基于百度街景數據的蘇州古城區街道綠化研究

文/蘇州科技大學建筑與城市規劃學院 佟 旭

1 研究背景

街道綠化作為城市綠地系統的重要組成部分，在城市綠化中占舉足輕重的地位，是城市綠化評估的一項重要指標。城市街道綠化環境品質，對人們出行的舒適度、城市環境的美好性、城市的可持續發展有較大影響。

隨著城市綠化越來越被人們重視，街道綠化研究得到廣泛關注。傳統的基于手工拍攝街景照片的現場調研方法，無法在大尺度上對街道綠化進行評估，且多為定性研究。部分學者為達到定量研究街道綠化的目的，利用圖像處理軟件計算街道圖片中綠色像素點所占的比例，但此種以手動處理圖像為基礎的分析方法僅限于小尺度研究。由于技術條件限制，數據采集和處理等太過復雜導致工作量大，難以滿足規劃研究的實際需求。目前以計算機技術和多源城市數據為代表的新技術和新數據為大尺度、定量化的街道綠化研究提供支撐。

當前，部分學者已嘗試運用新數據和新技術對城市街道綠化進行研究[1-4]。郝新華等利用網絡街景數據和Matlab模型，對成都市街道綠化進行大規模、精細化尺度的量化評價；唐婧嫻等通過點位圖像數據，對上海、北京部分街道空間進行要素解譯，識別天空、建筑、柱體、道路標記、道路、鋪裝、樹木、標識、圍欄、汽車、行人和自行車共12類要素；葉宇等利用上海大規模街景數據以及機器學習算法提取綠化可見度，并與基于衛星遙感影像的綠化率進行對比研究，發現傳統的綠化率指標無法準確描述居民日常生活實際綠化可接觸水平。以上研究利用網絡街景數據對街道綠化水平進行評估，對于新技術和新數據在城市街道研究中的應用作出積極探索。

本文以蘇州古城區為研究對象，嘗試應用新興的街景數據和機器學習算法實現較大范圍、定量化的城市街道綠化研究，分析蘇州古城區街道綠化的現狀，對后續街道綠化提升工作具有指導意義。

2 研究范圍與數據

2.1 研究范圍

本文研究范圍為江蘇省蘇州市古城區，東起莫邪路,西起閶胥路、盤胥路，南起南門路，北起東匯路、西匯路，包括54個街坊，總面積約14.2km2（見圖1）。

圖1 研究范圍

2.2 研究數據

2.2.1 路網數據

為抓取每條街道上不同位置的街景圖片，本次研究的道路網絡數據通過百度地圖數據獲取，并對獲取的路網數據進行處理，如合并多車道、簡化路網和拓撲處理等，最終將研究范圍內所有道路均轉化為單線且在交叉口處打斷。本次研究參與計算的街道段共有635條，總長128056m，平均采樣間距設置為50m，共計6127個采樣點，所有分布在道路網絡上的采樣點如圖2所示。

圖2 街景圖片采樣點分布

2.2.2 街景圖片數據

街景地圖是一種基于互聯網的實景電子地圖服務，可提供城市街道360o的全景圖片，人們可在電子地圖開放平臺中查詢街景圖片。在當前的互聯網街景地圖服務中，百度全景地圖已成為最受歡迎的互聯網地圖平臺之一，在用戶數量和口碑上均位于行業領先地位。目前，百度街景圖片是開源數據，故本研究可通過計算機程序設計語言Python獲取百度街景圖片數據。

通過百度地圖開放平臺可獲取百度地圖全景靜態API，進而以圖片形式得到全景地圖，需設置相關采集參數，包括圖片尺寸、經緯度坐標、視線水平和垂直方向的角度等，并發送HTTP請求訪問百度地圖全景靜態圖服務。本次研究將每個采樣點的視線垂直角度均設置為0o，即平視角度；每個樣本點的視線水平角度均設置為360o，即整幅全景圖；每張圖片大小為1024×512像素。

3 研究方法

3.1 研究框架

研究共分5個步驟：①基礎數據準備，通過百度地圖API爬取研究區域街道路網數據，并與百度街景軌跡地圖對照，刪除個別沒有街景圖片數據的道路，之后對路網進行交叉口打斷、增密及折點、轉點處理，基于此獲得街景圖片采樣點坐標數據；②以HTTP URL的形式調用百度街景API來獲取對應采樣點的大量街景圖片數據；③采用機器學習相關算法對街景圖片進行語義分割，提取每個采樣點的綠視率；④對每條路上采樣點的綠視率進行統計分析，得出每條道路的平均綠視率，并通過ArcGIS平臺對研究結果進行可視化處理；⑤研究區域街道綠化現狀，并對研究結果進行描述與討論。

3.2 評估指標

以往研究多以綠化率作為街道綠化程度的主要評價標準，但此種自上而下的俯視視角不一定完全等同于人們的實際感受。研究將綠視率作為評估指標，綠視率是指人們眼睛所看到的綠色部分占整個視野面積的比例。相較于傳統的綠化率，綠視率可更實際地反映人們能夠感受到的綠化程度，更接近人們的真實生活，可更好地反映城市街道綠化環境的品質。在研究中，每條街道上都有多個位置點獲取街景圖片，每個位置點會有一個綠視率值，故一條街道的綠視率即為該街道上多個位置點綠視率的平均值。

3.3 評估標準

研究將綠視率分為差（≤1 0%）、一般（10%～25%）、好（25%～40%）及非常好（>40%）4個等級。研究表明，當綠色在人們的視野中占比達25%時，人們感到舒適；當街道綠視率大于25%時，可將該街道視為綠色舒適型街道；當街道綠視率低于10%時，表明該街道綠化水平較差，應對其重點關注。

3.4 基于機器學習的街景綠化分析

機器學習是實現人工智能的方式之一。簡單來講，機器學習是使用算法來分析數據，從中學習并作出判斷或推測。機器學習不同于以往使用特定指令集的手寫軟件，是通過大量的數據和算法來對機器進行“訓練”，從而使其學習如何完成對應的工作，圖像識別一直是機器學習重要的應用領域之一。目前，經典的圖像分割方法均是基于卷積神經網絡的方法，此類方法首先將圖像分為多個像素塊，然后將每個像素塊輸入到卷積神經網絡中進行識別與分類。

本次研究通過TensorFlow機器學習系統以及Cityscapes圖像語義分割評測模型，提取街景圖片綠視率。TensorFlow是谷歌公司研發的人工智能學習系統，目前主要被應用于語音識別、圖像識別等各類機器學習的領域。Cityscapes是一種卷積神經網絡工具，是目前自動駕駛領域內具有權威性和專業性的圖像語義分割評測模型，可將圖片中的天空、人行道、車道、建筑、綠化等要素準確有效識別出來（見圖3）。運用上述工具，可將圖片中的全部像素點識別為各種要素類型，并以此為基礎，計算每張街景圖片中綠化要素所占的比例，即為該張圖片的綠視率。

圖3 街景圖像語義分割示例

4 研究結果

4.1 街道綠化描述性統計

蘇州古城區整體街道綠視率為16.50%，低于25.00%（讓人感覺舒適的街道綠視率），處于一般水平。統計不同等級綠化的街道占比發現，蘇州古城區內綠視率水平為差和一般的街道占比較高。其中綠視率水平為差的街道占比為36.20%；綠視率水平為一般的街道占比為29.60%；綠視率水平為好和非常好的街道占比較低，其中綠視率水平為好的街道占比為19.40%；綠視率水平為非常好的街道占比僅14.80%（見圖4）。

圖4 不同等級綠化的街道占比

統計蘇州古城區內不同等級街道的平均綠視率，可發現綠視率與道路等級存在一定的相關性。整體而言，最高等級道路主干道和最低等級道路街巷的綠視率水平相對較低，分別為主干道13.50%、街巷17.40%；而處于中間等級的支路和次干道的綠視率水平相對較高，分別為支路26.40%、次干道22.80%（見圖5）。

圖5 不同等級街道的平均綠視率

4.2 街道綠化空間分布

如圖6所示，將研究結果在ArcGIS中進行分級色彩可視化，可較直觀地看出不同等級綠視率街道的分布情況，綠視率水平為非常好的街道主要有中街路、養育巷、東大街、西北街、皮市街、庭園路、公園路、鳳凰街、平橋直街、十全街、白塔東路等，其中中街路的綠視率最高為60.10%；綠視率水平較好的街道主要有平齊路、齊門路、平家巷、大王家巷、獅林寺巷、曹家巷、馬大箓巷、西百花巷、東百花巷、臨頓路、鈕家巷、中張家巷、石匠弄、迎楓橋弄、烏鵲橋路等。上述街道的綠化水平較好，為綠色舒適型街道，可為后續步行系統規劃提供參考。

圖6 街道平均綠視率空間分布

同時也可看出綠視率水平為差和一般的道路占比較高，其中環古城外圍道路閶胥路、盤胥路，貫穿古城東西向的干將路以及觀前街片區的街道綠視率水平為差，南門路、東匯路、西匯路的綠視率水平為一般。上述街道極大程度降低了蘇州古城區街道的整體綠化水平，應將其作為后續街道綠化品質提升工作的重點。

5 結語

本文通過提取百度街景圖片中綠化要素占整張圖片的比例作為綠視率，并以1條街道上多個位置點的綠視率的平均值作為該條街道的綠視率，對蘇州古城區的街道綠化進行實證研究。研究發現：①蘇州古城區街道綠視率整體水平為一般；②蘇州古城區街道綠化水平與道路等級有關，次干道和支路的街道綠視率較高，主干道和街巷的街道綠視率較低；③古城區街道綠化提升工作應重點關注古城外圍道路閶胥路、盤胥路，貫穿古城東西向的主干道干將路以及觀前街片區街道。

研究通過百度街景數據和機器學習算法實現較大范圍、定量化的城市街道綠化研究，突破傳統研究方法在數據收集和處理等方面的局限，同時利用機器學習法降低評價的主觀性，使對街道綠化的評估更加科學，具有一定的實踐意義。通過對蘇州古城區街道綠化進行評價，將古城區街道綠化水平分為差、一般、好以及非常好4個等級，得出的研究結果對城市綠地系統規劃、步行系統規劃、街道品質提升等工作具有指導意義。