平为差和一般的道路占比较高，其中环古城外围道路阊胥路、盘胥路，贯穿古城东西向的干将路以及观前街片区的街道绿视率水平为差，南门路、东汇路、西汇路的绿视率水平为一般。上述街道极大程度降低了苏州古城区街道的整体绿化水平，应将其作为后续街道绿化品质提升工作的重点。

5 结语

本文通过提取百度街景图片中绿化要素占整张图片的比例作为绿视率，并以1条街道上多个位置点的绿视率的平均值作为该条街道的绿视率，对苏州古城区的街道绿化进行实证研究。研究发现：①苏州古城区街道绿视率整体水平为一般；②苏州古城区街道绿化水平与道路等级有关，次干道和支路的街道绿视率较高，主干道和街巷的街道绿视率较低；③古城区街道绿化提升工作应重点关注古城外围道路阊胥路、盘胥路，贯穿古城东西向的主干道干将路以及观前街片区街道。

研究通过百度街景数据和机器学习算法实现较大范围、定量化的城市街道绿化研究，突破传统研究方法在数据收集和处理等方面的局限，同时利用机器学习法降低评价的主观性，使对街道绿化的评估更加科学，具有一定的实践意义。通过对苏州古城区街道绿化进行评价，将古城区街道绿化水平分为差、一般、好以及非常好4个等级，得出的研究结果对城市绿地系统规划、步行系统规划、街道品质提升等工作具有指导意义。