街道綠化：一個新的可步行性評價指標

郝新華 龍 瀛

街道綠化：一個新的可步行性評價指標

郝新華 龍 瀛

街道綠化對居民尤其是行人的生活質量至關重要，是評估街道可步行性的重要指標之一。傳統受限于數據獲取的困難，對街道綠化的研究多局限于較小的地域，而目前運用新興的街景圖片進行評價的方法也多基于人工判斷。通過構建一種自動的方法，實現了大規模、精細化尺度的街道綠化的量化評價，并以成都一、二圈層的街道為案例進行實踐。研究發現：成都街道以不綠和一般綠街道為主；二圈層的街道綠化好于一圈層的街道；東部、北部個別街道綠化較好，南部、西部整體綠化相對較好；綠化相對較好的街道主要與大學、公園景點、河流兩側、居住區有關；街道綠化與道路等級、街道周邊地塊性質、區位等相關。對步行系統規劃、街道品質改善提升等工作具有一定的指導意義。

可見綠 | 綠視率 | 街景 | 街道城市主義 | 可步行性 | 成都

郝新華

北京清華同衡規劃設計研究院有限公司規劃師，碩士

龍 瀛（通訊作者）

清華大學建筑學院

副教授，博士生導師，博士

0 引言

綠化是建成環境的重要要素，具有凈化空氣、緩解緊張情緒等作用，與居民生活的幸福指數息息相關。城市空間的綠化也一直受到人們的重視，霍華德所倡導的“田園城市”就建議在城市的周圍布局廣闊綠帶，以形成兼具城鄉優勢的良好生活環境[1]。城市綠地包含公園綠地、防護綠地、生產綠地、附屬綠地等，不同的綠地類型承載不同的功能，空間規劃對各類綠地類型均有一定的規定；控制性詳細規劃中，為了保證居民的生活質量，也對居住類地塊中的綠地率進行了規定。

然而，受綠地實施情況等多重因素影響，實際的綠地空間往往比空間規劃中的要少[2]，平面圖紙上的綠化并不是人們能夠感受到的尺度，人肉眼可見的綠化才是與居民心情直接相關

的因素。因此，可見綠日益得到學界和業界的關注，并建議在實踐中應用[3-4]，受限于數據獲取的困難，對其的客觀認識均受到評價方法、時間和人力等方面的約束，已有研究也多局限于較小的地域，如Yang[5]等通過實地調查和攝影解釋相結合，建立評價城市森林景觀的綠色景觀指數。

同時，隨著國家新型城鎮化、中央城市工作會議等國家政策把對人的關注提高到新的高度，人的尺度的城市形態不斷得到重視[6]，街道作為人本尺度城市形態的重要體現，近年來也得到廣泛的關注。街道綠化是以街道為視角的綠化，雖然不受空間管制的約束，卻是在城市設計層次評估城市形態的重要指標之一，對街道的可步行性至關重要。然而，同樣受限于數據獲取的困難，街道研究多為定性描述，缺乏定量分析[7]，街道綠化也是如此。

圖1 成都市域資料來源：作者自繪。

傳統基于現場調研的方法難以在大范圍、精細化的尺度上進行評估，以大數據和開放數據為代表的新數據環境和新技術及方法為精細尺度下的街道定量研究提供了可能，龍瀛和沈堯[8]率先在國內提出街道城市主義（Street Urbanism），并在大范圍、精細化尺度上進行街道的活力[7,9]、品質[10-11]、可步行性[12]等量化研究及實踐。

新興的街景圖片等以人視為基準視角的海量數據為街道綠化研究提供了一個重要的數據源，數據獲取便捷，且不受天氣、時間、地點的限制，已被證實是測量建成環境（如社區、街道）的有效手段[13-15]，并用于街道空間品質評價[10-11]等多個方面，但多是人工判讀的方法。

街景數據的格式為圖片，在計算機領域，已能從圖片中識別地面的行人、汽車、建筑和天空等要素[16]，可見計算機領域的前沿技術方法并未在城市研究領域得到推廣。目前，城市研究領域，運用計算機技術自動從圖片中提取城市研究要素的研究有：Liu等構建了基于社交媒體的帶地理坐標的照片的自動識別城市認知的方法框架[17]，這是城市研究領域首個基于計算機技術自動提取城市研究要素的研究。在街道綠化研究領域，Li等提出了一個基于google街景圖片的自動評估城市街道尺度綠化的框架[18]，并將其應用于曼哈頓市紐約區東村的實踐中，同年，他又基于google街景圖片評估了街道綠化與居民社會經濟特征的相關性[19]；2016年，他又探索了城市綠地環境的不平等問題[20]。

圖2 幾條典型路段街景圖片展示資料來源：騰訊街景數據抓取。

本文借鑒Yang[5]等和Li[18-19]等的研究成果，并進行必要的修改，以街道為研究對象，嘗試通過使用新興的街景視圖來實現大規模、精細化尺度上、自動的街道可見綠的量化評價。本文接下來的章節組織如下：第一及第二部分對騰訊街景圖片的獲取、評價指標、街道綠化自動化評估方法進行介紹，第三部分展示以成都為案例進行評估的實踐結果，分別從以行政區為單元的描述性統計分析、街道綠化空間分布和解釋模型3個方面展開，最后文章對研究的理論、實踐意義進行了總結并提出改進計劃。

1 數據及方法

1.1 研究范圍

本文的研究范圍為成都市一、二圈層區縣。成都市域共分為3個圈層，共19個區市縣，一圈層包含5個，二圈層包含6個，三圈層8個。第三圈層的區縣街景圖片未能覆蓋，一、二圈層區縣的總面積約3 678 km2（圖1）。

1.2 數據

本文研究數據主要包括路網數據、騰訊街景圖片數據、用地類型數據。

（1）路網數據

為了更便捷地抓取街道上不同位置的街景圖片（每隔50 m），本文的道路數據為來自導航公司的道路導航數據，本文對路網數據進行了預處理，包含合并多車道多單車道、簡化路網和拓撲處理3個步驟，最終所有道路均為單線，且均在交叉口處打斷，成都一、二圈層參與計算的道路有33 732條。

（2）街景圖片數據

考慮到騰訊街景覆蓋的范圍相對百度、高德等地圖的街景覆蓋范圍較廣，本研究的街景圖片來源于騰訊街景地圖。本文采用網絡爬蟲的方法獲取街景圖片，在騰訊地圖開放平臺上可以獲取街景信息查詢的API①http://lbs.qq.com/panostatic_v1/guide-getImage.html。詳細說明，需要輸入的參數包括圖片大小、位置或者ID、方向、相機拍攝角度以及開發者密鑰。根據輸入參數的不同可分為兩種獲取方法，分別是按照通過位置查詢和通過ID查詢（ID可通過騰訊地圖開放平臺上的街景拾取器獲得）。

本文按照位置查詢的方式獲取了成都的街景圖片，圖片大小為960*640像素，相機拍攝角度統一設置為0°，即平視；在抓取時，對同一條街道，按照每隔50 m的間隔大小取一個點，對每個點獲取前、后、左、右4個方向的圖片，每張圖片包含了位置點唯一標示符、經緯度、水平角度、方位等信息（圖2）。

（3）用地類型

參考《城市用地分類與規劃建設用地標準（GB50137—2011）》，將原始地塊數據分為9類：R（居住用地）、A（公共管理與公共服務用地）、B（商業服務業設施用地）、M（工業用地）、W（物流倉儲用地）、S（道路與交通設施用地）、U（公用設施用地）、G（綠地與廣場用地）、TESHU（其他用地）。本文計算街道周邊地塊性質的方法參照龍瀛等[9]的文章，最后多出unknown和mixed類，分別對應未知類及混合型，街道周邊地塊性質共分為10類。

2 方法

2.1 評估指標

綠視率指人們眼睛所看到的物體中綠色植物所占的比例，即可見綠所占的比例，它強調立體的視覺效果，代表城市綠化的更高水準，與“綠化率”、“綠地率”相比，“綠視率”更能反映公共綠化環境的質量，更貼近人們的生活。因此，本文選擇綠視率作為評估指標。

2.2 基于街景圖片的街道綠化自動化評估方法

街道綠化自動化評估即實現街道綠視率的自動、批量化計算。包含兩個步驟，分別是解析街景圖片的顏色構成和把基于點的綠視率聚合到街道。

本文街景圖片顏色構成的解析在Matlab中完成，步驟如下所示：對每一張照片，將照片的色彩模式從RGB導為HSV，并從數字圖像中提取各色相通道的值；對每一個像素，計算像素的顏色在顏色光譜中的度數（共360°，圖3）；根據對顏色光譜的觀察，定義60°—180°為綠色，因此，對每一張街景圖片，綠色的比例為度數落在60°—180°之間的像素個數與總像素個數的比值。考慮到每一個位置點有前、后、左、右4個方向的街景圖片，對每一個位置點，取4個方向的街景圖片綠色比例的平均值為該位置點的平均綠色比例，即為該位置點的綠視率。

為便于理解不同綠視率的真實街景情況，圖4展示了不同街景對應的綠視率大小，并將綠視率分成了4種程度，分別是不綠、一般綠、綠及非常綠，4類對應的綠視率大小分別是<=0.2，（0.2-0.4]，（0.4-0.5] 以及>0.5。

每一條街道上有多個位置點用來獲取街景圖片，即有多個綠視率的值，對每一條街道，取多個位置點的綠視率的平均值，即為該街道的綠視率，同時還可計算各條街道的綠視率的標準差，用來表示綠視率在街道上分布的不均勻性，標準差越大，各個位置點的綠視率差異越大，分布越不均勻。

圖3 綠視率計算框架資料來源：作者自繪。

圖4 不同綠視率水平對應的街景圖片示意圖資料來源：騰訊街景數據抓取。

3 研究結果

為避免某些街道上街景圖片位置點過少造成誤差，本文選取位置點數大于3的街道進行分析，以下分析均基于位置點大于3的街道，成都一、二圈層范圍內的街道數為33 372；有研究表明，綠色在人的視野中達到25%時，人感覺最為舒適，因此當綠視率大于0.25時，判定為綠色舒適型街道。

各區縣參與統計的街道條數中，雙流縣參與計算街道數較多，青白江區參與計算的街道條數最少，但最低也有1 112條，仍有較大的量，具有統計意義。

3.1 街道綠化描述性統計

成都一、二圈層內整體街道綠視率為0.202，低于0.25（讓人感覺舒適的街道綠視率）。

從平均綠視率來看，成都金牛區的平均綠視率最低，其次是青羊、成華、武侯區等，錦江區的綠視率也同樣低于一、二圈層內平均水平，這幾個區均位于一圈層內，為成都的中心老城區，人口密度大、商貿繁榮、經濟活躍；二圈層的新都區、雙流縣、龍泉驛區、郫縣、青白江區的街道綠視率接近，高于一、二圈層平均水平，這幾個區縣的綠視率均低于0.25，從可見綠的角度來看，這幾個區縣的舒適度仍有待提升；溫江區的街道綠視率為成都一、二圈層內區縣最高，且平均街道綠視率高于0.25，從綠化的角度看，整體街道讓人感覺舒適，符合其國際花園城市的定位（圖5）。

結合街道綠視率和街道綠視率標準差，總體上，平均綠視率越高，區內各街道的綠視率的差異越大；一圈層的金牛、青羊、成華、武侯區平均綠視率和標準差均較低，說明這幾個區的街道綠視率普遍偏低；一圈層的錦江區街道綠視率低于二圈層內平均水平，但標準差與二圈層內平均水平接近，說明錦江區的街道整體綠視率低，但少部分街道的綠視率相對較高；二圈層的新都區、雙流縣、郫縣、青白江區的街道綠視率和標準差分別是中等和較高的水平，說明這幾個區縣的街道綠視率總體差異大，街道綠視率高、低分化；平均綠視率最大的溫江區標準差也最大，說明溫江區的街道整體綠視率較好，個別街道較差。

統計各區縣不同等級綠化的街道占比，總體上，各個區中不綠和一般綠的街道占比最高，綠和非常綠的街道占比較小；從非常綠的街道占比來看，溫江區的非常綠街道占比最高，其次雙流縣、錦江區等，而從不綠的街道占比來看，溫江區的不綠街道占比最低，一般綠街道占比高于不綠街道占比的區縣主要有溫江區和青白江區（圖6）。

從各區縣不同等級的街道綠化結構來看，青羊、成華、武侯區具有相似的結構，各等級綠化街道的占比依次是64：33：2：0；郫縣、青白江區、新都區的結構具有較高的相似性，各等級綠化街道的占比依次是48：45：5：1，綠和非常綠的街道占比處于中等水平，這3個區縣的共同特點是位于二圈層的北部。

從一、二圈層的街道綠視率和標準差來看（圖7），表現為一圈層街道綠視率普遍偏低，二圈層街道綠視率整體高于一圈層街道綠視率，但也存在個別綠視率較差的街道。

3.2 街道綠化空間分布

可視化表達需求，本文選取成都市三環內的街道進行展示。本文采用ArcGIS的Natural Break法進行分級。

總體上，南部、西部的街道綠視率高于北部、東部的街道綠視率，北部、東部的高綠視率街道集中在個別街道，西部、南部整體綠視率較高，且越往外圍綠視率越高（圖8）。

除上述整體的高綠視率分布區域之外，綠視率相對較高的街道分布如下：

東部和北部片區主要以沙河沿岸的街道及靠近沙河的電子科技大學沙河校區、星漢北路等為主。

西部的街道整體較綠，綠化更為明顯的區域以公園景點及居住小區為主，公園景點有：青羊區的浣花溪公園、黃忠公園一帶、清水河沿線、海斯凱體育公園；居住小區有：青羊區的中大?金沙君瑞苑、華語印象金沙西園、金牛區的茗園尚筑、四川師范大學實驗外國語學院、清水河周邊小區等，推測西部的居住小區整體較為高檔、居住環境整體較好。

南部的街道主要指武侯區內的街道，相對較綠的區域以學校和居住區為主，學校有：四川大學等；居住區有：桐梓林附近的錦繡花園、倪家橋附近的盤古花園、玉林小學附近的居住區、玉林中街東側的天府花園、成都大世界中心商廈附近的紫竹苑等。

主要商業中心春熙路、市中心天府廣場等街道綠化相對較差，而主要辦公區如人民南路商務區、金融城則總體綠化相對較好。

圖5 各區縣平均綠視率和標準差分布資料來源：作者自繪。

圖6 不同等級綠化的街道的區縣占比資料來源：作者自繪。

圖7 一、二圈層平均綠視率和標準差分布資料來源：作者自繪。

圖8 街道平均綠視率空間分布資料來源：作者自繪。

3.3 街道綠視率解釋模型

統計二圈層內不同等級街道的平均綠視率，可以看出，不同等級的道路，綠視率有所差異（圖9），整體來看：高速、城市快速路等較寬的道路綠視率水平相對較低；縣道及以下等級道路綠視率接近，相對較高；其次是國道和省道。

統計不同類型街道的平均綠視率（圖10），可以看出，工業、居住、混合、公共管理與公共服務、綠地類的街道綠視率整體較高，物流倉儲用地、商業、道路交通廣場等類型的街道綠視率整體較低。

根據前文統計分析結果，街道綠視率可能與道路等級、區位、道路的周邊地塊性質等因素相關，本部分選用成都二圈層內的路網，選擇居住（R）、商業（B）、公共管理與服務（A）3類街道，采用回歸分析的方法從定量的角度探討綠視率與道路等級和區位的相關關系。選用的因變量為各個位置點的平均綠視率，自變量為各個位置點所在道路的道路等級和區位，道路等級分為高速公路、國道、城市快速路、省道、縣道、鄉鎮道路和其他道路，依次賦值為1，2，……，7，區位分別采用到區縣行政中心距離、到成都原市政中心距離、到新市政中心距離表示，整體、各類街道計算所得R方如表1所示，R方均較低，但各項顯著性檢驗結果均為0，說明街道綠視率與區位、道路等級均相關。標準系數如圖11所示，可見，無論整體還是分類型的街道，街道綠視率總體與道路等級成正相關，即道路級別越低，街道兩旁綠化越好，而離原行政市中心越遠，街道綠化越好，離區縣行政中心和新市行政中心越近，街道綠化越好；例外的情況是，居住類街道離區縣行政中心越遠，街道綠化越好，但這類相關性較弱，商業類街道道路級別越高，街道兩旁綠化越好；原市行政中心對居住類的負影響、及新市行政中心對商業類的街道綠視率正影響較為突出。

圖9 不同等級街道平均綠化率資料來源：作者自繪。

圖10 不同性質的街道平均綠視率注：A：公共管理與公共服務用地，B：商業服務業設施用地，M：工業用地，R：居住用地，W：物流倉儲用地，S：道路與交通設施用地，U：公用設施用地，G：綠地與廣場用地，mixed: 混合型，TESHU：其他用地，unknown：未知。資料來源：作者自繪。

圖11 回歸結果——標準系數注：A：公共管理與公共服務用地，B：商業服務業設施用地，R：居住用地。資料來源：作者自繪。

表1 回歸結果——R方

4 結果與討論

本文采用騰訊街景圖片數據，從街景圖片中提取綠色像素所占比重作為圖片的綠視率，并將基于位置點的綠視率聚合到街道，以此對成都一、二圈層的街道綠化進行實證研究。理論方法上，綠視率的概念比綠化率、綠地率等能夠更加科學地表征步行環境感受，其定量研究以及從人工判斷到自動化評估的方法具有重要的學術與應用價值；突破以往街道量化研究采用人工調研、少量街道等的限制，實現大范圍、精細化尺度上的街道量化研究，是街道量化領域的一大進步。

研究發現：（1）金牛區的街道綠化普遍偏差，溫江區的街道綠化總體最好；二圈層的街道綠化好于人口密度大、商貿繁榮、經濟活躍的一圈層街道；（2）總體上，東部、北部個別街道綠化較好，南部、西部整體綠化相對較好；綠化相對較好的街道主要與大學、公園景點、居住區有關，商業中心春熙路街道綠化差、CBD街道綠化相對較好；（3）街道綠化與道路等級、區位相關，原市行政中心與居住類街道綠化的負相關、新市行政中心與商業類街道綠化的正相關較為明顯。

本文具有一定的實踐意義，首先，基于各個點的街道綠視率計算結果，對街道層次的綠化進行評價，較高的街道可以作為步行系統規劃的參考，而對于較低的街道，在進行街道改善提升的工作時可提供決策支持；其次，街道層次的綠化對于個人進行戶外活動、路線選擇具有一定的參考意義，在進行最優路徑規劃時，多一層考慮的因素。

當然，本文研究及方法仍具有一定的局限性。由于街景圖片缺乏時間信息，無法準確獲知街景圖片的季節，當圖片季節為晚秋或冬季時，會對街道綠化的結果造成誤差，同時難以滿足對城市建設更新快速地區及時掌握街道運營情況的需求；由于采用綠色像素所占比重作為圖片的綠視率，對于道路兩旁由于施工等因素蓋上綠色的網或者篷布時，這種情況無法識別，造成一定的誤差。街景圖片應用于城市空間的研究仍具有較大的拓展空間，后續可采用機器學習的方法對街景圖片進行深度挖掘，對街道空間的元素構成進行更加精細、細致的刻畫。

References

[1]Howard E. To-morrow: a peaceful path to real reform[M]. Cambridge: Cambridge University Press, 2010.

[2]韓昊英，龍瀛. 綠色還是綠地？——北京市第一道綠化隔離帶實施成效研究[J]. 北京規劃建設，2010（3）：59-63. HAN Haoying, LONG Ying. Green or green land? research about implementation of first green isolation belt in Beijing[J]. Beijing Planning Review, 2010(3): 59-63.

[3]Aoki Y. Relationship between perceived greenery and width of visual fields[J]. Journal of the Japanese Institute of Landscape Architects, 1987, 51 (1): 1-10.

[4]Ohno R. A hypothetical model of environmental perception[M]. New York: Springer US, 2000.

[5]Yang J, Zhao L, Mcbride J, et al. Can you see green? assessing the visibility of urban forests in cities[J]. Landscape & Urban Planning, 2009, 91(2):97-104.

[6]龍瀛，葉宇. 人本尺度城市形態：測度、效應評估及規劃設計響應[J]. 南方建筑，2016（5）：39-45. LONG Ying, YE Yu. Humanistic scale of urban morphology: measurement, effect assessment and design implication[J]. South Architecture, 2016(5): 39-45.

[7]郝新華，龍瀛，石淼，等.北京街道活力：測度、影響因素與規劃設計啟示[J]. 上海城市規劃，2016（3）：37-45. HAO Xinhua, LONG Ying, SHI Miao, et al. Street vibrancy of Beijing: measurement, impact factors and design implication[J]. Shanghai Urban Planning Review, 2016 (3):37-45.

[8]龍瀛. 街道城市主義——新數據環境下城市研究與規劃設計的新思路[J]. 時代建筑，2016（2）：128-132. LONG Ying. Street urbanism: a new perspective for urban studies and city planning in the new data environment[J]. Time Architecture, 2016(2):128-132.

[9]龍瀛，周垠. 街道活力的量化評價及影響因素分析—以成都為例[J]. 新建筑，2016（1）：52-57. LONG Ying, ZHOU Yin. Quantitative evaluation on street vibrancy and its impact factors: a case study of Chengdu[J]. New Architecture, 2016(1):52-57.

[10]唐婧嫻，龍瀛，翟煒，等. 街道空間品質的測度、變化評價與影響因素識別——基于大規模多時相街景圖片的分析[J]. 新建筑，2016（5）：130-135. TANG Jingxian, LONG Ying, DI Wei, et al. Measurement, change evaluation and impact factors identification of quality of street space based on analysis of large-scale and multi-temporal street view[J]. New Architecture, 2016 (5): 130-135.

[11]唐婧嫻，龍瀛. 特大城市中心區街道空間品質的測度：以北京二三環和上海內環為例[J]. 規劃師（待發表）. TANG Jingxian, LONG Ying. Measurement of quality of street space in central urban area of megacity with examples of second and third ring of Beijing and inner ring of Shanghai[J]. Planners (In press).

[12]龍瀛，周垠. 成都街道可步行性評價[EB/OL]. https://geohey.com/apps/dataviz/fbacf0f113e94569 88f8e27f373a61e2/share?ak=ZmYzNmY0ZWJhYj cwNGU2ZGExNDgxMWUxNmZiOWNhNGY. LONG Ying, ZHOU Yin. Evaluation of street walkability of Chengdu[EB/OL]. https://geohey. com/apps/dataviz/fbacf0f113e9456988f8e27f373a 61e2/share?ak=ZmYzNmY0ZWJhYjcwNGU2ZG ExNDgxMWUxNmZiOWNhNGY.

[13]Rundle A G, Bader M D M, Richards C A, et al. Using Google Street View to audit neighborhood environments[J]. American Journal of Preventive Medicine, 2011, 40(1):94-100.

[14]Odgers C L, Caspi A, Bates C J, et al. Systematic social observation of children’s neighborhoods using Google Street View: a reliable and costeffective method[J]. Journal of Child Psychology & Psychiatry, 2012 (53):1009-1017.

[15]Kelly C M, Wilson J S, Baker E A, et al. Using Google Street View to audit the built environment: inter-rater reliability results[J]. Annals of Behavioral Medicine, 2013, 45(1):108-112.

[16]Liu M Y, Lin S, Ramalingam S, et al. Layered interpretation of street view images[J]. Computer Science, 2015 (10):393-396.

[17]Liu L, Zhou B, Zhao J, et al. C-IMAGE: city cognitive mapping through geo-tagged photos[J]. Geojournal, 2014: 1-45.

[18]Li X, Zhang C, Li W, et al. Assessing street-level urban greenery using Google Street View and a modified green view index[J]. Urban Forestry & Urban Greening, 2015,14(3):675-685.

[19]Li X, Zhang C, Li W, et al. Who lives in greener neighborhoods? the distribution of street greenery and its association with residents’ socioeconomic conditions in Hartford, Connecticut, USA[J]. Urban Forestry & Urban Greening,2015, 14(4):100-106.

[20]Li X, Zhang C, Li W, et al. Environmental inequities in terms of different types of urban greenery in Hartford, Connecticut[J]. Urban Forestry & Urban Greening, 2016 (18):163-172.

Street Greenery: A New Indicator for Evaluating Walkability

We propose an automatic method using emerging online street view service for quantitatively evaluating greenery at street level in a large area, and then apply it for analyzing street greenery in the first and second circle of Chengdu, one of large cities in the west of China. We calculate the greenery of each street by Green Looking Ratio, one index suitable for evaluating visible greenery. We find that (1) streets closer to city center tend to be less green; (2) greener streets of Chengdu are more frequently related with the riverside, parks, spots and communities in the fringe of core area; (3) different road grade and different land use around show different greenery of streets. The findings may help draft more appropriate policies in planning and engineering practices for street greenery.

Visible greenery | Green Looking Ratio | Street view | Street urbanism | Walkability | Chengdu

1673-8985（2017）01-0032-05

TU981

A