基于深度學習街景影像解譯和景感生態學的視域環境定量解讀

張永霖,付 曉

中國科學院生態環境研究中心,城市與區域生態國家重點實驗室, 北京 100085

城市環境是由自然和人工要素組成的復雜巨系統,是人類生存發展的載體[1]。隨著經濟的發展、城市化進程的加速以及基礎設施的逐步完善,許多城市中的自然要素逐漸被人工建造物替代,人本尺度下的城市外貌、形態、結構和布局不斷改變,新的城市要素不斷地沖擊著公眾對城市的意象感知,影響著公眾的生活品質[2]。因此,從公眾的視覺感知層面解讀城市環境對于城市可持續發展具有一定作用,能夠提升城市視覺環境質量、改善和延續城市歷史文化風貌、保障人與自然和諧共生,幫助城市管理者和規劃人員從宏觀層面把控城市環境細節,以城市公眾視角進行換位思考,豐富城市環境品質提升策略。

目前已經逐漸形成了科學成熟的量化手段來挖掘城市理化特征,例如利用遙感影像計算物種多樣性、豐富度、歸一化植被指數和景觀指數等,然而這些“自上而下的”研究方式仍存在一些不足：1) 缺少合適的科學理論針對城市環境內人本感知情況開展定量解讀；2) 研究視角與公眾感知視角很難耦合,不能很好反映人本尺度的感知情況；3) 很難同時保證大范圍、細粒度的計算結果[3-4]。因此,需要從理論和技術層面展開深度融合,以符合公眾的視角“自下而上”地解讀城市環境。學者趙景柱首次提出了“景感生態學”的概念：指以可持續發展為目標,基于生態學的基本原理,從自然要素、物理感知、心理感知、社會經濟、過程與風險等相關方面,研究土地利用規劃、建設與管理的科學[5]。研究系統闡釋了景感生態學理論、迷碼數據(多源混合數據)、趨善化模型等內容,利用先進技術手段測量環境感知,分析了生態系統服務功能與可持續發展之間的關系,為探究城市生態系統與人本感知的復雜聯系提供科學依據[5-7]。

景感學重點關注的五感,包括視覺、聽覺、嗅覺、味覺和觸覺。其中,視覺感知提供的信息最為有效且豐富,幫助人們捕捉信息、指引行為、獲取美學感受等。然而,目前對人本尺度和視角下的感受程度進行量化仍比較困難。傳統的側重于城市視覺環境方面的研究往往采用了現場拍照、發放問卷或踏勘的形式,但這些手段具有獲取樣本數據量少、覆蓋范圍小、精度較低、受外界制約因素影響程度高等缺陷[4]。隨著地理大數據技術的推廣深化以及人工智能工業應用的蓬勃發展,越來越多的科學家嘗試結合人工智能手段和地理空間大數據展開系統、深入的挖掘[8-9]。景感生態學主張采用物聯網數據、地理信息大數據等能夠反映人本尺度感知的迷碼數據來開展景感生態規劃[5]。其中,街景影像(一種包含互聯網地理標簽的影像數據)是一種適合開展人本尺度下物理環境評估的大規模數據源,可作為公眾視覺感知的載體或數字化替代品納入迷碼數據體系中[10-12]。一些發達國家城市已經開始利用海量街景影像來開展城市物理環境的評估和輔助設計工作。例如,Rundle采用了谷歌街景影像對人本尺度的城市環境展開了定量化審計工作,在數據覆蓋范圍、可獲得性以及準確度方面有了顯著提升[13]。Naik的研究從城市安全規劃與設計的角度利用街景大數據進行地理空間規律分析,幫助實現與優化更具有安全感的城市界面[14]。Li使用街景大數據復現了波士頓的城市意象研究,證明街景及其量化技術能夠對道路景觀優化有一定幫助[15]。通過文獻調研發現,大多數相關研究主要關注發達國家城市或中國香港地區[13-18],且研究主要試圖耦合街景大數據和深度學習方法去解決城市規劃與景觀設計方面的科學問題[9-19]。因此,利用上述手段開展我國城市視域感知的生態規劃類研究仍存在較大的探索空間[20-24]。

綜上,本文基于景感生態學理論[25],引入海量街景影像和深度學習量化方法來解讀人本視角下的城市物理環境,以北京市六環范圍開展實例研究從而客觀了解城市視覺環境的空間布局及規律。在存量背景下的城市環境建設進程中,可借助本文方法作為景感生態學中的定量分析工具,旨在提升城市公共環境品質,促進城市環境發展的公平性。

1 研究區概況

北京市作為我國的政治、金融、文化和科技中心,同時也是京津冀城市群的發展核心,在經貿、生態保護、制造業等方面具有巨大的國際影響力。北京市六環區域地處北京中心位置,區域內人口經濟活動、科教娛樂設施相對密集,城市建成空間與自然要素混合程度較高,是具有代表性和典型性的超大型都市研究區。本文研究區范圍及行政區劃如下圖1所示。

圖1 研究區范圍Fig.1 Study area

2 研究方法

本文的研究方法主要包括3個部分：1)Detectron2深度學習的圖像解譯框架；2)街景影像數據的獲取；3)景感視率評估指標。利用深度學習對視覺層面的景感要素進行測度,其目的是測量公眾對城市環境中的主要視覺景感要素(天空、綠植和建筑等)。然后,將互聯網街景影像作為主要數據源,用以表征城市內人本尺度和視角下的物理環境。最后,定義景感視率指標用于計算人本尺度下視覺感受程度,從而繪制景感地圖并進行定量解讀。

首先,文中街景視覺信息解譯技術采用了目前十分先進的Detectron2深度學習框架。得益于深度卷積神經網絡對圖像中復雜多維特征的學習和識別能力[26],該框架能夠識別、框選前景物體(行人、汽車、路標等)同時分割背景環境(天空、植被和建筑物等),量化其所占圖像比例(如圖2所示),更為精確的量化城市空間的視覺景感(簡稱為“視感”)。通過耦合多種預訓練模型集成了關鍵點檢測、人體姿態評估、目標識別、語義分割多個模塊,能夠在單次計算的過程中同時解決多個業務目標。本文利用該框架對街景影像進行批量解析,并計算出每一張影像中的視感要素(指人類視覺尺度可以捕捉到的某一類物體)占比。

圖2 Detectron2 街景影像分割框架Fig.2 The Detectron2 street view images segmentation framework

其次,本文通過網絡爬蟲技術獲取了北京市沿路街景數據,樣本間隔為100 m,每一個樣點對應一張360°街景全景影像(由六張等間距街景表征)用以全面覆蓋人本視角下的景感空間(示例街景影像及其解譯結果如下圖3所示),最后共篩選出攝于2015年4月至10月的約33.6萬張影像(56000個全景樣點),每一張圖像的長寬像元數均為600。爬蟲軟件的代碼編寫參考了Zhang的研究,最后實現了對海量街景數據的自動化獲取[27]。每一張街景影像都包含了拍攝時的地理坐標,用以表征該地理位置的城市視覺環境。文中涉及到的腳本程序均由Python語言編寫,地圖可視化和空間分析工作則主要使用了ArcGIS 10.5。

圖3 街景影像示例及其解譯結果Fig.3 The street view image examples and their interpretation results

最后,街景影像數據及解譯技術均為量化視覺層面感知提供服務,通過海量街景影像和解譯框架能夠自動地計算景感視率指標。本文對景感視率(Landsenses View Factor, LVF)指標的定義為：某一物理環境要素像元數(如樹木、汽車、圍墻、天空等景感要素)占街景影像總像元數的比例,代表了公眾位于物理環境所能觀察到的某一景感要素的概率或感知程度。通過探索性數據分析發現,綠色植被、天空和人工建筑要素占全部影像的比例均值之和高于0.66,可判斷它們為主導型景感視率。因此,本文側重對主導型要素,即綠色植被、天空和人工建筑三大城市環境要素展開定量評估,對應指標名稱分別為景感綠視率(Landsenses Greenery View Factor, LGVF)、景感天視率(Landsenses sky View Factor, LSVF)和景感建筑視率(Landsenses Building View Factor, LBVF)。

3 城市景感視率可視化分析

利用街景大數據以及Detectron2深度學習框架將研究區內3種主要景感視率進行解析,隨后借助GIS進行地圖可視化,來觀察景感視率在空間分布上的一般規律,如圖4所示。展示了每一種景感視率的取值分布,結果顯示3個變量比較接近正態分布,因此實驗樣本具有較好的代表性。

圖4 景感視率地圖及取值分布Fig.4 The Landsenses View Factor maps and value distribution

從整體的空間布局來看,圖4中景感建筑視率從整體上表現出內高外低的遞減特征,四環路內的城市空間呈高值聚集區,而四環外相對較低,說明人本尺度的建筑感受程度存在明顯的內外分異,在城市中心附近(尤其是東城區、西城區以及四環內的海淀區部分)的城市建筑會帶給行人較強的“閉合感”。這是由于這些區域大多是金融、商貿、互聯網企業和歷史文化建筑聚集地,建筑密度相對較高,大眾視角下的建筑視感強烈。

圖4中景感綠視率的可視化地圖表現出了由內向外“高-低-高”的波動變化趨勢,四環以內、五環至六環之間的城市空間的綠色景感相對更為強烈,而四環至五環內的景感綠視率整體偏弱,說明研究區內綠植視感具有明顯的空間異質性,居民可獲得性和公平性在空間上差異較大。城市園林綠化部門可根據實際情況適當增加低值聚集區域的垂直綠化,提升居民對公共空間的綠色獲得感。另外,還可以在閑置空地上增設小型綠地游憩空間,提升居民對綠色基礎設施的通達性。一些研究證明了城市綠植對于公眾健康和生活質量提升具有積極作用[28],甚至會顯著地影響到居民情緒,因此加強對綠植感受偏弱的局部城市區域、提升綠化資源的視覺感受可作為未來超大型都市存量規劃工作的側重點。

圖4展示了研究區內景感天視率的空間分布,能夠明顯看出城市環路、高速路附近的天空開敞感較高,而這些道路之間的區域帶給人的“包圍感”更為強烈。結合圖4可以理解這一現象,建筑更為稠密的地方由于視覺遮擋會減少行人對于天空的獲得感。一些國外的實證研究表明,城市居民長時間處于建筑空間之內會增加心里壓抑感,如果嚴重甚至會引起精神緊張、焦慮等不良癥狀,顯著影響公眾身心健康,不利于社會和諧穩定與城市的可持續發展,但提升綠色植被的視覺能見度可以顯著緩解這種現象[29-30]。已建成的建筑無法輕易進行改變或拆遷,城市管理和規劃部門可通過增加行道樹、綠墻、空中花園或綠色屋頂等綠色基礎設施[31],以景感設計為手段彌補綠色視感相對匱乏的城市空間[6],提升人居自然綠色空間的獲得感。

4 城市景感視率聚類分析

為了進一步探究城市環境中視感的空間分布規律,本文以景感建筑視率、景感天視率以及景感綠視率作為3個主要特征變量展開K-Means聚類分析,分類數量根據經驗及多輪實驗后設置為3。聚類統計結果顯示,該算法的輪廓系數為0.52(聚類效果的測度,值域在-1至1之間,值越高說明聚類效果越高),說明了計算結果能夠滿足分析要求。最后,根據數據求出聚類中心分別為[0.123, 0.105, 0.430]、[0.141, 0.311, 0.159]和[0.318, 0.116, 0.174],特征矢量中的元素順序對應為LBVF、LSVF和LGVF。

本文以平行坐標軸圖的形式展示3類景感視率的特征值分布,每一條折線對應一組記錄,如圖5所示。結合聚類中心以及特征值的數據分布,可以發現景感特征值聚類出3種不同風格的城市視感類型：第1類的LGVF值明顯高于LBVF和LSVF；第2類的LSVF值顯著高于其它特征；第3類則是LBVF顯著高于其它特征。這3種類型在特征表現上出現了較為明顯的分異。因此,本文根據3個景感視率的聚類特征并結合景感視率的物理意義,將以上3類分別定義為：綠色景感空間、藍色景感空間和灰色景感空間(依次簡稱為綠色、藍色和灰色空間),并按照分類結果進行可視化,結果如圖5所示。

圖5 K-Means聚類分析結果Fig.5 The K-Means clustering analysis results

結果表明,北京市的灰色空間主要落位于東城和西城區,且在西單與東單附近出現明顯的空間聚集,此類城市環境中建筑“閉合感”比較強烈、天空和綠色占比少,屬于典型的人工要素(例如歷史文化建筑和金融街建筑等)占主導而自然要素視感相對較弱的城市環境。

聚類后的景感地圖(圖5(b))顯示藍色空間主要落位于北京六環的外部空間、環城高速以及城市快速路上,這是由物理空間比較開闊、兩側建筑較少導致。通過查看街景影像,發現許多路段處于高架之上,除了路面行車、兩側護欄和一些道路標牌之外的視覺要素種類較少,視覺空間開敞度較高,因此天空視覺要素為此類城市環境的主導景感意象。

北京市的綠色空間主要集中于城市中心(三環路以內的部分),但北部明顯要高于南部。三環以外的綠色空間主要呈向外延展狀分布,西側石景山附近、海淀區清河西北側區域、望京東北側區域,以及亦莊橋東南側存在非常明顯的綠色空間聚集區,在這些區域中綠色植被的可獲得性明顯強于其他地區,公共空間中的綠色景觀相對豐富。雖然許多管理者熱衷于采取大建公園和綠地的方式來提升城市綠化覆蓋和人均綠地等指標,但本文結果顯示,即使是在北京城區內綠地整體覆蓋水平已經達到并高于規劃標準的條件下,公眾視覺層面感知仍表現出“缺綠”現象,甚至這種現象在二環路以內表現得非常顯著,不利于城市視域環境的健康可持續發展。因此,在未來的城市更新項目中可以關注灰色空間內垂直綠化的景感生態營造,參考景感視率的解析結果,合理布置諸如綠色屋頂、綠色圍欄、生態綠墻和綠道等公共綠色基礎設施[32],使灰色空間逐漸向綠色空間轉化,降低高密度建筑群對行人的心理脅迫,提升城市環境的自然感、親和力和生命力,維護城市物理環境與生態空間的和諧共存。

綜上,本文基于街景影像和景感生態視角進行了“大尺度-細粒度”的視覺感知測度,結合數據可視化結果能夠為規劃師和管理人員提供景感生態規劃方面的建議。未來研究可以通過耦合其他公共健康數據、或公眾打分數據展開數學建模分析,進而挖掘不同城市景感視率對公民健康(如安全感、幸福感等心理感知測度)的影響,為營造安全、健康的城市環境提供景感生態規劃方面的改善意見,并將景感視率這一量化指標與具體的景感營造過程聯系起來,更好地為景感生態規劃服務,最終提升城市環境的智能感知、決策支持和視域環境管理水平。

5 結論

本文基于景感生態學并引入了結合海量街景影像和深度學習的定量分析技術,解讀了北京市六環范圍內主要的視感要素的空間分布現狀。結果發現北京市四環以內灰色空間聚集程度較高,而綠植視感相對匱乏,政府可以加強對景感地圖中的灰色空間管理,增加綠植方面的景感營造,提升公眾對綠化環境的可獲得感,將大尺度的綠地斑塊與人本尺度的景感視率有機結合,提升綠色環境對居民身心健康的積極作用。

本研究為城市環境評價提供了新的自動化解決方案,并依托于景感生態學基本思想對人本尺度的視覺感知展開了重點探索,得益于街景迷碼數據的優勢以及景感生態學理論的支持,能夠保證“大尺度-細粒度”的量化分析結果。在理論和方法層面為未來的景感生態規劃提供輔助工具,為生態規劃人員和管理者提供了“自下而上”的把控人本感知狀況的分析思路,旨在提升城市視域環境的智能管控和優化。