基于街景圖像解譯的寒地城市綠視率分析研究
——以哈爾濱為例*

崔 喆 何明怡 陸 明

1 南京大學建筑與城市規劃學院 南京 210093 2 Center for Urban Science and Progress, New York University New York 11201 3 哈爾濱工業大學建筑學院 哈爾濱 150001

綠視率(Green View Index)是人視野內綠色景觀所占的百分比。它相對于綠地率、綠化覆蓋率等指標更準確、更直觀。青木陽二[1]最早提出了綠視率的概念，并研究了綠視率與空間綠量感知的關系。此后，眾多學者從綠視率的計量方法、應用等方面開展研究，基本奠定了理論框架。

傳統的綠視率測度方法是人工進行的，即在取樣點人工拍攝照片，然后逐張手工描繪綠色景物的范圍并計算綠視率。近年來，隨著網絡街景服務的興起，使用街景圖像自動測度街道綠視率成為可能，目前已初步發展出一套從數據獲取到圖像解譯的技術方法。Li等[2]以美國紐約曼哈頓東村為例，介紹了使用谷歌街景圖像測度綠視率的方法；郝新華等[3]對成都市的街道綠視率進行了研究，給出了判定圖像中綠色像素的條件。由于秋冬季在我國北方城市采集的圖像中沒有綠葉，所以這一方法不能用于綠視率計算，并且多數街景圖片缺乏時間信息，很難精確剔除這些圖像。已有的研究通常采用人工手段剔除秋冬季圖像，但是這種方法的工作量巨大，在整個城市尺度的綠視率研究中使用很不現實，這一問題在寒地城市中尤為突出。寒地城市的植物生長期很短，如在哈爾濱，見綠時間僅4個月，其街景圖像中包含了大量秋冬季圖像，必須采取辦法加以剔除。此外，對街景圖像及綠視率數據的分析處理，現有研究多集中于分析街道綠視率的空間分布特征和對綠視率數據的統計描述，缺少對圖像的深入挖掘以及對多類數據進行綜合分析，沒有起到“數據驅動設計”的作用。

本文以哈爾濱市為例，首先論述了使用多來源街景圖像及SIFT算法剔除秋冬季圖像的方法，隨后從整體、區域和街道3個層次對哈爾濱市綠視率數據進行分析，以期為因地制宜確定街道綠化策略和城市綠地系統規劃提供指導和依據。

1 數據獲取及圖像解譯

數據獲取及圖像解譯階段主要包括地圖預處理、獲取圖像、解析圖像3部分。

1.1 研究范圍與地圖預處理

本文的研究范圍是哈爾濱市環城高速以內區域，總面積592.9 km2；納入綠視率計算的街道總長度為1 488.08 km；使用的地圖數據為2015年道路導航數據。進行坐標配準、轉單線之后，按80 m一段將每條道路分段，每段道路的中點即為該段道路的取樣點。

1.2 獲取圖像

通過Python腳本調用地圖API批量下載圖片，需要圖像大小、坐標或場景號、偏航角、俯仰角和視角5個參數。場景號由取樣點的經緯度坐標得到；偏航角為地圖預處理階段得到的道路走向；俯仰角設為0°；鏡頭視角根據日本大阪府綠視率調查方針[4]確定為24 mm鏡頭對應的視角84°。下載各取樣點前、后、左、右4個方向的街景圖像。

1.3 解析圖像

1.3.1 計算綠視率

將綠色景物在視野中的比例近似為綠色像素在圖像中的比例，為避免判定范圍過寬，取色相值在70°～170°的像素為綠色像素。首先將街景圖像轉換為HSV色彩空間，然后計算綠色像素在總像素數中的占比。取樣點的平均綠視率為4個方向綠視率的算術平均數。

1.3.2 剔除冬季圖像

基本思路是獲取2套不同來源的街景圖像，相互替換各自的秋冬季圖像。概率解釋為：如果每個來源有10%的秋冬季圖像，即取樣點的圖像在秋冬季拍攝的概率是10%，那么在這一點圖像同時為秋冬季采集的概率為10%×10%=1%。具體過程為：首先分別計算兩套街景圖像的綠視率，然后求同一取樣點平均綠視率的差值，由數值分布直方圖確定閾值為10%，對差值在閾值以上的一對圖像，使用SIFT算法判斷兩幅圖像是否相似，如果相似，則說明該組圖像包含了相同的景物但拍攝時間不同，可以取較高值。

在眾多圖像匹配算法中，SIFT算法(尺度不變特征轉換算法，Scale-Invariant Feature Transform)較適合街景圖像的匹配，圖像的旋轉、縮放、明暗變化不影響它的識別，視角變化所造成的影響也不是很大。所以該算法可以較準確地識別出相似的街道景物，確定2幅街景圖像是否匹配。

使用Python及OpenCV庫完成匹配識別。去色后識別結果如圖1所示，一對匹配點用線條相連的兩個同色點表示。a、b由于車輛遮擋造成了綠視率的偏差，相同景物很少，故匹配點數量很少，且多為錯配點；c、d是在不同季節拍攝的，匹配點數量非常多。本文先使用少量圖像進行試計算，確定匹配點數量的最小值，然后按照這一門檻判定其余圖片是否匹配，最后得到更正秋冬季圖像后的綠視率數據。

圖1 兩組SIFT算法匹配的樣本

2 分析方法

2.1 不同分區綠視率特征的分析方法

將基于POI的用地劃分與街道綠視率數據疊加分析，從而得出綠視率的空間分布特征。

1) 基于POI的城市中心區識別。傳統上并沒有對城市中心區或郊區的明確界定，為解決這一問題，本文根據POI點的密度識別城市中心區。POI越密集的區域內，各類設施網點就越多，越符合城市中心區的特征。使用該密度估計方法[5-7]進行POI高密度集聚區域的識別，并將識別結果映射到各街區中。

2) 基于POI的用地功能劃分。城市總體規劃中的用地性質對本研究而言實用性不強，因為其用地性質劃分過細，并且用地性質與現狀不一定相符。所以本文借鑒Hoek[8]關于功能混合利用的研究，從3個維度概括街區功能，即居住(A)、工作(W)和服務(S)，這3個維度相互混合又組合出4種混合功能，即居住-工作(A-W)、居住-服務(A-S)、工作-服務(W-S)與居住-工作-服務(A-W-S)。

2.2 不同等級道路綠視率特征的分析方法

繪制視野綠色像素分布熱度圖，記錄每一個位置的像素上綠色像素的出現次數，分級設色繪制熱度圖，出現次數多的地方繪制為紅色，出現次數低的地方繪制為藍色。通過這一方法，可對比不同等級道路中綠色景物的分布狀況。

2.3 技術路線

綜上所述，本文從數據獲取到數據分析的全流程技術路線如圖2所示。

圖2 總體技術路線

3 區域綠視率特征分析

3.1 綠視率總體數值特征

經過錯誤更正后得到哈爾濱市22 117個取樣點上的綠視率信息?？傮w來看，哈爾濱市街道的平均綠視率為15.75%，低于全球主要城市平均水平19.03%。從綠視率數值分布直方圖(圖3)可見，多數街道的平均綠視率分布在5%～15%的區間內。根據青木陽二[1]的研究，綠視率在25%以上的街道會使人對周邊綠化環境有比較好的感受。而在哈爾濱市的全部取樣點中，平均綠視率在25%以上的高綠視率街道區段只有3 591個，僅占16.24%。

圖3 哈爾濱市街道綠視率的數值分布直方圖

3.2 綠視率總體空間分布

幾個高綠視率的集中區有太陽島風景區、高新區組團和經開區組團。太陽島風景區的定位是以風景游覽、文化游賞、郊野休閑度假為主要功能的風景名勝區，區內開發強度低，街道綠化較受重視，整體的高綠視率符合其定位；而高新區和經開區則是自20世紀90年代開始建設的城市新區，相對于老城區，其建設起點較高，規劃時預留有完善的開放空間系統，街道兩側綠化組織也比較完整；相對于近10年發展起來的新城區，其樹木樹齡基本在10年以上，枝繁葉茂，景觀效果更優秀。

除了這3個成塊的高綠視率區域，松花江南岸沿岸道路的綠視率也處于較高水平，與太陽島類似，沿松花江濱水區域也是哈爾濱市重要的公共綠地，景觀價值突出。主城區內部以及松花江北岸也有一定數量的高綠視率街道，但由于分布離散，實際的景觀效果以及街道空間的綠色特性也較差。

3.3 城市中心區與郊區的綠視率差異

將綠視率特征與基于POI的城市中心區識別結果疊加分析，得到城市中心區和郊區的綠視率平均值分別為14.17%和16.66%。這一結果符合人們的一般印象，即中心區的街道更偏向人工景觀，而郊區的街道更偏向自然景觀[9]。

據資料記載，哈爾濱市中心城區的綠化曾經處于較高水平。街道空間的主要特點是建筑層數不高，退后紅線距離較遠，沿街綠化帶十分寬闊。但是由于新建筑不斷拔地而起擠占了綠地，并且由于原有道路通行能力差而不得不拓寬，導致人行道被擠占，寬度不滿足植樹要求。補種的行道樹矮小細瘦，短期內無法形成景觀效果。所以，應該審慎地對待老城區道路拓寬，劃定禁止拓寬的道路名錄[10-11]。

3.4 不同功能區的綠視率差異

不同功能的街道對街道綠化的要求存在差異。商業商務型街道為了避免遮擋沿街商業的視線，應營造通透舒朗的綠化景觀，植物的冠幅應較小，株距較寬；而以居住功能為主的街道為了阻擋車行道上的噪音、尾氣，營造私密、安靜的居住空間，應選用大喬木形成連續的林蔭樹列。對綠視率的預期自然是居住街區的綠視率較高，而商業街道的綠視率較低。

基于POI的用地功能劃分結果，由于郊區的功能比例偶然性過大，故只疊加分析城市中心區內街區功能與綠視率的關系。7種街區的平均綠視率分別為：居住型(A)占14.3%；居住-工作型(A-W)占14.47%；工作型(W)占15.39%；工作-服務型占(W-S)13.98%；服務型(S)占13.72%；居住-服務型(A-S)占13.52%；居住-工作-服務型(A-W-S)占15.67%。

分析結果在一定程度上支持了之前的預期，單一功能街區的綠視率排序是：服務<居住<工作，兩種功能混合街區的綠視率介于兩單一功能街區中間。但居住-工作-服務(A-W-S)型街區的綠視率卻是最高的，該類街區主要包含大學及附近街區，綠化相對更成系統。工作(W)型街區綠視率較高的原因是工廠、公司等單位的開放性較差，外圍綠化帶建設完整。居住-服務(A-S)型街區主要分布在老城區，住宅樓底層有較多底商，故其綠視率與單一服務(S)型街區的差距不大。

4 不同等級道路綠視率特征分析

將街道綠視率與該段道路的道路等級疊加分析，道路等級按照《哈爾濱市城市總體規劃(2011-2020年)》共分5級，即高速公路、快速路、主干道、次干道和支路。

4.1 不同等級道路綠視率的數值差異

分別計算各等級道路的平均綠視率及前后、左右方向綠視率，結果顯示：快速路的平均綠視率最高(16.45%)；其次是主干道和支路，分別為16.09%和16.03%；再次是次干道(15.00%)；高速公路最低(12.68%)。結果并不像預期一樣，即道路等級越低，綠視率越高。這可能與城市快速路和主干路多有中央綠化隔離帶有關，也可能由于快速路和主干路充當城市名片，其綠化較受重視。

4.2 不同等級道路綠色在視野中的分布

分別繪制各等級道路平均綠視率大于25%和小于25%的路段的前后視角熱度圖，以對比不同等級道路上綠色要素分布的差異(圖4)。

圖4 各等級道路的前后視角綠色像素分布熱度圖

從圖4可以發現，不同等級道路的綠色景物分布差異比較明顯。一般而言，道路等級越高，道路寬度也就越大，路面在視野中所占的比例也就越大，而行道樹所占比例就越小。但是，快速路和主干路在視野中都有較大面積的中等熱度區域，分散在行道樹兩側，這是因為中央綠化帶的存在使植被更靠近視點，有效增加了綠視率，但不能無限制地增加中央綠化帶中樹木的種植密度，應避免遮擋行車視線[12]。

在次干道以及支路的熱度圖中，行道樹所在的高熱度區域面積占比很大，這說明行道樹是決定綠視率最主要的因素。因此，對次干道和支路的街道空間進行設計需認真考慮行道樹的株距、樹種和紅線距離等，以綠視率為工具，創造綠色、友好的街道空間。此外，合理搭配小灌木和地被植物，可有效提高綠視率[13]。

5 展望

本文基于SIFT算法，提供的剔除冬季街景圖片的方法對嚴寒地區的綠視率測度不至于出現太大的偏差。在對哈爾濱市街道綠視率進行整體分析的基礎上，基于街區混合功能模型分析了不同功能街道綠視率的特征；提出了繪制綠像熱度圖的方法分析綠視率與道路等級的關系。此外，本文雖然解決了冬季圖片對數據的干擾問題，但對于一些“非植物”的綠色，比如施工篷布、綠色的車輛等卻無法分辨。在今后的研究中，可借助機器學習，具體研判圖像中出現的各種要素，提高識別精確度，并拓展街景圖像在城市研究中的適用范圍。

備注：

1. 資料來源：MIT Senseable City Lab：http://senseable.mit.edu/treepedia

2. 關于本研究的更多可視化結果、源代碼及原始數據庫，可聯系作者索取