规划问道
数据精英春季特训营火热来袭！
行业大咖亲授，
实战项目演练，
高效学习路径，
点燃你的数据潜能！
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
青年科学基金项目：
项目名称：基于街景图像的街道空间宜步行性测度与影响机制研究
项目负责人：叶洋
依托单位：哈尔滨工业大学
项目摘要
街道空间步行品质一直是城市设计领域关注的核心问题，而大数据技术带来的新数据环境给街道空间步行品质研究带来了新的可能性。本研究利用街景图片数据对街道空间宜步行性进行多维度测度和影响机制分析。
首先突破了传统研究方法仅适用于小规模人工化分析的桎梏，通过机器学习对街景图片要素识别与量化，实现大尺度范围内对街道空间宜步行性的高精度测度；其次拓展了当前研究针对有限街道空间要素测度的局限，通过训练人工神经网络深度学习，建立了多维度的街道空间宜步行性评价模型；最后通过空间要素评价结果与街道模式的拟合分析，揭示了空间要素对于不同模式街道宜步行性的影响机制。
研究成果给未来开展多环境因素耦合作用的城市空间品质测度奠定了坚实的基础，并有助于将街道空间步行品质纳入到数字化城市管理体系之中，给精准制定街道步行品质优化策略提供了有力支撑，对我国推进城市治理体系和治理能力现代化，打造“智慧城市”具有重要意义。
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28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 25218，即可获得报告全文PDF的下载方式：
(1)主要研究内容。
1.基于寒地城市特征的街道宜步行性评价量表建立。分析梳理寒地气候的特征和寒冷气候下行人步行的需求特征。通过对寒地街道的特征分析选取相应的测度维度及指标，通过专家问卷进行指标筛选、维度归纳及权重赋值，最终获得街道宜步行性评价量表。
2.基于开放数据的宜步行性评价指标计算方法构建。基于当下可以开源获取的数据，建构量表内每项指标的量化计算方法，建构计算方程式，保证其中每个变量数据可从街景图像、POI数据或街道数据等开放数据中直接获取或获取后通过编程自动计算，以确保在该方法下，所有指标的测度可以在大范围内进行。
3.街道宜步行性量表的应用及可靠度验证。按获取数据、整理数据、量化测度计算、结果可视化的过程测度哈尔滨市的宜步行性。并设计主观感知评价实验通过预实验、正式实验、测度结果与主观感知结果相关性分析三步，验根据本测度体系所计算出总宜步行性结果的有效性。
4.基于步行模式分析的空间优化设计策略。基于哈尔滨市主要城区所有街道的宜步行性测度结果,通过均值聚类法将街道按不同维度测度结果值的特征进行分类，确定不同模式街道在各方面的优化方向，并提出优化策略。
(2)取得的主要研究进展、重要结果、关键数据等及其科学意义或应用前景。
主要研究成果1:
从人本视角出发提取对宜步行性相关的街道空间要素，并建构街道空间宜步行性评价量表。
街道特征通过个体反应影响宜步行性处于环境中的个体,整体性认知先于个体特征，步行主体在不同的背景下，对街道品质具有一定的认知定势，在这种作用下直接出发认知情感，形成综合的认识，在街道环境中则是对于整体宜步行性的印象与反应，是信息的通过、处理过程。例如能让行人感受到心理上愉悦和舒适的街道物质环境，可以激发行人的感官刺激，形成舒适感、愉悦感，增加行人的出行意愿;具有各方面适宜特征的街道空间，承载日常各类活动，为街道场景提供各方面吸引能力，形成趣味感、认同与归属感，从而促进居民主动步行出行(图 1)。
由于街道空间环境要素的构成要素复杂,单一指标并不能对其空间属性进行全面的描述，各指标间的重要性也有较大差异，需要对所建立的测度体系进行综合评价。层次分析法(AHP)可以对复杂模型进行整理比较，将与决策有关的指标分成不同组成要素，并进行定量与定性描述相结合的决策方法，通过每个层级所有指标要素间两两对比，最终得出各要素在体系中所占有的比重，获得综合评价矩阵。
首先建立层次结构模型，目标层为寒地城市街道空间宜步行性测度，准则层B是对于问题所分析的维度。决策目标、各维度、各项指标按照上下层级相互归属关系、同层级并列关系进行依次构建测度体系，完成层次结构模型的构建。在此基础上构造判断矩阵，通过所构造指标要素判断矩阵，将矩阵中的要素依次进行两两进行比较。然后进行专家评价指标，将判断矩阵问卷下发城市设计、城市研究领域内的25位专家,并根据25份专家收回问卷中各项指标两两比较的结果得出各个要素的相对权重值。最后进行一致性检验，通过数学矩阵建模方法，将上述同层级五个维度、十二项指标进行两两对比，得到结果可以被接纳的权重值结果。本研究采用yaahp软件对测度体系指标进行权重赋值，最终确定每项指标权重，最终结果如表1所示。
主要研究成果2:
建立量表中各要素的计算方法，保证其中每一个变量都可以利用街景图像和其他开放数据中获取，从而实现该量表可以在大尺度范围内高精度测度街道空间宜步行性。
(1)可达性
在可达性子尺度中，提出了两个用于分析道路网络的指数。在分析道路网络的方法中，空间设计网络分析(SDNA)便于计算这些指数。为了使用SDNA 中的计算方法，我们将道路描述为由节点和边组成的网络，并将交叉点作为这些边的端点。中间性的定义是该节点被选择的程度，即流量按照最短路径通过该节点的概率。节点被选中的程度,即交通流按照最短路径通过该节点的概率间距指数越高,说明网络中的节点越容易到达,可以承载更多的行人流量;反之，间距指数越低，说明网络中的交通流量越少。接近度是指在步行半径范围内，从点到网络其他部分的难易程度。接近度指数高的网络往往更容易到达、更集中，对特定区域内的交通流更具吸引力。对于特定的城市空间，接近度和间距分别对应于到达步行行为和穿越步行行为。接近度高的路径更有可能吸引人流并聚集互动活动;间距高的路径则可能通过路过和非目的性活动吸引更多人流。在城市场景中，这两种活动密不可分，共同参与创造城市空间的活力。因此，在探讨行人可达性时，将对这两个指数进行综合分析，公式及计算方法见表2。
(2)便利性
便利性是综合POI数据和街道网络数据计算得出的。公共交通的可达性用”接驳指数”来表示，指街道中心一定距离内公共交通点的数量，包括公交站点和地下车站。功能设施丰富指数是衡量出行目的地种类丰富程度的指标其值代表居民是否能在较短的距离内获得更广泛的服务。在本研究中，功能设施丰富指数根据香农-韦弗多样性指数进行量化。功能设施服务指数代表街道两侧基本服务设施的密度,即每段街道覆盖范围内不同类型的居民服务POI数量与该段街道步行空间长度的比率，公式及计算方法见表3。
(3)适候性
针对哈尔滨所选的研究区域，三个气候适应指数实例–积雪承载能力、太阳直射指数和冬季风环境指数被用以表征适候性(表4)。积雪承载能力指的是人行道两侧空间容纳铲雪产生的积雪的能力。空间不足会导致积雪滞留在人行道上，成为行走的障碍，而积雪白天会融化，晚上又会结冰，使人行道表面变得湿滑，对行走造成危险。在这项研究中，通过裁剪街景图像并保留图像的下半部分来计算雪负荷指数，以草坪覆盖的比例来表示积雪承载能力，即图像中草坪面积越大，雪的承载能力就越高。
一项关于冬季热环境质量主观感知的研究发现,居民在户外行走时对温度的感知与街道空气温度之间基本没有显著相关性,但居民对日照条件和风速大小更为敏感。因此，本研究将冬季风环境指数和太阳直射指数纳入气候适应子量表。典型寒冷城市街道的风速受街道朝向、街道形态和街道范围的影响最大。
(4)视觉舒适性
植物景观指数和建筑暖色是构成视觉舒适性的两个要素(表5)植物景观指数一直是评估城市环境和步行能力的重要因素。研究表明，即使在冬季落叶或枯黄时，植被仍能通过增加视觉效果来鼓励人们步行和在街道上停留通过增加建筑环境的视觉丰富度来鼓励人们在街道上行走和停留。在本研究中植被景观指数是根据语义分割识别出的街道图像中各类植物所占面积与整个街道界面总面积之比来计算的。走在街道上，除了天空和植物，水平视野中最重要的元素就是两侧的建筑物。在寒冷的城市街道上，使用暖色调的建筑立面可以给行人带来心理上的舒适感。在行人视野中，暖色调建筑立面的比例越大，行人的视觉舒适度就越高。本研究采用的计算方法是在Pvthon程序中使用OpenCV库，对语义分割后的街景图像进行批量抠像，只保留建筑区域。RGB暖色像素在图像区域中所占的比例即为建筑色彩指数。
(5)安全性
通过专家问卷，机动车指数和人行道指数构成安全性衡量指标(表6)。机动车指数通过计算街景图像中机动车辆的像素面积来量化机动车辆对行人安全的影响。机动车对行人空间的影响越小，行人就越安全。人行道面积在街景图像中所占的比例将量化为人行道指数。街道上的人行道面积越大，行人就越有远离交通的安全感。同时,更大的人行道宽度意味着街道上可以容纳更多的行人自发地形成”街道上的眼睛”，这是一种既定的理想城市设计品质，有助于行人安全。虽然如果不进行复杂的透视调整，就无法确定具体的面积，但人行道宽度的相对面积可以被感知，并与更大的行人活动范围和步行安全水平联系起来。
主要研究成果3:
在哈尔滨主城区范围内测度街道宜步行性的各项指标及总体宜步行性，并进行评分和可视化，获得哈尔滨主城区范围内街道宜步行性的分布情况，也证实成果2的可行性。
根据前文所构建的宜步行性测度体系计算,首先由各指标结果按自然分段法赋值，再将赋值结果各项指标在测度体系中的权重进行计算，得到寒地城市哈尔滨市的宜步行性总体结果，并按十等级自然分段高低分类并统计得分结果，得分结果符合正态分布，结果较为理想，整体结果在可以接受范围内。从结果可视化图像可以得出，高宜步行性解答分布范围主要集中在老城区三区中心区、南岗区小部街道分散分布、香坊区大学校园片区的小部分街道。低宜步行性街道主要分布于铁路沿线区域、群力新区街道、香坊区边缘街道等部分。高分数值街道类型主要为城市支路和次干道，低分数值类型主要为片区内部道路及高等级快速路、主干道等街道。
各指标所在维度的通达性、便利性、适候性、舒适性、安全性五维度按权重计算结果可视化显示(图15)，通达性与道路网密度分布相关性大，每部分高通达性片区中，主干道是通达性最高的街道类型。便利性分布结果显示老城区大部分区域便利性较高,外环区域特别是香坊区部分区域便利性较低。适候性结果中，老城区内部按街道走向来看，横向街道的值大部分大于纵向街道，外围城区街道适候性差别不大。舒适性结果中，高值街道分布较为均匀集中，高值街道主要集中于公园、高校等范围。安全性维度中，老城区大部分值较低，新城区大部分街道值高。
各个指标的测度结果见图3，可达性的结果反映了城市道路网的分布情况主干道是城市各区域最易到达的街道类型;间距指数显示，老城中心居住区的大部分主干道得分较高，说明这些区域的街道网络密集，步行路径选择较多。紧密度指数的结果显示出点状布局，全城开放居住区的得分高于周边地区。
便利性的测量结果显示，主于道和商业区的便利性明显高于城市其他区域。主干道和商业区明显高于城市其他区域。连接指数与城市主要交通道路和地铁线路的分布有关，呈现出明显的”环+带”形态，在城市各区域分布较为均匀。功能多样性指数结果表明，城市大部分区域的生活配套设施比较齐全，市中心和东西两侧新开发区域的居住区多样性较高,沿江风光带和商业区的多样性得分中等但从功能密度指数的分布结果来看,设施密度较高的区域仍主要集中在市中心和主要商业区。
……
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28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25218，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）：未来城市设计新方向！街景图像+AI：如何精准测度街道步行品质？丨城市数据派
