【编者按】为了更好地推广学者的研究成果，我们将不定期地推送一些尚未见刊的稿件的精华观点，以飨读者。本文为本刊已录用文章《基于街景数据和深度学习的街道界面渗透率大规模测度研究——以上海为例》的精华版，作品的发布已取得作者授权。欢迎读者指正、讨论。在此感谢在百忙中抽出时间撰写精华版的作者，你们的努力让学术论文的阅读体验变得更好。
随着当前城市规划与设计的精细化转型，人本尺度下的街道空间品质特征研究日益受到广泛关注。作为影响街道空间品质的关键要素之一，街道渗透率是指街道底层门窗洞口面积占底层界面面积的比例（图1）。既有研究表明，良好的街道渗透率有助于促进街道活力[1]，提升行人对室内活动的感知[2]，丰富行人街道体验[3]和保障街道安全[4]。然而，其高效的评价与测度方法目前有所欠缺，测度方式主要依赖于成本高、效率低的手工分析，难以大规模和高效开展测度。针对这一问题，本研究基于开源街景数据和机器学习算法，提出了一套人本视角下街道渗透率大规模、精细化测度和分析方法。
笔者选取上海中心城区为研究范围进行实证研究（图2）。上海目前的城市建设愈发重视城市空间品质的精细化评价与提升，以上海为研究对象具有现实需求和意义。
研究分析步骤由大规模图像获取、代表性图像的选取与标定、评价模型的训练与校核、大规模指标计算四个阶段构成（图3）。
研究首先基于上海中心城区的百度地图路网，以40m的采样间距形成了243402个街景采样点（图4），每个采样点朝街道两侧视角抓取图片2张（图5），共获取48.6万张图片。
随后研究抽样选取了代表性街景图片并基于makesense.ai开展图像标定（图6），接着在Tensorflow平台上部署机器学习算法训练和完成街道渗透率特征识别模型。最后，研究基于训练模型开展了所有街景图像特征要素识别与渗透率计算；机器学习结果与手工标注和测量结果校核证明了该方法的有效性（图７）。
图7 代表性图像示意：原始图像、机器学习结果与手工标注和测量结果
结果显示，上海中心城区内街道渗透率存在明显空间异质性，中心城区街道渗透率呈现出“内部高、外围低”的总体格局（图8）；内环内街道总体保持了更高的街道渗透率（图9）。
近年来，新数据和新技术的涌现和持续发展为人本视角的大规模、精细化城市环境特征分析提供了可能性。在此背景下，本研究提出基于街景大数据和机器学习的街道界面渗透率的测度框架，实现了测度“不可测”。这种将经典城市设计要素与新数据、新技术的深度整合的方法为人本导向的城市设计实践提供了有力支持，同时兼具大规模与高精度的宏观图解也有助于设计师对街道空间深入认知。UPI
[1] 陈泳, 赵杏花. 基于步行者视角的街道底层界面研究——以上海市淮海路为例[J]. 城市规划, 2014(6): 24-31.
[2] JACOBS A B. Great streets[M]. University of California Transportation Center, 1993.
[3] GEHL J, KAEFER L J, REIGSTAD S. Close encounters with buildings[J]. Urban design international, 2006, 11(1): 29-47.
[4] JACOBS J. The death and life of great American cities[M]. Vintage, 2016.
作者：邵源，深圳市城市交通规划设计研究中心，副总工程师，教授级高级工程师，城市交通研究院院长
叶丹，同济大学建筑与城市规划学院，高密度人居环境与生态节能教育部重点实验室，博士研究生
叶宇（通信作者），博士，同济大学建筑与城市规划学院，副教授；同济大学生态化城市设计国际合作联合实验室计算性城市设计分中心主任。yye@tongji.edu.cn
原文始发于微信公众号（国际城市规划）：期刊精粹 | 基于街景数据和深度学习的街道界面渗透率大规模测度研究——以上海为例【抢先版】
规划问道
