多源數據與深度學習支持下的人本城市設計：以上海蘇州河兩岸城市綠道規劃研究為例

葉宇 黃鎔 張靈珠

隨著中國城市發展步入后半程，當前城市設計正在進入以存量設計為主導類型、以品質提升為主要任務的新階段[1]。在此背景下，切實、有效地提升城市空間品質已成為城市建設新階段的工作重點之一。2015年中央城市工作會議和2017年城市雙修都明確指出改善人居環境、提升空間品質是當前工作的重點。在國家發展思路轉變的同時，地方政府對于城市空間品質的追求也日益提升，相關品質導向的設計實踐不斷涌現。既有立足宏觀層面，將品質營造融入各層級城市更新與設計的探索，也有聚焦微觀層面的微更新和微改造嘗試[2]。

1 品質營造需求下量化設計分析范式的興起

1.1 高品質、宜慢行的建成環境品質測度：3D和5D概念

建成環境作為城市設計在空間上的反映，是影響居民活動的重要載體。隨著空間品質作為城市設計的重要目標日益受到關注，越來越多的研究者嘗試將量化分析引入其中，希望能更好地測度以往難以準確界定的“品質”概念，從而為品質營造提供更精細化的支持[3]。典型的代表是羅伯特·塞韋羅（Robert Cervero）和卡拉·科克曼（Kara Kockelman）提出的“密度（density）、多樣性（diversity）、設計（design）”的3D概念[4]，其影響和應用非常廣泛，常被用于探究建成環境對于居民通勤或活動的影響。之后，瑞德·尤因（Reid Ewing）與羅伯特·塞韋羅（Robert Cervero）又引入“目的地可達性”（destination accessibility）和“交通距離”（distance to transit）這2個變量[5]，形成5D概念，被廣泛應用于建成環境品質研究。

1.2 人本導向的城市綠道規劃與設計：需求與難點

隨著對于人性化、品質化城市空間追求的深化，城市綠道也作為空間品質提升的有效途徑日益受到重視。城市綠道是可以串聯公園、公共綠地等開放空間的線性開放空間，其用途不限于單純的自然和生態環境改善，還具有城市觸媒效應，可作為富有活力的城市公共空間來激活片區、重塑風貌[6-7]。隨著這一現象在業界與學界成為共識，綠道已作為城市更新中重要的部分成為越來越多研究和設計實踐中被討論的對象[7]。在最近幾十年中，由于高密度城市中心區空間有限，將現有城市空間轉變為綠道已成為一種流行的解決方案，這方面著名的例子有紐約的高線公園（High Line）、亞特蘭大環線項目（The Atlanta Belt Line）和首爾的高線公園（Seoul High Line）等。城市綠道作為重要民生工程，理應更多從人本視角出發，開展人本尺度的精細化現狀分析和選線情景模擬，以保證相關項目建設可以切實為市民服務，提升市民在日常生活中的幸福感和獲得感。然而，傳統城市綠道適宜性分析仍面臨著一些問題和挑戰：一方面，傳統城市慢行空間設計往往從自上而下的視角出發，缺少人本尺度出發的精細化空間本底識別與選線效能評估，難以保證相關慢行體系的城市效能最大化；另一方面，傳統城市慢行空間設計難以定量化地把控每條路段上的空間與行為特征，進而有針對性地開展精準設計。

1.3 新城市科學涌現所展現的高品質建成環境5D理念測度新可能

伴隨著新數據環境逐漸發展成型，覆蓋全國范圍細粒度的建成環境多維度探索成為可能，推進了對于城市設計更加精細化的定量研究需求。一方面，新分析技術不斷涌現，GIS技術與 Geodesign理念在城市設計領域的逐漸運用提供了量化分析手段，智能化算法支持下的空間分析有望為空間本底識別與選線效能評估提供科學化支持；另一方面，道路網絡、興趣點、建筑底圖等高精度開放數據的出現為傳統不可測數據的測量提供了新的機會[8]，多源數據支持下的用戶畫像也有助于針對性地開展精準設計。這些新數據與新技術能提供人本尺度的精細化空間特征抽取，從而測度以往難以精準評估的各類空間品質，為人本城市設計提供新的可能[9-10]。

在此背景下，以往難以有效運用于實踐的5D要素的量化分析也逐漸涌現[11]。例如，相較于傳統測量方式，位置服務數據（location based service, LBS）定位數據可提供大范圍、全時段的人群行為活動信息[12]；采用興趣點數據（points of interest, POI）可對街道主導功能和功能多樣性進行分析[13-15]；結合街景數據（street view images, SVIs）與機器學習，綠化可見度、街景品質等可以被更高效、更精細化的評價[16-18]；街道基礎數據和空間設計網絡分析（spatial design network analysis, sDNA）軟件的結合讓大規模且精準的街道網絡可達性測度成為可能[19-20]。

綜上所述，多源城市數據的快速涌現，為采用5D理念測度建成環境品質提供了深入分析的可能。既有研究大多專注于建成環境品質的單一維度，僅有少數研究者綜合了 2個或多個維度進行街道品質測度[21]，一次性整合建成環境五要素的系統性分析則更為少有。針對這一研究現狀，本研究計劃立足使用者的人本視角，借助新數據和新技術對街道空間品質的諸多要素進行系統性測度，彌補傳統量化分析在規模與精度方面的不足。通過探索新數據環境下的精準分析框架，實現高密度建成環境下綠道選線潛力評估，即“在哪做”，和路段特征畫像，即“怎么做”。

2 研究設計

2.1 分析框架與關鍵指標

研究包括4個主要研究步驟：數據收集、關鍵特征提取、選線潛力評估與特征畫像 （圖1）。首先，研究收集了蘇州河兩岸片區的LBS、POI、路網基礎數據、美團營業時長數據、SVIs、精細化建成環境數據等多源數據。其次，從數據集中提取代表5D理論的 8個關鍵變量。此外，由于是面向實施的項目，還將路段的最大連續非機動化斷面寬度作為可建設性指標（表1）。再次，針對上述6個維度9個因素，通過AHP層次分析法計算各個因素的相對權重，進而將各個指標整合后形成綠道適宜性總體評分。最后，利用雷達圖繪制典型路段的特征畫像。多維度的整合分析可提供對于綠道選線和斷面設計的精準導控。

1 研究設計框架Research design framework

表1 關鍵維度的定量化測度路徑Tab. 1 Quantitative measurement approaches of key dimensions

2.2 研究案例：上海蘇州河兩岸片區

研究范圍為蘇州河兩岸靜安區南部區域，東起河南北路，西至江寧路，南至北京西路，北至交通路，總用地面積約440 hm2。其中，研究范圍內蘇州河北岸岸線長4.7 km，南岸岸線長1.6 km（圖2）。靜安區面積小，人口密度高，約6.4萬人/km2，居上海市各區首位。但至2016年底，靜安區人均公園綠地面積為2.7 m2/人，在中心城區位列倒數第三。與此同時，該片區可規劃的建設用地較少，綠地增量空間十分有限[22]。因此，在該區域展開城市綠道建設研究，有助于應對城市高密度開發建設所導致的環境品質下降、空間秩序混亂等問題[23]。

2 研究范圍Study area

2.2.1 高密度開發

相關測度從服務區開發強度、基于LBS的活動密度及基于街景數據篩選的人行計數3個方面進行。其中，開發強度的計算基于建筑三維空間數據，計算街道100m緩沖區范圍內的建筑容積率，即開發強度=緩沖區內總建筑面積/緩沖區面積。該街道周圍開發強度高意味著街道建設的高完善性以及高綠化需求。在綠道網絡規劃時，應考慮優先選擇高密度開發的街道。

活動密度測量采用基于騰訊宜出行LBS位置服務數據開展分析，選取工作日與周末的6個代表性時間段，利用Python計算機語言抓取實時人群位置分布。工作日共收集到20 405個數據點，周末共收集到15 436個數據點。如圖 3所示，每個點代表一個大小為 30 m的網格，數值高低代表活動強度大小。接著利用ArcGIS對數據進行清洗、空間配準、核密度分析等預處理工作（圖3），并采用空間合并工具，以50 m為緩沖區將LBS數據轉換到街道路段上，以反映當前街道及其周邊的使用強度情況。前述研究顯示[13]，對于上海的建成環境特征，這一緩沖區能較好反映實際情況。

3 根據騰訊平臺獲取的LBS定位服務數據，以周末（2020年5月31日18：00）為例LBS positioning service data obtained from the Tencent platform, taking the weekend (18:00May 31, 2020) as an example

對于街道行人計數，使用的是香港城市大學、北京交通大學和同濟大學研究者新近提出的方法，在天津的實證研究中顯示與實地手工觀測數據有較好一致性[24]（圖4）。具體操作上，首先以30 m為采樣間距生成街景采樣點，同時計算每個采樣點的經緯度以及采樣點所在街道段的地理方位；其次設置街景下載參數，通過調用百度及騰訊街景的API獲取采樣點在2018—2019年內的多期街景；接著對街景進行裁剪，使街道左右兩邊的 2張圖片盡量只覆蓋行人區域；最后利用LDCF算法檢測行人。此外由于街景獲取的是某一個時間點該采樣點的行人數量，而每條街道段有多個采樣點，行人在時空間上又是不斷流動的，因此以每一個街道段采樣點的平均值代替該街道段的行人計數。

4街道人行計數提取示例Example of pedestrian count detection

2.2.2多樣性

多樣性從基于POI數據的功能多樣性和基于美團數據的日均營業時長2個方面進行度量。隨著移動互聯網的普及，網上數據與實體設施之間的關聯度日益緊密，讓這一數據源成為城市研究的重要資源。研究利用Python和高德地圖API對研究區域內2 189個POI進行了提取，所有數據分為包括餐飲服務、教育、醫療服務和交通設施等在內的不同類別，可形成對于城市中各項功能設施（商業、商務、餐飲、公共服務等）的空間分布特征展示（圖5）。

獲取數據之后，分2步測量功能多樣性值：1）計算每個單元在日常步行距離，即 15 min、1 000m內[25]的POI總數；2）采用廣泛使用的熵指數[26]來衡量多樣性，該指數已應用于許多建成環境研究中[13]，具體計算公式為：

其中，pi表示街道單元內第i種POI類型占總數的比例，R是主要功能類別的總數，多樣性數值（Di）介于0 到1之間，每個街道單元的多樣性指數越大，代表設施混合度越好。

基于美團數據的日均營業時長可體現街道經濟活力，由于各個商家營業時長不同，差別較大，因此將店鋪營業時長歸納為早上06：00營業至下午15：00，上午09：00—10：00營業至下午15：00—18：00，上午08：00—10：00營業至晚上18：00—21：00，上午09：00— 10：00營業至晚上21：00—22：00，早上06：00營業至晚上22：00—0：00，早上06：00營業至凌晨0：00—03：00，中午11：00—12：00營業至深夜03：00—06：00，24 h營業8類 （圖6）。隨后通過將店鋪營業時長匯總到附近街道，比較各街道的整體營業時長情況。

6街道營業時長分布提取示例Example of street business hours distribution

2.2.3 良好的設計

如前文所述，街道的良好設計取決于街道景觀的視覺品質，它無形且難以測量。近來發展的街景圖像和機器學習算法為街道空間品質提供了可行的大規模定量測度方法[13,27]。本研究中，對街道空間視覺品質的測量包括 3個步驟。首先，在2020年5月，通過調用百度街景的API自動查詢活動抓取覆蓋研究范圍2 485個樣本點的街景圖像，每個樣本點間隔20 m，根據特定視角采集垂直于道路方向的前、后兩張街景圖像（圖7）。

7街景圖像采樣點分布Distribution of sampling points for capturing street-view images (SVIs)

其次，利用基于機器學習算法的卷積神經網絡工具（SegNet）[28]提取街景圖像中綠視率、天空可見度、建筑界面、道路機動化程度、步行空間、多樣性這6個關鍵空間特征，其可操作性定義依次為：綠色植被、天空、建筑界面、機動車道、步行道、柵欄燈桿等街道設施及家具在街景圖像中像素點的比例。隨后通過邀請專家對于樣本圖片進行兩兩比對（5 000次/人×10人），所得到的結果在人工神經網絡（Artifical Neutral Network, ANN）支持下開展評價模型訓練，進而運用訓練完成的評價模型實現大規模品質分數計算。

2.2.4 交通設施距離

本研究中交通設施距離是指各街道段中心點到達最近地鐵站點出入口的距離，利用百度地圖中提取的路網數據，可在ArcGIS中通過網絡分析計算得到。其距離越短，評分越高。

2.2.5 目的地可達性

基于sDNA可有效測度高密度建成環境下立體化空間的可達性，分析其與行人分布活動之間的關系。sDNA采用標準路徑中心線方法建構網絡，與目前能獲取的大多數地圖兼容。具體分析中，使用百度地圖中提取街道路徑中心線圖作為基礎網絡數據分析空間的“中間性”（betweenness），以表達行人選擇該路段作為穿越性運動通道的潛力，判斷研究范圍內可達性最佳的街道路段。空間網絡分析中，不同分析半徑下的可達性結果對應著不同出行行為的出行潛力。考慮到諸多實證研究表明軌道站步行影響范圍為500～800m[28]，因此本研究選用適合日常步行的800m作為分析半徑。

2.2.6 可建設性

作為面向實施的項目分析，除了從經典5D理論中提取的5個維度因素外，現有街道的可建設性也對綠道規劃與設計有較大影響。在實際出行中，非機動車道若頻繁被機動車交通阻隔和打斷，不僅會降低對步行和騎行者的吸引力，也會對步行安全和空間品質產生負面影響，因此選用最大連續非機動空間作為衡量街道慢行空間的可建設性指標。最大連續非機動空間是指街道斷面中連續的人行道、綠化帶以及非機動車道的最大寬度總和，這一寬度數值越大，在后續規劃建設中的騰挪空間越大，越便利于相應慢行空間的設計。

3 分析結果

3.1 新數據與新技術支持下的綠道選線潛力精準評估

3.1.1 關鍵維度的分析結果

為了方便比較，將與城市綠道適宜性相關的6個維度9個子項目的計算結果進行排序，按其數值由高到低等分為5類，具體劃分基于ArcGIS的分位數（quantile）方法。 圖8顯示了研究區域內從建成環境五要素出發的8個變量得分，這些變量衡量了每條路段作為城市綠道的選線潛力。一般而言，具有較高開發強度和活力的路段對人們吸引力也更大，應優先考慮納入慢行空間體系 （圖8-1～8-3）。同時，功能多樣性高、營業時長較長的街道，能夠提供更為豐富的活動 （圖8-4、8-5）。此外，較高的街道空間品質使人身心愉悅，可提升街道吸引力，更適宜被納入規劃中的慢行空間體系。研究范圍內各街道開發區強度沒有明顯的分布規律，且各路段差異顯著（圖8-6）。考慮到地鐵站點的巨大拉動作用及步行可達性對步行流量的影響，在慢行空間體系塑造時，還應考慮優先選擇這2個指標評分高的街道，有利于提升整個慢行空間體系可達性（圖8-7、8-8）。

8 影響綠道選線潛力的8類要素分布Distribution of eight elements affecting the potential of greenway suitability8-1 密度分析：建筑密度Density analysis: building density8-2 密度分析：活動密度Density analysis: activity density8-3 密度分析：人行密度Density analysis: pedestrian density8-4多樣性分析：功能多樣性Diversity analysis: functional diversity8-5多樣性分析：營業時長Diversity analysis: business hours8-6 設計品質分析：視覺品質Design quality analysis: visual quality8-7 交通設施距離分析：距地鐵距離Transport facilities distance analysis: distance to metro stations8-8 目的地可達性分析：路段可達性Destination accessibility analysis: road accessibility

最后，非機動車道斷面寬度越大，在一定條件下越容易成為潛在慢行空間，如圖9 所示，在研究區域內，蘇州河北岸地鐵漢中路站附近的恒豐路、恒通路、光復路，地鐵曲阜路站附近的曲阜路、西藏北路、晉元路、烏鎮路等路段，以及蘇州河南岸的新閘路等路段的最大連續非機動化空間較寬，應當優先考慮納入慢行空間體系。

9 非機動化斷面寬度分布Distribution of non-motorized section width

3.1.2 基于層次分析法的權重測定

通過邀請10余位建筑、規劃與景觀領域的專家運用層次分析評價方法（AHP）開展比選，計算上述影響城市綠道選線潛力評價的要素權重。根據前述分析，選定6個維度的 9個因素構建指標層，通過兩兩判別矩陣比較指標之間的重要性程度分異，對重要性程度按1～9賦值，數值越高表示前者比后者重要程度越高，最終確定各因素權重并進行整數化處理（表2）。

表2 城市綠道建設潛力評估：6個維度及9個子項的影響權重Tab. 2 The evaluation of urban greenway construction potentials: impact weights of six dimensions and nine sub-items

3.1.3 綠道選線潛力評估

進一步對6個類別共9個指標的街道數據進行標準化處理，使其結果映射到數值 1～5的區間，使各指標可比較，并根據上述AHP確定的各要素權重進行加權匯總：

其中：Di為前述表1中的各類選線潛力影響因素，而Xi則為對應的權重。

在此基礎上可計算得出城市綠道網絡綜合潛力值，其程度可由高到低分為5類，由深綠至淺綠排列（圖10）。蘇州河北側漢中路站附近的恒豐路、恒通路、漢中路等路段，曲阜路站的七浦路服裝批發市場，以及武定路街道西側的新閘路、泰興路、武定路等路段具有較高的綠道建設潛力值，連貫并且具備與蘇州河沿岸形成縱向聯系的可能，慢行網絡建設緊迫度更高，應優先考慮納入綠道規劃體系中。

10 城市綠道建設潛力值分布Distribution of urban greenway construction potentials

3.2 新數據與新技術支持下的路段特征畫像

這一數字化的分析模式不僅能用于選線潛力評估，還能快速生成各個路段的全面特征畫像。為高密度建成環境下綠道“怎么做”提供科學化、系統性的特征展示，在后續每個路段的具體設計上有的放矢，從人本尺度特征出發，展現相應的導控策略。

此處選取前述城市綠道建設潛力評估中比較值得注意的2類情況進行個案展示。第一類是綠道建設潛力最高的街道，例如梅園路（天目西路—共和路路段，圖11），其兩側建筑較高、開發強度大，街道兩側建筑界面多為商業型，與地鐵站曲阜路站距離較近，空間本底情況較好，紅線和非機動車寬度較窄，但步行通道較寬，步行可達性強，適合慢行。空間使用活力較高，活動量、街道活力以及經濟活力較高，現狀和規劃的流量分布較低。空間感知街道品質較高，綠視率和街道空間圍合度較高，而步行可見性略低。空間環境較好，開發強度和公交便利度較高，但綠地水體臨近性以及日常生活便利度較差。總體而言，空間本底好、空間使用活力較高、空間感知品質以及環境優越，只需進行街道層面的微更新，提升其步行可達性，即可直接納入綠道規劃體系。

11 城市綠道建設高潛力路段特征畫像Characteristic portrait of high potential greenways

第二類街道綠道空間本底相對較差，空間紅線和步行通道較窄，未設非機動車道，步行可達性較弱，不太適宜步行；而且空間使用活力差，活動量經濟活力、現狀和規劃的流量分布差，街道活力一般（圖12）。但空間感知街道品質較高，街道空間圍合度較高，街道綠視率高。空間環境一般，開發強度、公交便利度較差，日常生活便利度差，但綠地水體臨近性、社區級以上便利度較好。總體而言，其空間感知品質高，但空間本底情況、空間使用活力、空間環境及步行可達性較差，具有相對次高的更新潛力，在后續開發中可優先考慮街道界面豐富度的提升以增加步行品質，提高街區滲透性以優化街道使用活力，并進一步建立與高潛力街道的聯系，發展成連貫的城市綠道網絡。

12 城市綠道建設中高潛力路段特征畫像Characteristic portrait of medium-high potential greenways

4 討論與展望

4.1 分析架構立足于經典理論與新數據新技術的深度融合

本研究將關鍵建成環境五要素這一經典理論認知與多源城市大數據和深度學習算法有效整合，立足經典理論，借助新數據新技術，提出了一個具有實踐應用普適性的綠道選線潛力評估分析架構，為人本視角的城市綠道選線和特征畫像提供了有效工具，是數字化城市設計背景下的新探索。經典理論與新數據新技術的深度整合，可為人本導向的景觀與城市設計實踐提供有力支持。

4.2 微觀尺度特征與大規模分析協同的人本城市設計探索

由于缺乏適當的數據和工具，以往城市綠道設計的研究與實踐往往從自上而下的視角出發，在GIS支持下開展生物保護、休閑和廊道、可達性分析等要素的大規模、平面化分析，難以納入人本尺度的相關要素。本研究在新技術與新數據支持下，實現了大規模分析廣度與人本尺度分析精度的兼顧，開展大規模分析而不丟失人本尺度的微觀細節，是將人本尺度諸多要素與城市尺度分析相結合的有益嘗試，也是對綠道規劃設計在分析技術上的有效拓展。與依賴GIS疊置分析的傳統適宜性評價相比，本研究提供了一種立足人本視角且更為全面系統的分析方法。

4.3 研究局限與下一步工作

本研究所提出的分析技術仍有一定局限性。首先，當前分析主要適用于綠道選線潛力評估和路段特征畫像，對大尺度綠道選點并不適用，有待下一步研究探索。其次，多種互聯網數據，例如LBS與POI數據的信度與效度存在進一步提升的空間。未來研究中可進一步整合多種來源的數據開展校準，以提升準確度。此外，本研究所使用的預訓練深度學習模型無法通過街景圖片中植物的空間特征來區分綠色植被的具體種類，未來計劃開展典型植被的再訓練，從而提供更精準的綠化特征識別。還需指出，當前研究中采用的AHP權重配置基于專家群體經驗。相關結果與公眾經驗之間可能存在一些偏差，未來的相關分析應嘗試收集居民對于這些評價指標的認識，對各要素權重進行糾正。

致謝(Acknowledgments)：

感謝陳胤徽、韓赟和殷若晨3位同學在數據分析與處理上的幫助。

圖表來源(Sources of Figures and Table)：

文中圖表均為作者繪制。