夏季特训营开车啦！
前沿主题课程带你成长：
空间句法基础到进阶、街景大数据、
国土空间规划ArcGIS、ArcPy城市计算、
出行活动数据分析、Python自动化、
Netlogo地理模拟、计算机视觉、
SWAT模型基础到进阶、CIM、空间规划
任选2套课程，钜惠价再减200元！
任选3套课程，钜惠价再减360元！
任选4套课程，钜惠价再减520元！
任选5套课程，钜惠价再减650元！
（ 以上优惠仅限营1至营11；
营10和营11同报立减700元！）
这篇文稿之前刚刚写完了一篇ISPRS的文，因此一上来我就是充满critical态度——“有那么多货么？”然后进一步看内容——”中日韩究竟在说啥？谁更有钱就需要更（不）减压？研究问题究竟是啥？“再然后——”究竟创新点在哪儿？“在我的一直质疑中好不容易才终了稿，再再然后——”啥，这个水刊，中国人灌得已经到我天天看的硕士申请人手里都握着好几篇，别整这个了！“再再再然后，把MDPI负责几乎所有的相关刊物的同一个责编心理摧残了个够，一下让实验室的拒稿率又上了个台阶。我看这样不行啊，想起来我们以前答应投稿的general公卫专辑跳票了，还弄得责编一直在热情提醒我该交货了哦，刚刚写了信表示歉意，于是乎再次反悔去问人家我们还有个存货是不是嫌弃啊。结果专刊编辑杨老师很喜欢，审稿意见也蛮正面（网页上已经是公开审稿人了，我都不认识）。自己再汲取了ISPRS被责编和客座编辑直接骂的教训，热心下场认真操作大修，最后接收时间完全追平了上一篇Frontiers 刚刚创出的速度战绩，一天不差。
虽然过程满满槽点，但文还是非常推荐。自己在两次间隔只有一个月左右的汉城行中，虽然无限憧憬当时已经”凡有井水处，皆能歌PSY”的歌曲主题地，但只是在从左近参观回来的时候，在堵在晚高峰大街上的巴士看了一眼”江南“。在研究中遥距地体会一下人们的生活，也补上一点点遗憾。第一稿中跟它对比的东京地段，倒是自己在花见中流连忘返且泛舟于千鸟渊的千代田区。我们干完了这个开头，不知道将来会不会如现在的学位论文的玩法，把江北区万代田区挨个套进去搞个遍——不过这就不关我们事了。
基于街景的城市研究是我硕士期间延续下来的课题，城市感知研究是我博士入学以来持续探索的方向，这也十分契合我的研究理念（运用大数据、机器学习及数据分析等方法进行城市计算）。起初我们的研究希望关注于中日韩多国城市感知现象之间的对比，但经过与导师讨论发现并没有找到自洽且具有突出意义的研究问题。所以经过思考后决定将研究范围缩小至单一国家区域的（韩国）城市空间感知现象测度及解释。但这也为未来研究留下了一个悬念，中日韩之日本篇我们将会以怎样有趣的研究方式进行呈现？敬请期待。
这是我第一篇发表的英文SCI文章，从确定选题到初稿完成，从一周之内被拒稿三次再到顺利发表，这篇文章在得到了诸多帮助中历时4个月终于成功发表。感谢我的导师何捷教授，以极为优秀的学术审美影响并提升了我的学术素养，以极其专业的学术洞察力对文章选题、逻辑结构等诸多方面进行的指导。感谢合作者韩鑫博士在数据采集及空间分析等研究过程中所做的诸多贡献。感谢杨林川老师、叶宇老师和专业的审稿人对文章提出的建设性意见。
实验室于2022年5月在医学与公共卫生领域的跨学科期刊《Frontiers in Public Health》发表学术论文《Measuring Perceived Psychological Stress in Urban Built Environments Using Google Street View and Deep Learning》，收录于该刊“Effects of Urban Built Environment on Public Health: Featuring New Theory, Data, Variable, Model, Site, and Insight”专辑中。该论文由何捷老师指导，实验室2021级博士研究生王磊同学、庆北大学（韩国）合作者共同完成。
本期推送对该文进行简要译介以飨读者。点击文末“阅读原文”可跳转至《Frontiers in Public Health》网络发表界面。该文开放存取，欢迎交流和指正。
使用谷歌街景图像和深度学习方法测量城市建成环境中感知到的心理压力
Measuring Perceived Psychological Stress in Urban Built Environments Using Google Street View and Deep Learning
Han X, Wang L, Seo SH, He J and Jung T (2022) Measuring Perceived Psychological Stress in Urban Built Environments Using Google Street View and Deep Learning. Front. Public Health 10:891736.
doi: 10.3389/fpubh.2022.891736
城市建成环境是城市居民日常生活的一个重要组成部分。相应地，不良的设计会导致心理压力，从而对他们的心理和身体健康造成伤害。因此，城市建成环境和居民感知的心理压力之间的关系在许多学科中都是一个重要的问题。需要进一步的研究来确定居民在建筑环境中所经历的压力水平，并确定建成环境的视觉要素与心理压力感知之间的关系。大数据和深度学习技术的发展为测量居民的感知心理压力提供所需的技术支持。在此背景下，本研究探索了一种通过深度学习方法快速、大规模测定城市居民感知心理压力的方法。在韩国首尔江南区进行了一项实证研究，使用SegNet深度学习算法对街景的视觉要素进行分割和分类。此外，采用了以随机森林为框架的人机对抗模型，对建筑环境中可感知的心理压力进行评分。结果中，我们发现心理压力的感知在空间上有很强的自相关性，在江南区的城市交通干线和沿河地区有更多的低-低集群，在商业和住宅区有更多的高-高集群。我们还分析了街景图像的三种压力感知类型（即低、中、高），并获得了不同压力下各街景要素组合的百分比。利用多元线性回归，我们发现墙壁和建筑物会导致心理压力，而天空、树木和道路则会缓解压力。我们的分析研究将街景大数据与深度学习相结合，提出了一种创新的方法来测量居民在建筑环境中感知到的心理压力。该研究方法和结果可以作为以人为本的城市规划和设计的参考。
深度学习；谷歌街景；图像语义分割；心理压力感知；建成环境
Fig 1. Analytical framework for the measurement of perceived stress in an urban built environment.
Fig 2. Study area: Gangnam District, Seoul, South Korea.
Fig 3. Example of a panoramic street-view image using Google Maps API.
Fig 4. Visual elements extraction from urban street images using the SegNet image semantic segmentation model.
图4 使用 SegNet 图像语义分割模型从城市街景图像中提取视觉元素
Fig 5. Perceived stress calculation for urban streets based on a human–machine adversarial model.
Fig 6. Transfer learning training accuracy. The number of epochs was set at 20. The graph on the left presents early stopping at epoch 12.The graph on theright shows a maximum accuracy of 77.2%.
图6 迁移学习训练的精度。epoch 数设置为 20。左图显示在 epoch 为12 处提前停止。右图显示最大准确度为 77.2%。
Fig 7. Global learning training accuracy. The number of epochs was set at 60. The graph on the left presents early stopping at epoch 49. The graph on the right shows a maximum accuracy of 89.95%.
图7 全局学习训练精度。epoch 数设置为 60。左图显示在 epoch 为49 处提前停止。右图显示最大准确度为 89.95%。
Fig 8. Urban spatial mapping of the perceived stress scores in Gangnam.
Fig 9. Urban spatial mapping of perceived stress for Gangnam administrative divisions.
Fig 10. Left: bar chart of the number of perceived psychological stress neighbors. Right: Moran’ sIscatter plot.
图10 左图：心理压力感知邻域数量柱状图。右图：Moran I散点图。
Fig 11. Spatially localized autocorrelation distribution map for Gangnam.
Fig 12. Proportional coverage of visual elements in images with low, medium, and high perceived stress.
图12 低、中、高压力感知街景图像中视觉要素比例.
Fig 13. Representative images for different levels of perceived stress. The hexagon represents the eight image segmentation elements, clockwise from the vertex: (1) walls, (2) buildings, (3) the sky, (4) vegetation, (5) roads, (6) grass, (7) sidewalks, and (8) auto
图13 不同感知压力水平的代表性图像。图形代表图像分割视觉要素，从顶点顺时针方向分别是：(1)墙，(2)建筑物，(3)天空，(4)植被，(5)道路，(6)花草，(7)人行道，(8)汽车
最近有朋友问我们：为什么没有及时看到推文？因为微信改了推送规则，没有点“赞”或“在看”，没有把我们“星标”，都有可能出现这种状况。
加“星标”，不迷路！看完文章顺手点点“赞”或“在看”，就可以准时与我们见面了~
原文始发于微信公众号（城市数据派）：使用街景图像和深度学习方法测量城市建成环境中感知到的心理压力丨城市数据派
规划问道
