规划问道
数据精英夏季特训营开车啦！
同时报名还可享更多优惠：
任选2套同报，再减200元！
任选3套同报，再减360元！
任选4套同报，再减520元！
任选5套同报，再减700元！
任选6套同报，再减900元！
（以上优惠不包括营5和营14）
随着工业发展带来的交通与建筑技术的变革，街道空间与建筑尺度相比传统城市已发生巨大变化，经典城市设计理论应用于当今街道空间控制已显示出一定局限性。此外，城市开放数据的广泛应用为街道研究带来了全新的途径和视角。由此，本课题引入近人空间视角并结合开放数据探讨在当今大尺度、车尺度的背景下，满足人的心理、视觉、认知需求的小尺度街道设计。
课题选取上海市内环内的街道为研究案例，利用多源数据与图像分割、智能识别技术对街道的物理特征、界面特征、城市功能、宏观形态四类指标及个体对街道的宜人性与安全性感知展开探索，构建数理模型来辨别与街道感知相关的关键因子及数值，对上海街道设计提出指引与建议，也为规划法规的修订提供数据支撑。
研究发现：绿视率是影响街道宜人性的关键因子；建筑密度、高宽比对于宜人性感知具有积极影响。城市功能是影响街道安全感的关键因子，其中街道功能密度比功能混合度对安全感的感知影响更大；店招个数、绿视率对于安全感知也具有积极影响。
项目结题成果报告
以下研究成果内容摘自项目结题成果报告。该项目报告共计23页，关注城市数据派微信公众号，在微信公众号对话框中输入 2471 ，即可获得报告全文PDF的下载方式：
本课题从街道近人空间视角楔入，分析上海街道空间物理空间指标、宏观指标与主观感知关系，并由此形成相应的街道空间因子量化及评价体系框架，探求上海街道空间感知的重要影响因子，以期健康而有序地引导街道建设，深化对街道空间构成的理解，从而对上海街道空间的有机更新与规划提供建议。
(1)使用机器学习测量人类对上海街道空间的主观感知
课题提出了一个数据驱动的机器学习方法以衡量上海街道空间的主管感知。基于经典深度卷积神经网络ResNet,在街景图片和个体感知之间进行建模。算法基于大规模用户标定数据,将人对于视觉环境的评估分数转化为人工智能评分模型，模拟并量化人的感知(图1)。模型将街景图片作为输入，利用深度卷积神经网络DCNN与SVM分类器对图片进行二分类预测，然后对预测的置信度(probabilityscore)进行区间映射，还原安全感知得分的连续值。整体上，实验在与个体感知的预测中取得72%的准确度，模型有效(图2、3)。最后通过学习模型对采集的上海街景图片进行自动评分，按路段统计各图片均分，获得路段总分分数为 10分制，从0分到10分，分数越高，安全感越高(图4)。
研究发现浦东新区宜人性得分最高，黄浦区宜人性得分最低。上海黄浦中心城区一些街道网络是不宜人的，这主要由于老房子和狭窄的街道密度过高，绿化率偏低，从而导致拥挤感和不安全。此外，在密集的街道网络中，那些短小的街道往往更加宜人。这个结果可能与Jacobs的观点一致，他建议街区应该设计得短一些，以增加路径选择与多样性。人们的感知实际上与城市的实际功能区域相一致。图4为从上海采样的2幅街景图像，被预测具有高安全性分数的样本显示在左边，低安全分数的样本显示在右边。预测结果与我们直觉相吻合，即有绿色物和尺度适宜的街道往往更安全，而有封闭的、无序的建筑界面及缺乏绿色景观的街道则被认为是不安全的。
(2)基于多源数据的街道近人空间参数指标
选取上海市内环内的街道为研究案例，利用多源数据与图像分割、智能识别技术对街道的物理特征、界面特征、城市功能相关的三类指标进行量化分析，并通过 GIS软件进行可视化分析，构建上海街道空间研究的数据库(表1)。
街道宽度为路段双侧的范围线到中心线距离。利用GIS采集的中心线和建筑基底矢量信息，由中心线向外侧做间隔1m步的一系列缓冲区(最宽为40m),计算单侧缓冲区面积和去除建筑基底后的面积占比。查询相邻两个缓冲区比值差异最大突变点，将该情况下较小缓冲区的外墙线定义为该侧界面线，计算路段两侧到中心线距离(图5)。
① 街道高宽比
利用深度学习模型识别各路段上每张街景图片的高宽比类型，按路段分别统计该路段上各类高宽比类型的街景图片数量,取图片数量最多的一类高宽比类型为该路段的高宽比类型(图6)。类别包括:0<H/W<1;1<H/W<2;2<H/W<4;H/W>4。
② 绿视率
语义场景解析是场景理解的关键技术之一,其目的是识别和分割一幅自然图形中的对象实例。在DCNN的支持下，场景分析模型PSPNet，可赋予图像中每个像素一个类别标签，像素化精度达到79.70%。这种方法不从照片中寻找误差较大且难以定义的“绿色”像素,而是直接学习绿化植被的视觉特征,识别出乔木、灌木、花卉、蔬菜等各种植被。本文通过深度学习模型PSPNet识别街景图像中的植被，统计植被的像素占比(图7)。
③ 建筑界面指标
店招个数:通过深度学习模型识别街景图像中店招数目，将街道段中所有取样点的店招数目计算均值，计为该路段平均店招个数，可避免各路段因取样长度和样点总数不同造成的差异，单位为个/取样点(图8)。
④ 界面通透性
人工标定获得训练集数据，建立深度学习图像识别模型利用语义场景解析，对上海街道空间进行要素解译，输入所有点位的图像数据识别出通透界面要素如街道的开口处、玻璃面等(表2)，再分别汇总每个街道点位对应的东、西、南、北四个方向的要素构成，计算该点上各街景图片中透明界面占构筑界面的比例，数值为百分比。
⑤ 城市功能指标
地图兴趣点(POI)来源于2019年高德数据9类POI汇总，街道功能密度指各街段中每100m的功能业态的数量，具体分为居住、商业、交通、餐饮娱乐教育培训、医疗服务、企业工厂办公、政府机构及社会团体、绿地9种功能类型。具体量化方式:功能密度=总功能数量/街道长X100，单位为个/千米。
⑥ 宏观形态指标
本课题从OSM 网站中对上海市及其他国内外城市以500×500米单元进行取样，获取街道原始空间数据(图10)。然后在Arcmap中按街道形态与功能提取街道、土地利用、建筑三类数据集,获取路网密度、街区尺度、街区建筑密度、容积率等宏观城市形态参数指标。开放空间比例为公园绿地、水面面积除以500×500 取样区域的面积长度之比值，开放空间比例越高，街道越易被横向的街道所打断，街道空间被感知不连续，但是街道的绿化比例越高，感知越宜人。
(4)街道近人空间参数指标与宜人感、安全感感知的关联研究
课题基于街景图像、三维建筑数据、POI数据与图像识别技术、深度学习技术等多种方法的集成应用,研究街道的四类指标与个体对街道的宜人性感知展开探索，构建数理模型来辨别与宜人性感知相关的关键因子及数值，从而对上海街道设计提出指引与建议。
① 街道宜人度感知相关研究及主要结果
将街道宜人性心理量得分与客体指标输入SPSS软件，进行Pearson相关性分析，将该街道的12个四类指标进行归一化处理作为自变量，宜人指数视为因变量，选用回归分析的方法，来确定那些特征对宜人指数有显著的影响。
第一，街道宜人性感知与表示街道物理空间特征的3个指标存在3对相关表明它们之间关联很强，这类心里感知受物理指标的影响最大;第二组表示街道界面特征的2个客体指标与心理感知相关,表明街道空间和氛围吸引力的感知受界面指标作用也较大;但是第三组表示城市功能要素的3个客体指标与各个心理感知均无相关性，表明城市功能指标对街道环境的感知基本没有影响。
第二，绿视率对于街道的宜人性、安全感的心理感知都具有显著影响，并呈正相关,此多元统计分析表明街道绿视率是影响个体对街道空间感知的最关键指标。相关研究也表明，绿化研究有助于减缓使用者在空间中的压力，从而影响个体对街道的宜人性的感知 。
第三，宏观层面的建筑密度、开放空间比例与街道的安全感知为最明显的负相关，建筑界面的围合与限定才能形成街道，从而街道空间感知与沿街建筑的覆盖率着密切的联系，但是过高的建筑密度会让个体感觉拥挤，从而影响街道的宜人性感知,而这也与前面的绿视率是引导人的宜人感知最为重要的因子相互印证第四，多元统计分析结果表明，预期与客体指标相关的评价因子与本次分析所得的相关评价因子存在差异性，如本文预期街道功能密度、功能多样性与街道的宜人性感知相关，统计分析却表明二者弱相关，街道宜人性只与绿视率、建筑密度指标强相关，推测城市功能指标是影响街道其他感知如街道活力、街道可步行性的重要因素。
② 安全度感知相关研究及主要结果
……
还有更多成果内容，详见项目结题成果报告。该项目报告共计23页，关注城市数据派微信公众号，在微信公众号对话框中输入2471，即可获得报告全文PDF的下载方式。
原文始发于微信公众号（城市数据派）：基于多源数据与图像分割、智能识别技术等，对街道近人空间的量化研究丨城市数据派
