基于深度學習的上海城市街景與景觀美學公眾認知研究

邱燁珊

車生泉

謝長坤

潘浩之*

城市景觀具有自然、人文和時代特征，為城市居民提供生活物資空間，更承擔著凝聚和認同集體記憶的公共載體功能，塑造同一時代公民對城市基本形象的感受，是城市文化與品質的重要傳播媒介[1]。城市本土景觀可成為城市對外的品牌窗口，與城市居民產生情感共鳴，促進城市景觀可持續的協調發展[2]。然而在中國快速城市化發展的過程中，城市發展建設出現意象構成趨同[3]、場所感缺乏等問題；風貌營建偏重城市發展規模而忽視城市的核心文化、精神與美學價值，忽視公眾審美偏好與當地文化語境[4]。隨著中國城鎮化轉型與城市更新的需求，服務城市大眾美學認知與文化精神的城市風貌與景觀塑造成為當前亟須解決的重大問題，是滿足人民向往美好生活的新時代需要。本研究可為上海乃至全國城市更新中的城市風貌和景觀美學提升提供理論支撐和方法。

景觀美學偏好既涉及自然環境的生物物理特征，又涉及人類的主觀感知。目前提出的景觀偏好理論和概念框架涉及古典美學[5]、生態學[6]、生物進化論[7]和環境心理學[8]；Tveit等[9]綜合前人研究基礎及理論框架提出景觀美學評價的9個概念：管理度、連貫度、視覺干擾度、歷史人文性、視覺尺度、想象度、復雜度、自然度、季相變化性，而后在此基礎上逐漸發展形成景觀美學評價方法體系。景觀美學評價包括以專家意識、體驗者偏好或體驗、空間因素為主要考量的幾大類別[10]，其中主流公眾感知景觀美學評價以體驗者偏好或參與為主要考量，使用問卷調查、現場訪談、景觀可視化等形式收集公眾評價[11-12]。但當研究對象規模大、分布廣且分散時，采用現場調研、數據采集等方法實施成本較高且耗時，難以實現大尺度、大范圍的快速普及評估，規劃設計人員難以了解設計區域的特色與本土大眾潛在需求，使得景觀風貌營建指導決策存在盲區。

近年來，基于公眾感知的景觀美學評估研究不斷增加，國內外前沿研究引入貝葉斯聯合分析法[13]、參與性城市生態美學地圖[14]、景觀偏好度[15]等方法。邵鈺涵等[16]使用體驗性景觀標注法收集公眾意愿；徐磊青等[17]結合百度街景圖片進行上海市公共街景空間安全感知研究；Kerebel等[18]基于貝葉斯網絡構建景觀美學概念層級模型，所使用的貝葉斯概率模型適用于處理美學感知中復雜的元素、聯系和因果關系帶來的不確定性，可以根據本土景觀特征重新構建美學理論模型，但缺陷是仍需人工獲取相關景觀要素，評估規模有限。

相比之下，人工智能景觀要素快速識別能力則具應用優勢。人工智能利用計算機強大的性能與運算、處理數據的能力，可基于專家分析、公眾反饋與場景信息數據展開大規模的城市研究[19-20]。其中，深度學習主要用于處理與計算機視覺相關的任務，如對象檢測和語義分割，可從收集的音頻和圖像數據集中收集信息，對大規模采集的數據進行特征識別。此類研究包括葉宇等[21]基于街景數據和機器學習對街道綠化品質進行測量；張郴等[22]基于機器學習對南京的城市個性及其文化景觀表征進行分析。目前人工智能研究城市風貌的方法集中在對客觀圖片要素的提取與公眾感知模擬方面，缺少與景觀美學理論的結合，使用深度學習方法結合貝葉斯美學模型為景觀美學快速評估提供了可能。

為探明公眾的城市景觀美學認知概念機理、提出針對性的本土風貌提升策略，開發一套可快速、大規模開展應用的公眾審美普查方法，本文結合人工智能對城市景觀風貌豐富的視覺要素提取與收集能力及景觀美學評價框架的理論優勢，構建可廣泛推廣、應用的城市風貌景觀美學評價方法，促進城市風貌設計中新技術應用與景觀美學理論的有效融合。

1 基于美學假設與人工智能加強的設計優化方法

1.1 研究思路和框架

研究基于美學假設與人工智能提出設計優化方法。1)提出公眾城市景觀美學認知層級概念假設模型：基于前期文獻研究的理論基礎和經驗積累，在現有景觀美學指標研究中，以直觀、易評判為考量，提取與大眾景觀審美相關的關鍵美學要素與感知指標進行構建。2)采用問卷調查獲取公眾審美感知高級指標具體得分。3)使用人工智能卷積神經網絡圖片分割技術進行景觀要素提取，并測定各要素面積。4)處理問卷數據，用貝葉斯統計軟件建立感知指標與各層級要素之間的關系模型，并進行假設檢驗，數據分析及檢驗過程通過R實現。在對少數典型案例調查基礎上，深度學習與人工模型可借助街景圖片、遙感信息等數據將景觀美學評價推廣到更大范圍的景觀設計支持中。

1.2 公眾美學感知概念假設

根據景觀美學文獻現有的美學感知概念框架，結合對上海本土景觀設計調研的重點關注問題，本文提出了公眾美學感知概念假設框架(圖1)。指標選取基于Tevit等[9]提出的視覺概念，結合道路景觀的特點和線下訪談中公眾的意見與提及的關鍵詞進行總結篩選，同專家討論后確定美學假設框架中需要增減修改的指標。框架分為景觀要素、高級概念和目標概念3個層級。其中，景觀要素由人工智能進行元素提取確定；目標概念層級選取喜愛度指標；高級概念層級選取美景度、自然度、復雜度、對比度、想象度、審美干擾度6個指標(表1)。7個概念分別從景觀體驗、景觀偏好的不同角度進行闡述，共同表征視覺景觀，且相互關聯。各指標定義如圖1所示。

表1 概念指標定義

圖1 公眾景觀美學認知概念層級假設

1.3 研究樣地選取

為預測公眾對日常接觸頻率較高的城市公共景觀風貌的感知，選擇上海廣中路及平型關路2條城市道路景觀作為研究對象。廣中路全長3.2km，平型關路全長4.6km，2條道路縱橫相交，是上海重要的交通通廊。周邊分布有商業住宅區、高校行政區，以及廣中綠地、大寧郁金香公園等綠地空間，人流量大，是公眾日常活動的主要場所，也是較典型的多元城市景觀聚集區，可較好代表上海的城市街景風貌。

1.4 公眾街景偏好評估

進行樣地照片拍攝。沿廣中路、平型關路人行道選點，任意2點平均間距100m。每個樣點以平行、垂直人行道方向各拍攝正面、側面照片2張，總體拍攝數量334張，剔除質量不高的照片后，篩選具代表性的20張用于問卷調查。所有照片均在相同的晴朗天氣下(10：00—16：00)用焦距35mm的Osmo運動相機進行拍攝，并加設云臺及支架確保水平穩定性。恒定拍攝高度1.60m，用GPS和磁羅盤記錄各拍攝視點的地理坐標和方向。

進行現場美學感知問卷調查，連續3d分時段(8：00—12：00、13：00—17：00)進行定點人群觀察，每時段平均人流量約為122人/h。依據前期觀察結果及經驗確定的樣本規模[23]，基于方便招募抽樣原則，于觀察點現場選取41位當地居民作為受訪者發放問卷并進行半結構性美學訪談，剔除表達不明、談話質量不高的11人，最終樣本為30人。為防止主觀偏差，所選取的受訪群體職業涵蓋高校教師、學生、行政人員、上班族及周邊商戶，其性別比例、年齡層次分布數據與現場觀察統計人群比例近似。訪談以受訪者對道路的總體景觀美學印象和感知滿意度調查為主，使用感知還原度量表圍繞概念指標進行五分制評級。將線下訪談得到的評分進行平均以形成指數得分，作為線上調查的對照。總體而言，線下與線上調研的景觀美感度評價可互相印證(相關性0.652)。

線上調查人員根據現場觀察和線下訪談的公眾社會群體構成，招募比例相仿的公眾，通過照片媒介對城市景觀風貌進行評價，并按社群比例對結果進行加權。總計在線發送189份問卷，回收157份有效問卷。問卷圖片尺寸均寬1 836像素、高948像素、分辨率96像素/英寸，按五行四列隨機排列(圖2)，受試者從20張圖片中選擇主觀意見下與題干美學感知標準(美景度、喜愛度、自然度、想象度、對比度、復雜度、審美干擾度)最相符的5張圖片以評估審美偏好。受試對于場景要素的關注不受任何語言、文字等引導干擾。問卷平均完成時間297s。各圖片在對應感知指標下被選中的概率(被選中的次數除以總人數)記為該圖片各項指標得分。

圖2 現場照片

1.5 基于人工智能的公眾美學感知概念模型構建

使用人工智能卷積神經網絡(CNN)進行街景要素識別。CNN主要用于視覺對象檢測及語義分割等任務，可準確識別圖像特征。其中視覺數據分析模型收集檢測圖像中存在要素的詳細信息，對象檢測模型將景觀要素的邊界框(如天空、樹、汽車、人、道路等)輸出返回。

將Tensorflow和Keras模型框架用于視覺圖像數據集分類，使用包含150個與室內外日常場景的ADE20K開放圖像數據集進行訓練。每張圖片的每一類景觀要素特征都由數據集中的顏色進行標注，并附有詳細的面積占比計算。圖3總結了圖像分割的工作流程。

圖3 通過卷積神經網絡(CNN)進行街景圖像分割

在圖像識別基礎上，進一步計算圖片內各景觀元素面積占比與公眾美學感知指標評分的相關性，使用貝葉斯網絡將相關性轉化為景觀美學概念框架；對研究景觀美學概念假設進行核驗，并對結果進行解讀。

2 分析與結果

2.1 公眾風貌偏好結果

公眾對于樣地的景觀美學感知情況如圖4所示，不同場景間得分差異較大，感知喜愛度平均得分為0.27。植被的分布情況對于自然度、美景度的影響較為顯著，如H5L2的植被面積總占比為65.6%，以喜愛度0.45為最高，同時其自然度得分0.58領先。獲取較高喜愛度得分的有H3L2和H4L3，H3L2的美景度與想象度都最高；色彩對比特征鮮明的H4L3含27.4%紅色葉面積比，對比度得分最高。

圖4 樣地圖片感知指標分值比較圖

H5L4、H4L4喜愛度最低，H5L4整體空間特征較雜亂，識別出的景觀要素達13種，包括非機動車、電線桿、廣告牌、柵欄，以及面積占比57.6%的城市建筑，其復雜度得分0.34，審美干擾度0.45，美景度得分最低(0.15)。而H4L4植物面積僅4.6%，自然度得分以0.07為最低，同時也影響喜愛度得分。

2.2 感知指標與公眾偏好關系

從審美感知指標間的皮爾遜相關性系數分布(圖5)可見，正相關關系集中分布在喜愛度、美景度、自然度、想象度幾個指標間，負相關關系集中分布在審美干擾度、復雜度與另幾個指標間。其中，“喜愛度-美景度”正相關(0.92)，“喜愛度-審美干擾度”負相關(0.52)，“喜愛度-美景度”正相關(0.89)，“喜愛度-想象度”正相關(0.68)。“想象度-對比度”“想象度-美景度”高度正相關，而一些指標諸如“對比度-審美干擾度”“復雜度-美景度”則相對獨立。對應的指標關系可體現在公眾場景偏好中：H2L4與H5L2雖要素構成與面積占比相似，但H5L2空間組織更具曲徑通幽意境感，植物色彩更豐富，美景度、對比度、想象度得分更高。

圖5 感知指標間相關性系數分布

此外，復雜度指標較特別，與自然度存在正相關關系，與喜愛度、想象度均存在0.18的負相關關系，同時還與審美干擾度具較強的正相關性(0.45)。對應的如H2L1與H2L2兩場景要素構成與空間布局相似，但H2L1的植被以針茅狀觀賞草為主，H2L2為鮮艷、整齊的闊葉植物花境，H2L2復雜度與審美干擾度更低，而自然度、喜愛度更高。

2.3 基于深度學習的公眾景觀美學認知概念模型

深度學習算法識別并輸出的所有樣地景觀元素匯總19類，包括墻體、建筑物、天空、樹、道路等。總體識別效果較好，像素智能精度達79.70%，邊界清晰，準確度高，可較好地捕捉街道場景空間的特征元素與比例，構建景觀要素層級。

貝葉斯統計法根據皮爾遜相關性集群及條件概率進一步優化模型，將無顯著相關性的要素如“人行道”等移出模型，最終的模型包含指標10項，其結構關系如圖6所示。模型中自然度、想象度、對比度均同喜愛度正相關(關系強度1)，“審美干擾度-喜愛度”負相關(關系強度1)，同土地正相關(關系強度0.8)。6項高級概念中，自然度與其他指標的相互關聯最多，其次為喜愛度、對比度。

圖6 公眾景觀美學認知概念層級

在4個景觀要素中，土地與高級概念的關聯最多，同對比度、喜愛度正相關(關系強度0.8)，與復雜度負相關(關系強度0.95)。此外，“墻體-自然度”負相關(關系強度0.95)，“自然度-樹木”和“自然度-喜愛度”高度正相關。

2.4 結果討論

由結果可知，喜愛度與美景度、自然度高度相關，與Bonthoux[24]的研究相符；對比度-美景度的相關性印證使用色彩對比明顯的植物可能獲得公眾的好評[25]；此外，復雜度過高可導致景觀混亂，降低視覺質量[26]。設計中應滿足本土公眾需求，在城市街道中為自然植被留出更多的空間，重視植物景觀設計與色彩搭配。

美學感知指標間相關性關系顯著，說明景觀美學的詮釋是整體、系統的過程，場景整體空間組織及其質量由各感知指標共同關聯作用而影響公眾景觀偏好，這與前人研究一致[27-28]，其中復雜度同自然度、審美干擾度及喜愛度感知指標關聯較密切。復雜度不僅與元素的類型與數量相關，還受視覺信息在不同尺度上的空間結構與有序程度影響：場景中自然植物的分形復雜度可影響審美判斷，符合Kuper[29]提出的植物信息熵理論：植物復雜度達到一定閾值后，公眾偏好水平難以繼續提高。此外，復雜度與空間可進入程度的觀感相關，如照片H2L1、H5L3中植物喬灌草層次更茂密，給人難以進入、路徑受阻之感，其喜好度也較低，這符合Appleton[7]的前景-避難論和信息處理論。街景美感與其使用功能也有關，若因植物侵占道路空間或缺乏鋪裝降低行人的步行體驗，一定程度上會造成審美負影響。街景設計中需注重空間要素的整體布局及質量，進行精細化管理，如電動車停放整齊、廣告牌簡潔美觀，避免復雜因素帶來的審美干擾。

景觀要素層級中建筑、墻與喜愛度的負相關關系及樹木同喜愛度的正相關關系符合自然和建筑場景的注意力恢復理論[30-31]，啟示設計時應弱化功能性、設計美感較弱的建筑視覺比重，避免建設與本土公眾審美不符的“拿來主義”建筑；盡量減少生硬、易阻擋視線的圍墻的使用，或使用爬藤植物等美化墻體；土地同復雜度、喜愛度的相關性同土地覆蓋導致的景觀異質性影響審美偏好相關[32]。

3 結語

研究通過街景實例，提出基于深度學習的公眾景觀美學認知研究方法，構建公眾審美認知模型。發現上海本土公眾對于樣地不同場景的感知偏好差異較大，本土公眾街景美學感知模型中關鍵景觀要素為土地、建筑、樹、墻；景觀要素與公眾審美指標關系在研究樣地的數據特征中反映出較強的相關關系：指標層中自然度、想象度、對比度均同喜愛度呈高度正相關，審美干擾度-喜愛度呈高度負相關。通過對公眾景觀偏好的統計分析結合照片要素提取，可以更好地支持城市景觀規劃、設計中的要素選取及整體搭配策略。

研究使用現場調研、深度學習與貝葉斯網絡集成方法，發揮不同方法在景觀美學研究中的優勢。深度學習結合景觀美學層級模型構建法可作為傳統研究方法的有效補充，擴充有限的美學調查樣本，進行快速、大規模的公眾偏好普查，在理論及方法層面上指導城市景觀風貌規劃設計，提供決策與設計優化支持。貝葉斯網絡與景觀美學概念框架集成可分析美學認知概念機理與認知共性、差異性，在獨立概念層級上進行加權向量評估，并將具象的景觀物理要素關聯美學抽象概念來構建框架模型，為公眾景觀偏好研究提供基礎。

研究聚焦城市街景偏好感知，暫未考慮其他城市景觀如公園、弄堂、廣場等類型可能存在的審美差異。此外，美學感知還可能因季相變化、景觀尺度差異而變化，未來研究考慮借助人工智能進一步擴展研究樣本，覆蓋多樣、多時相、多尺度城市空間，進行景觀風貌普查。

注：文中圖片均由邱燁珊繪制或拍攝。