基于圖像識別的街道環境綠量與運動偏好路徑的關系*

白釗成， 齊君， 唐雪瓊

1. 西南林業大學 園林園藝學院， 昆明 650224； 2. 西南林業大學 地理與生態旅游學院， 昆明 650224

在我國， 自秦朝就有馳道“廣五十步， 樹于青松”， 可以說從古代文明開始就有了營造街道綠化景觀的智慧． 然而在過去很長的一段時間內， 城市擴張排擠綠地空間， 導致了生態環境、 社會公平和居民健康等方面一系列的“城市病”[1-2]． 盡管新時期的城市規劃越來越認同城市綠色空間的重要性[3-4]， 但城市綠色空間的營造往往只著手于整體的綠化面積的提升， 而對于多樣性空間， 尤其是與城市居民生活關系最密切的街道環境的空間綠化則被忽略[5-6]． 同樣地， 城市綠化的定額指標——綠地率和綠化覆蓋率， 其計算視角也僅從二維平面出發， 難以表達城市居民的主觀感受． 日本學者青木陽二提出綠視率(visible green index， VGI)這一概念， 以人視野中植物要素所占的百分比來衡量環境綠量， 這更能反映人的主觀體驗[7]． 但這一指標的測度一直缺乏可行的方式， 隨著人工智能與街景地圖技術的發展， 環境綠量的計算變得智能化、 便捷化[8-10]． 但基于街景圖像識別的環境綠量測算方式只是被學者當作一種新的方法來用于展現某一條道路的綠化品質[11-12]， 這些研究多局限于計算本身， 僅僅從人的視角出發量化了街道的綠化品質， 而并沒有回歸到“人本情懷”來真正研究街道的綠化品質與人的關系， 這違背了綠視率指標設立的初衷．

以往基于傳統綠化率、 綠化覆蓋率數據探討居民與綠色空間關系的相關研究成果并不缺乏， 各種研究表明高綠化覆蓋地區的居民一般具有更健康的身體與心理狀態[13-15]． 但作為人本尺度的綠化指標， 人眼觀察到的環境綠量與城市居民的關系顯然更加密切， 但有關兩者的關系研究反而較少． 本研究通過對街景圖像的識別獲取環境綠量數值， 展示杭州市中心城區的街道綠量水平及分布特征， 并從城市居民跑步運動數據入手， 研究城市街道環境綠量與居民運動偏好路徑是否構成相關關系． 以居民客觀的實際運動數據作為其主觀的街道偏好選擇參量， 用數字化手段代替傳統量表式問卷， 提供了一種新的實驗思路． 實驗結果將展現城市居民運動時的街道環境綠量偏好， 對城市人本尺度的空間規劃及綠化建設管理具有重要的理論意義與實踐價值．

1 研究區域及數據獲取

1.1 研究區域

本研究以杭州市中心城區作為研究對象． 杭州市曾獲得聯合國人居獎(2001年)， 同時也是國際花園城市(2002年)、 美麗山水城市(2017年)以及首批國家生態園林城市(2017年)． 2020年底， 杭州市建成區綠地率已達37%， 從整體上看具有較好的綠化基礎． 但在街道層面， 由于中心城區街道建成時間較早， 部分街道綠化一般， 《2019年杭州市城區綠化工作意見》特別指出要加強道路綠化， 保證道路綠量和景觀效果． 同時， 作為2022年亞運會的舉辦城市， 《杭州市“迎亞運”園林綠化行動計劃(2020-2022)》提出構建全市綠蔭綠廊， 計劃在2022年底完成“萬里綠道網”的建設任務， 意圖將街道構建成全民共建共享的運動場所．

本研究以秋石高架、 留石高架、 五老峰隧道和之江路圍合的杭州市中心城區為研究區域， 總面積123.79 km2， 占杭州市轄區建成面積的20%， 包括了上城區、 下城區、 西湖區、 拱墅區和江干區的部分或全部范圍． 該區域是杭州市集中成片的城市化區域， 也是居民點最為集中的區域， 因此可作為一個合適的樣本以研究街道環境綠量與居民運動偏好路徑的關系．

1.2 數據來源及處理

1.2.1 路網數據

矢量路網數據下載自Open Street Map(OSM)， 按道路等級劃分， 研究區域范圍內共有快速路、 主干道、 次干道、 支路及其他道路5類． 同時對路網數據進行預處理， 合并車道、 簡化路網， 使所有道路均為單線表示， 最終獲得處理后的道路長度總計959.46 km(圖1)． 基于城市街道的有效視距與道路的復雜情況， 以往研究通常認為50 m的觀察間距可以較為全面地表達道路的綠化情況， 因此將測算環境綠量的點位間距設置為50 m[16-17]． 利用ArcGIS軟件在每條道路上以50 m的間距取點， 共獲得20 558個環境綠量測算點(圖2)． 批量計算并導出每個測算點的經緯度坐標， 以此作為街景圖像采集的數據基礎．

圖1 杭州市中心城區道路網

圖2 道路網環境綠量測算點(局部)

1.2.2 街景圖片

考慮到百度地圖的街景覆蓋范圍相較于騰訊和高德更廣， 且研究區域范圍內的百度街景數據更新截至2020年6月， 而騰訊和高德均停止了街景的采集與更新， 因此本研究采用百度街景地圖作為街景圖片的數據源． 圖像的采集調用百度API服務接口， 根據百度開發文檔內容使用Python編寫網絡爬蟲程序以經緯度坐標的方式批量獲取街景圖片．

依據百度開發文檔， 調整街景圖片采集的參數， 設置獲取圖片的分辨率為1 024×512， 圖片采集的畫幅角度模擬人眼視域范圍， 將水平視角設置為120°、 垂直視角設置為60°以貼近人的主觀體驗， 同時為了準確表示四周環境的整體綠化水平， 在每個觀測點都以視角0°，90°，180°，270°采集4張圖片， 分別表示在此點于街道前進方向上“前、 后、 左、 右”4個方位上的視角， 完整展現該點的環境綠量[18]． 由于部分點位的街景數據缺失， 20 558個測算點中最終有效采集點位為20 341個， 獲得街景圖像81 364張．

1.2.3 運動偏好路徑

Keep作為一款使用人數超過3億人的運動軟件記錄了大量的運動數據， 且涵蓋了多種運動類型． Keep軟件不僅可以記錄用戶的運動數據， 而且對大量數據進行了整合與可視化， 根據每條線路的運動人數進行排名， 以列表的形式展現整個城市熱門的運動線路． 這個數據對人們進行運動空間與街道環境關系的研究具有重要的參考意義． 使用Python對Keep的跑步數據進行爬取， 獲得2020年杭州市最多人選擇的216條熱門運動線路， 以此作為居民運動偏好路徑． 運動偏好路徑的總運動人次為1 581 561次(數據截至2020年12月)． 并對爬取的運動數據進行處理， 以研究區域為范圍清洗冗余數據， 整合重合路段部分的數據， 手動添加爬取失敗的數據， 最終得到有效數據： 居民運動偏好路徑為84條， 運動參與人次為430 715次．

2 研究方法

2.1 基于圖像識別技術的環境綠量測算

自綠視率概念被提出以來， 學界采用的測算植物面積的方式各不相同． 有的采用網格法劃分圖像， 統計植物方格所占全部方格的比例[19]； 還有的使用Photoshop軟件計算綠色像素面積占全像素面積的比值[20]． 然而這兩種方法都具有明顯缺點， 前者效率低下， 后者難以將有色葉植物和開花植物納入計算， 而近年來圖像識別技術的發展使得這些問題得以解決．

本研究對爬取到的街景圖像進行圖像識別， 遍歷其中的代表植物的標簽像素， 以植物像素與全像素面積之比即可得到環境綠量值． 研究使用計算機視覺工具包GluonCV和基于全卷積神經網絡(fully convolutional network， FCN)的DeepLabv3+模型， 調用預訓練的開源數據集ADE20K， 實現對街道環境的圖像識別[21]． 以往研究采用的圖像識別技術多以高大喬木代言全部綠量而忽視了灌木和草本的存在， 因此本研究擴寬了識別的類型， 將灌木和草本這些要素同樣進行識別分割并生成標簽， 利用numpy算法遍歷喬、 灌、 草3類標簽即可分別得到三者在圖像中的占比， 數值化展現了人眼觀察下的主觀環境綠量(圖3)． 基于此數值化結果， 定義四方位街道環境綠量公式為：

圖3 某測算點環境綠量分析計算示意

式中：i代表街道平行方向上前后左右四方位的方向，j代表喬木、 灌木、 草本3個要素， 取值為1～3，Pij表示測算點P的i向方位上要素j占圖像全像素的比例． 喬、 灌、 草3類植物要素的4個方位面積之和的平均值即為環境綠量的計算結果．

2.2 運動偏好路徑的地理空間處理

利用爬蟲技術爬取到的Keep運動線路涵蓋了杭州市行政區劃內的多個區縣， 清理研究區域外的數據， 去除運動場館等非街道場景的數據， 最終獲得研究區域內街道上的運動數據線路84條， 線路上發生的各類運動總人次共計430 715次， 其中跑步、 騎行以及徒步分別為315 105，33 762，81 848人次．

將爬取到的運動路徑數據導入到ArcGIS軟件中與路網數據進行疊加， 由于爬取的運動路線僅有起始點的經緯度坐標與路徑長度， 因此在確定路徑的具體位置時需要結合Keep軟件人工對運動路徑的地理空間進行錄入． 同時， 部分運動路徑存在重合路段， 需要合并重合部分的運動人次， 最終使得偏好路徑的屬性表中具有經緯度、 線路長度、 運動總人次、 跑步人次、 騎行人次和步行人次6個字段的數據． 為了便于同環境綠量數值比較， 以空間連接的方法將街道上計算所得的ISVG字段數據添加到環境綠量測算點的屬性內．

2.3 環境綠量與偏好路徑的空間相關性

以ArcGIS地理可視化分別展示街道環境綠量與居民運動偏好路徑的分布難以展現兩者的空間相關性． Anselin提出的雙變量空間自相關分析(Bivariate Moran’sI)， 可以有效反映兩類變量空間分布的關聯與依賴特征[22]， 其計算公式為：

式中：Ii表示空間單元i的兩個變量之間的局部空間關系；zi和zj是空間單元中兩個觀測值i和j的方差標準化值．

根據計算結果Ii可得出4種聚類模式， 高-高型表示高運動人次和高環境綠量的區域， 低-低型表示低運動人次和低環境綠量區域， 高-低型表示高運動人次和低環境綠量區域， 低-高型則表示低運動人次和高環境綠量區域．

3 結果分析

3.1 街道環境綠量評價結果

利用ArcGIS的空間連接功能對道路上全部的測算點進行賦值并可視化． 杭州市中心城區的環境綠量差異較大， 在部分特殊的如高架隧道、 老舊巷道或建設施工等路段幾乎沒有植物綠化； 而位于濱水、 山林的部分道路其環境綠量可達90%以上． 以往的研究認為， 人們對綠量15%以下的環境感知較差； 而對綠量25%以上的環境則能感知周圍的綠化較好， 日本國土交通省在官方指導中提出25%以上的環境綠量需要得到保證并納入了城市建設的綠化指標[23]． 根據以往經驗并結合研究區域的實際綠量的跨度差異， 本研究將道路環境綠量由低到高分為5類， 分別為環境綠量低(0.00≤ISVG<0.15)； 環境綠量較低(0.15≤ISVG<0.25)； 環境綠量一般(0.25≤ISVG<0.45)； 環境綠量較高(0.45≤ISVG<0.70)； 環境綠量高(ISVG≥0.70)(圖4)．

圖4 杭州市中心城區環境綠量空間分布

杭州中心城區街道環境綠量呈現出由西南向東北逐漸衰減的趨勢． 從行政片區上看(這里的行政區均指涉及研究區域內的范圍)， 中心城區總體環境綠量平均為0.283 3， 其中最高的是西湖區0.340 5， 最低的是下城區0.242 0， 地理位置越靠近西南側的行政區環境綠量也越高； 以杭州西湖風景名勝區的范圍劃分， 對比風景區內外的環境綠量， 則有較為明顯的差距． 風景區內平均環境綠量為0.439 7， 而風景區外僅為0.263 8； 杭州市區河網密布， 研究區域內有錢塘江、 運河、 余杭塘河、 上塘河和東河等多條水系， 濱水路段的環境綠量也遠高于非臨水的街道， 分別為0.338 6和0.267 7； 從不同等級的道路平均環境綠量來看， 道路的等級越高則環境綠量越低． 城市快速路的平均環境綠量為0.117 1， 主干路和次干路的環境綠量分別為0.269 5和0.282 8， 均略低于中心城區的總體平均值， 而其他的街巷道路或支路諸如大學校園內、 運動公園內、 居住小區內和景區周邊的道路等， 其環境綠量則較高， 達到了0.303 6(圖5)．

圖5 不同場景的街道環境綠量對比

3.2 環境綠量影響因素分析

從評價的結果來看， 不同街道、 同一街道不同路段上的環境綠量均有明顯差異， 其原因主要是因為受到街道的功能、 寬度等自身屬性以及街道距離山體、 水體、 風景區等自然景觀要素遠近的影響．

城市快速路與城市干道這類街道更多的是交通功能， 服務功能則相對更弱． 為了保證良好的車行視線， 通常以視線引導性的綠化為主， 更高等級的交通干線則采用高架與隧道的形式， 因此環境綠量較低． 服務性的道路多為街巷道路與城市支路， 與居民的生活關系密切， 故更多考慮了居民的日常活動， 環境綠量較高． 作為對比， 如文一路隧道—德勝快速路全路段平均環境綠量僅為0.083 9， 而處于居民區的街巷直大方伯(街巷名)的平均環境綠量則達到了0.380 0．

街道的寬度同樣影響環境綠量的水平和綠化質量， 比如采取同樣的板帶式結構與植物栽植方式的街道， 如果路幅寬度不同， 視野的開敞度也不同， 那么人眼對其環境綠量的感知就會受到很大的影響． 因此環境綠量不僅反映街道的綠化水平， 同樣也反映了街道的人本性， 即尺度是否宜人． 同樣位于西湖風景名勝區， 萬塘路與玉泉路都有著良好的綠化質量， 但其道路寬度差異較大， 故取兩條道路上綠化質量相近的點位比較， 人眼感知的環境綠量差距較大， 萬塘路上的測算點環境綠量為0.312 7， 玉泉路為0.808 1．

街道所處的地理位置不同其環境綠量亦有較大區別， 整體上看研究區域內街道環境綠量呈現西南向東北逐漸衰減的趨勢， 其分布也與城市的山水布局走勢一致， 西南方位的西湖群山有數十座山峰， 天然的山林加上綠化營造使得道路的環境綠量相對更高． 三臺山路、 八盤嶺路、 葛嶺路和玉皇山路等都有極高的環境綠量， 這些道路的環境綠量平均值為0.543 6． 西湖風景區范圍內的街道綠化質量高， 古樹名木眾多， 行道樹樹齡也較大， 多為茂密的遮陰樹種如法國梧桐、 香樟等， 因此西湖風景區內的環境綠量較之風景區外更高． 杭州市城區河道眾多， 近年來因“五水共治”以及“美麗河道”項目修建了大量濱水綠道， 使得這些河道的環境質量顯著提升， 因此濱水道路的環境綠量也比非臨水道路更高．

服務性的道路、 尺度宜人的街道、 山徑水濱的綠道系統， 這些道路的服務對象多為城市居民， 從人本視角出發進行綠化建設， 使得這些街道具有了更高的環境綠量， 而高環境綠量的街道也影響著城市居民的道路偏好．

3.3 運動偏好路徑與環境綠量的關系

對84條運動偏好路徑賦值到ArcGIS對應的街道上進行可視化分析， 爬取到的全部KEPP運動線路雖都為居民日常運動的偏好線路， 但其熱門程度相差較大， 運動路線的參與人次從142次(“文瀾府南熱水河步道”)到79 124次(“白堤”)不等． 為了對照方便， 與環境綠量同樣， 根據參與人次由低到高將運動偏好路徑進行5級分級(圖6)． 從運動偏好路徑分布可以看出， 居民的運動行為多集中分布在中心城區的西南方與河道兩側， 其中以西湖風景區內的分布最多， 這與環境綠量的分布特征類似．

圖6 杭州市中心城區運動偏好路徑空間分布

將每公里的運動參與人次記為熱度值， 使得不同道路長度之間有可比較性， 以具體研究不同區域間是否存在運動參與人次的差異． 結果表明(圖7)， 不同區域間的運動參與人次顯著不同， 城市居民運動偏好的場景分布呈現出西湖風景區內高于風景區外、 濱水街道高于非臨水街道、 街巷道路高于主干道的分布特征， 這些運動發生的場景與環境綠量的分布特征相似， 但不同行政區之間的對比則于環境綠量的分布有所差異， 這與道路總長度差異較大有關．

圖7 不同場景道路的運動偏好對比

為了實證居民運動偏好路徑與街道環境綠量的關系， 將運動總量數據、 跑步數據、 騎行數據和步行數據4組數據分開研究， 以全面展現不同運動與環境綠量的空間相關性(表1)． 基于GeoDa軟件， 采用queen contiguity空間矩陣， 測度4組運動數據與環境綠量之間的空間相關指數Moran’sI， 生成了4種聚類關系(圖8)．

圖8 不同運動類型與環境綠量的空間相關性聚類

不顯著類型是最多的一種空間關系類型， 在4個聚類圖中都有12 810個點位， 主要原因是這些位置并沒有運動數據的記錄． 高-高類型(高運動人次和高環境綠量)與低-低類型(低運動人次和低環境綠量)代表運動人次與環境綠量的正相關， 反映了居民的運動偏好， 高綠量的街道更容易被選擇成為運動線路， 環境綠量低的街道更少在運動的過程中被選擇． 高-高類型多分布在西湖與其他河道水域的周圍； 低-低類型也是除不顯著型之外分布最多的類型， 主要分布在研究區域的東北方． 這與環境綠量的空間分布一致， 這兩個值可以明顯地展現城市街道環境綠量的分布差異帶來居民對于運動線路選擇的差異． 低-高類型(低運動人次和高環境綠量)展現的是具有高環境綠量的街道而運動人次較少的位置， 這部分點位多分布在西南側， 如玉皇山路和虎跑路， 這些路大多位于西湖周圍的群山中， 距離居民區過遠， 因而也難以成為居民日常運動的偏好街道． 高-低類型(高運動人次和低環境綠量)則表示在低環境綠量的街道而運動人次高的地點， 這種類型是最少的， 在總共的20 558個點位中只占有0.5%以下， 其中騎行這類運動的參與者對于低環境綠量的街道更為排斥， 只有39個點位屬于高-低型．

總體而言， 對于跑步、 騎行以及步行等城市街道承載的運動行為， 城市居民對路徑的選擇展現了對于環境綠量的偏好． 杭州市中心城區建成較早， 部分街道的環境綠量不高， 這些街道雖然地處居民區， 人口稠密， 但并沒有成為城市居民運動的偏好路徑， 相反， 在西湖風景區周邊以及一些城市河道兩側， 這些環境品質高的道路則受到了更多青睞．

4 討論與結論

城市綠地扮演著“城市之肺”的角色， 過去很長時間內的綠地規劃過分地強調綠地的結構與布局， 通常以大尺度、 大格局來研究綠地之于城市的重要性[24-25]． 但作為城市綠地的使用者——城市居民而言， 其真正需求得不到滿足， 綠地建設著重提高綠地面積而較少考慮人群健康層面的價值， 因此自2016年以來我國開展了全國范圍的健康城市建設工作， 城市綠地更多地肩負起促進公共健康的任務[26-27]． 但長期以來城市街道綠地環境的建設存在評價指標和評價方法落后的問題， 綠地指標依舊圍繞傳統的綠地率、 綠化覆蓋率和人均綠地面積等非人視角的維度展開， 諸多因素阻礙著目前健康城市的推進發展[28]． 盡管有學者開始以綠視率作為環境綠量的研究指標， 但只是作為一種從人出發的指標方法， 并未回歸到人本身， 難以稱之為人本尺度的研究．

本研究采用百度街景地圖數據作為數據源， 利用圖像識別技術計算街道環境綠量， 將其與Keep運動數據作為研究對象． 分別以行政區劃、 道路等級、 距離景區與水體的遠近等多個方面研究了兩者在地理空間的分布特點， 并以兩者的相關性聚類圖檢驗街道環境綠量與居民運動偏好路徑的空間相關性．

1) 杭州市中心城區的街道環境綠量空間分布差異較大． 環境綠量的分布差異與中心城區的山水基底緊密相關， 高環境綠量的街道在西湖風景區內、 城市河道兩側， 這些區域由于本身具備良好的環境品質， 同時又是杭州市街道美化的重點區域． 在研究區域的東側、 東北側， 街道的環境綠量水平較低， 這些街道遠離城市自然的山水網絡， 建設年代久， 這將是目前街道環境需要整治的重點區域．

2) 城市居民在街道上的各種線性運動的路徑選擇偏好于環境綠量高的街道． 高環境綠量的街道對居民運動路線的選擇具有吸引力， 但還受限于其所在的位置對于居民區的可達性． 低環境綠量的街道難以吸引居民到此進行各類運動． 因此街道空間的綠化品質對于居民的日常運動具有重要作用， 若要建設健康城市， 則必須提升街道環境綠量．

本研究探求了居民運動偏好路徑與街道環境綠量的關系， 對于指導構建更高品質的城市街道空間以支撐城市居民的日常運動行為具有重要的啟示意義． 在運動過程中， 選擇偏好的路徑是一種有意識地選擇舒適的運動場景的行為， 也是一種無意識的、 對城市街道綠地宜人性的評判， 這種街道與人的互動關系既能反映出哪些街道讓人可以舒適運動而哪些街道則被人排斥．

本研究從互聯網街景地圖與運動數據入手探討街道環境綠量對于運動偏好的影響， 以客觀的運動數據代替了傳統主觀的問卷調查形式， 以一種新的思路側面展現居民對于街道綠化品質的評價． 同時， 在部分研究方法上仍有優化之處， 例如百度地圖中的街景地圖是采用車輛架設攝影機的方式拍攝道路圖像， 這與行人的視角并不一致． Keep的運動數據只能采集相對熱門的運動線路， 對于運動人數較少的道路并無記錄， 因此存在部分道路沒有運動數據的情況． 對于未來的研究， 仍可以進一步探索街道環境綠量的改變是否影響到參與運動的積極性即環境綠量的提高能否吸引更多的人運動， 周圍環境綠量差異大的兩個居住社區其居民是否表現出不同的身心健康狀態等．