基于图像语义分割法的城市冠顶式森林步道景观质量评价——以福州福道为例

林盈芳,黎俊仪,李丽凤,傅伟聪,董建文,2*

(1.福建农林大学园林学院，福建 福州 350002；2.国家林业与草原局森林公园工程技术研究中心，福建 福州 350002)

随着城镇化进程的推进，城市森林成为城市绿地的重要组成部分。如何协调城市森林保护与公众健康出行、休闲游憩的需求，成为城市建设者面临的困境与挑战。在此背景下，新加坡首次将为满足冠层植物科研需要而建设的冠顶式森林步道引入城市山体空间，使公众能够无障碍地穿梭于森林冠层间[1-2]，这样既节约了城市用地，又最大限度地保护了城市生态环境，对增进公众福祉具有重要的意义。相较于国外成熟的建设经验，我国对城市冠顶式森林步道的建设与研究尚处于发展阶段。福州“福道(Fu Forest Trail)”作为我国首条冠顶式森林步道，为公众带来了全新的游憩、观赏体验，但如何提升其景观质量则是相关学者研究的重要课题。许晓玲等[3]对福道的游客满意度进行了评价，结果表明福道游客满意度为优秀，但认为福道景观质量的提升仍需要加大对步道设施和文化建设的投入；林月彬等[4]基于福道环境的感知评价，从福道的通行感知和基础设施建设两方面提出了优化建议。

有研究指出，开展景观质量评价对景观质量的提升有着积极的作用，可针对评价结果采取有效的措施来改善城市环境，从而提升公众福祉[5]。目前，关于森林景观质量的研究主要以景观要素的定性与定量分析相结合为主，其中基于定性分析的景观要素评价结果在景观质量提升实践过程中缺乏实际引导性[6]。因此，如何定量分析景观要素，是城市冠顶式森林步道景观质量评价亟须解决的主要问题。近年来，有学者使用Photoshop软件对景观照片中各景观要素的边界进行提取，以计算出各景观要素在照片中的面积占比，从而实现景观要素的客观量化[7]。但该定量研究方法存在耗时久、无法自动处理数据等缺陷，不适合推广至城市冠顶式森林步道景观质量评价研究中。基于深度学习的图像语义分割法能够快速、自动实现图像的像素级分类[8]，目前多用于城市街景图像的处理，以提取天空、植被等景观要素的量值[9-10]，为实现景观质量评价量化研究提供了新的方向。Daniel等[11]提出的景观美景度评价法是目前国内外学者运用较为广泛的景观质量评价方法，其以公众的视觉审美感知为考量，常用于森林[12]、道路[13]等景观质量评价研究中。福州福道作为架空建设在城市山林之上的新型步道，其海拔较高、视野开阔，拥有独特的视觉景观环境，但当前鲜有学者深入研究公众对此类新型步道的审美感知评价。因此，本文以福州福道为例，利用灰色统计分析法预选其景观要素，通过图像语义分割法实现景观要素的量化分解，建立了福道景观美景度评价的多元线性回归模型，开展了对福道景观质量的评价研究，以为城市冠顶式森林步道景观质量的定量评价提供理论依据。

1 研究区概况

福州福道位于福州市鼓楼区，是我国首条采用镂空无障碍格栅钢板设计的冠顶式森林步道，其串联起福州市内部山体空间，已成为市民健身、游憩的绝佳去处。福州福道全线长约19 km，横贯国光公园、金牛山体育公园、梅峰山地公园、左海公园等，本研究选取福州福道中段，即福道的两个重要主出入口，梅峰山地公园至金牛山体育公园段为研究对象，该段步道长约5.2 km，顺山势盘旋接入福道主线，是福道的重要区段，开展了福道景观质量评价研究。

2 研究方法

2.1 福道景观照片的采集

参照相关的研究成果[14]并通过预试验调查和专家咨询，本文将福州福道分为4种主线步道空间区域——休憩亭廊区域、两侧有植被步道区域、山体侧有植被步道区域和两侧无植被步道区域进行景观照片采集。为了完整采集各类型场景，选择晴朗天进行拍摄，拍摄高度固定为1.6 m，拍摄时间为9∶00～11∶00和14∶00～16∶00，沿福道主线栈道，每隔10 m拍摄1张照片，共拍摄照片608张，从中筛选出36张最具代表性的福道景观照片用于福道景观质量评价。其中，休憩亭廊区域照片6张；两侧有植被步道区域照片12张；山体侧有植被步道区域13张；两侧无植被步道区域照片5张。福州福道研究区段景观照片拍摄的位置,见图1。

图1 福州福道研究区段景观照片拍摄位置示意图

2.2 基于灰色统计分析法的福道景观要素筛选

灰色统计分析法是一种针对信息不完全且数据存在不确定性的系统模糊统计方法[15]。采用该方法筛选景观要素，可以有效地解决因专家意见差异而产生的影响，从而实现对景观要素的科学提取[16]。

根据相关研究和风景园林领域专家的意见，本文首先初步构建了包括空间要素、自然要素和人工要素3类景观要素在内的准则层，共计19个初选福道景观要素[12,17-21]；然后采用灰色统计分析法对初选福道景观要素进行了筛选，具体筛选步骤如下：①请风景园林领域专家到福道进行现场考察或向专家展示福道景观照片，并发放初选景观要素重要性评判问卷，累计回收有效问卷20份；②构建灰类白化函数，计算各初选福道景观要素的高、中、低3类灰类的灰度值；③计算各初选福道景观要素的高、中、低3类灰类的决策系数；④对比各初选福道景观要素的灰类决策系数，最终选取重要程度为“高”的初选福道景观要素进行景观质量评价[4,16]。

2.3 基于图像语义分割法的福道景观要素量化

深度学习是机器学习的分支，其利用卷积神经网络模型(Convolutional Neural Network,CNN)从带有语义类别标签的海量数据中自动学习，提取图像特征，以实现图像的像素级分类，已成为当前图像语义分割的主流方法[8]。本文统一使用图像语义分割法指代该技术。金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)是CNN的一种，其利用金字塔池化模块有效聚合图像上、下文信息，适用于复杂场景的精细化分割[22]。本文使用包含150类城市场景的ADE20K数据集对PSPNet进行训练，以自动获取福道各景观要素在图像中的面积占比，并将从单张景观图像中识别出的天空面积占比定义为天空开阔度，植被面积占比定义为绿视率[23]。采用PSPNet分割解译景观图像的过程和结果见图2，其识别精度可使用像素交并比(Intersection over Union，IoU)来衡量，其计算公式如下：

图2 采用PSPNet分割解译景观图像的过程示意图

(1)

式中：A为人工提取景观要素所得的目标结果；B为CNN分割景观要素所得的预测结果。

IoU值越高，表明PSPNet识别景观要素的精度越高。

2.4 景观美景度评价与模型构建

2.4.1 评价方式选择

相关研究表明，基于景观照片的景观视觉评价结果与基于景观直接体验的评价结果高度相关，研究者对基于景观照片的非现场直接体验方法均表达了积极的认可态度，因此认为景观照片可有效替代现场调查方式[24-25]。

尽管评价者文化背景各异或来自不同群体，但评价结果在统计学意义上的差异并不显著[26]。本研究共邀请140名福州市常住居民参与线上问卷调查，对福道景观(共36张照片)进行美景度评价，评分标准采用李克特7级量表(见表1)。在对回收问卷进行检查并剔除明显随意评分问卷后，最终得到有效问卷131份。

表1 福道景观美景度评分标准

2.4.2 景观美景度分值标准化处理

由于公众的审美评价标准存在差异，因此需要对收集的问卷评分值进行标准化处理。平均单张照片标准化处理后的所有景观美景度分值，即为该照片的景观美景度值[27]。景观美景度标准化处理的计算公式如下：

(2)

(3)

2.4.3 景观美景度评价模型构建

本文使用SPSS 25.0软件，以景观照片的景观美景度值作为因变量，将灰色统计分析法筛选出的景观要素作为自变量，并采用t值进行偏相关分析，剔除不显著或偏相关系数较小的景观要素后，建立景观美景度评价的多元线性回归模型。

3 研究结果与讨论

3.1 基于灰色统计分析法的福道景观要素筛选结果

本文采用灰色统计分析法对19个初选福道景观要素进行筛选，排除重要性程度为“中”的天际线比例、远山占比、栈道周边地形、植物种类丰富度、植物整齐度、界面围合感、建筑物占比、景观设施占比、栈道铺装占比和栈道栏杆占比10个景观要素后，最终筛选出重要性程度为“高”的天际线复杂度、天空开阔度、可视区域面积、最远视线距离、栈道形态、视觉复杂度、场景色彩丰富指数、绿视率和植物色彩丰富度9个景观要素进行福道景观质量评价。福道景观要素灰色重要程度的筛选结果，见表2。

表2 福道景观要素灰色重要程度的筛选结果

3.2 基于图像语义分割法的福道景观要素量化结果

福道部分景观照片的PSPNet景观要素识别效果，见图3。通过对原始照片与PSPNet分割解译结果进行对比发现：PSPNet对天空区域的识别偏差主要集中在天空与远山相接部分；而PSPNet对植被区域的识别结果存在一定的偏差，其未能完整地识别出栏杆镂空区域以及场地内的服务设施，且PSPNet会将树干、枝叶之间的孔隙一并识别为植被。

图3 福道部分景观照片的PSPNet景观要素识别效果

为了评估PSPNet对福道天空和植被景观要素的识别精度，随机筛选5张福道景观照片进行IoU验证分析，其结果见表3。

由表3可知，PSPNet对植被景观要素识别的IoU值在88.61%～95.21%之间，对天空景观要素识别的IoU值在90.91%～97.46%之间，表明PSPNet在分割解译福道景观照片的过程中表现良好，能够准确识别出景观照片中的大部分天空景观要素和植被景观要素，说明PSPNet提取的天空开阔度和绿视率的景观要素量值结果是可靠的。

表3 福道部分景观照片PSPNet识别与人工识别效果的对比

3.3 福道景观照片美景度值分析

对本文筛选出的36张福道景观照片进行景观美景度评价，其评价结果见表4。

表4 福道景观照片美景度值的计算结果

由表4可知：山体侧有植被步道(AT1～AT13)区域的总体景观美景度评分最高，说明步道外侧无植被遮挡视线的景观更受公众喜爱，该类区域的景观质量最高；两侧有植被步道(HT1～HT12)区域的景观美景度值波动较大，可见植物的荫蔽程度对景观美景度具有较大的影响，当步道两侧植被严重遮挡视线使置身于步道中的人群无法看到植被以外的景色时，公众的喜爱度会因此降低；休憩亭廊(LP1～LP6)区域和两侧无植被步道(NT1～NT5)区域的景观美景度值皆为负数，其中以休憩亭廊区域的总体景观美景度评分最低，可见休憩亭廊区域周边景色较差，景观质量最低，而两侧无植被步道区域的绿视率过低，同样对景观效果会产生不利的影响。

在筛选的36张福道景观照片中，编号为AT8、HT3和HT2的景观照片最受公众喜爱，其景观美景度值分别为0.700、0.659和0.581(见表4)，这3张景观照片场景的天空开阔度为20%～40%，绿视率为30%～50%，有3～4种植物色彩，空间都较为通透，植物在阳光照射下充分，展现了叶色的光泽感，场景色彩较为和谐；而编号为NT2、LP2和HT11的景观照片最不受公众喜爱，其景观美景度值分别为-0.778、-0.727和-0.592，其共同点为植被景观单调，而过高或过低的植被荫蔽程度以及杂乱无序的场景色彩是造成其景观美景度评分较低的原因。景观美景度值最高和最低福道的景观照片，见图4和图5。

图4 福道美景度值最高的景观照片

图5 福道美景度值最低的景观照片

3.4 景观美景度评价多元线性回归模型建立与分析

将基于灰色统计分析结果筛选出的9个景观要素进行量化赋值(见表5)，并以景观要素作为自变量，以景观美景度分值作为因变量，建立景观美景度评价模型。

表5 福道景观要素的赋值及量化方法

本文通过对福道景观要素进行4次偏相关分析，剔除偏相关系数较小的景观要素后，共确定6个影响福道景观美景度的景观要素，包含4个景观空间要素(天空开阔度x1、最远视线距离x6、可视区域面积x5和场景色彩丰富指数x4)和2个景观自然要素(绿视率x2和植物色彩丰富度x8)，见表6。福道景观美景度评价多元线性回归模型的回归系数和统计量，见表7。建立的景观美景度评价多元线性回归模型方程为：y=16.515+0.036x1+0.020x2-0.247x4+0.004x5-0.331x6+0.177x8。

表6 福道景观要素的4次偏相关分析结果

表7 福道景观美景度评价多元线性回归模型的回归系数和统计量

由表6和表7可知：本文建立的福道景观美景度评价模型的相关系数R2为0.607>0.6，表明模型具有良好的解释度，模型的Sig.为0.000<0.001，表明模型具有很好的统计学意义；对福道景观美景度影响程度由大到小的景观要素为天空开阔度x1(1.185)>绿视率x2(0.804)>植物色彩丰富度x8(0.382)>最远视线距离x6(-0.327)>可视区域面积x5(0.283)>场景色彩丰富指数x4(-0.209)。其中，天空开阔度的标准化回归系数值为1.185，表明其对福道景观美景度的贡献率最大；天空开阔度、绿视率、植物色彩丰富度和可视区域面积与景观美景度呈正相关关系，且前三者的显著性均小于0.01，说明这3个景观要素与景观美景度之间存在极显著的相关性，公众对景观的喜好度会随着天空开阔度、绿视率和植物色彩丰富度的提高而提升，而可视区域面积的增大，也同样有利于提升景观的美景度，因为视野在水平和竖直方向上的延展性越好，公众便可以欣赏到更为丰富的景观层次变化，有助于提升公众的景观体验；最远视线距离和场景色彩丰富指数与景观美景度呈负相关关系，说明当视线距离过远，杂乱的城市建筑会影响景观视觉效果，景观美景度值会随着视线距离的延伸而降低，而场景色彩丰富指数则反映了色彩的有序程度，场景整体色彩的复杂度过高将会导致色彩秩序混乱，从而降低景观视觉质量。

3.5 讨论

上述研究结果表明：天空开阔度对福道景观美景度的影响最大，表明开放性强的步道环境更受公众青睐[28]；绿视率、植物色彩丰富度与福道景观美景度高度相关，说明保持景观的自然性尤为重要，这在李雪莹等[17]的研究中也得到了证实，而光线引起的植物色彩变化是植物色彩数量增加的主要原因，植物叶片在光线影响下展现的光亮色泽，打破了大面积单调的绿色植被景观，产生了更佳的环境美体验效果，这与董建文等[29]的研究结果具有一致性；可视区域面积与公众景观视野的广度和宽度有关，良好的视野条件能提高公众对景观的偏好，这在Gao等[30]的研究中也得到了验证；而随着最远视线距离的增加，步道周边过度开发的城市建筑随之可见，破碎且色彩杂乱的城市建筑群会使得公众的视觉吸引力降低[19]；无序的色彩环境将不利于公众对景观的体验，这与van der Berg等[31]的研究结果相符。

从本次研究的应用来看，PSPNet将乔木、灌木的孔隙统一识别为植被，使得枝叶茂密图片的总体识别精度高于枝叶稀疏图片。张炜等[32]在识别全景图像的植被时也发现了该特征，这属于图像语义分割识别中的惯例。此外，由于福道景观与ADE20K数据集内城市景观存在景观要素和空间结构的差异，因此PSPNet对福道栏杆、垃圾桶等要素的识别易出现归类错误等情况。后续研究可考虑通过在数据集中增加相应的标定数据等方式，实现对冠顶式森林步道景观要素的精准量化提取。

4 结论与建议

本文采用灰色统计分析法筛选冠顶式森林步道景观要素，通过公众对冠顶式森林步道景观的审美偏好调查，并借助图像语义分割法提取相关景观要素量值用于景观美景度评价，最终构建了福道景观美景度评价的多元线性回归模型，主要得到如下结论：

(1) 经随机筛选场景的IoU验证分析，PSPNet对植被和天空景观要素的识别精度分别达到88.61%和90.91%。图像语义分割法实现了对景观要素量值的快速、客观提取，从人本视角为城市冠顶式森林步道景观研究提供了新思路。

(2) 在福道的4种主线步道空间区域中，山体侧有植被步道区域的总体景观美景度评分最高，而休憩亭廊区域的总体景观美景度评分最低；山体侧有植被步道区域和两侧有植被步道区域较受公众喜爱，休憩亭廊和两侧无植被步道区域总体最不受公众欢迎。

(3) 共确定6个影响福道景观美景度的景观要素，其影响程度由大到小为：天空开阔度>绿视率>植物色彩丰富度>最远视线距离>可视区域面积>场景色彩丰富指数。其中，天空开阔度、绿视率、植物色彩丰富度和可视区域面积与景观美景度呈正相关关系，最远视线距离和场景色彩丰富指数与景观美景度呈负相关关系。

本文集成了图像语义分割法和景观美景度评价法，为探索以人为本的城市冠顶式森林步道的景观设计路径提供了理论依据。为提升城市冠顶式森林步道景观的质量，本文提出以下建议：从空间要素角度出发，应提高天空开阔度，保障良好的景观可视域，并应尽量避免干扰公众审美感知景观要素的负面影响，控制景观视线，保持景观要素色彩秩序的平衡；从自然要素角度出发，应重点关注景观的自然度，提高绿视率并营造色彩多变的植被空间，避免过多人工化痕迹对自然森林景观造成的巨大割裂。