基于街景圖像和深度學習的城市道路植物景觀視覺質量評價

中圖分類號：S759.92 文獻標志碼：A 文章編號：1673-923X（2025）07-0205-12

Evaluation of urban roadway plant landscape visual quality using street view images and deep learning

CHENYiduo，HUHaihui

（ColegeofHorticlturedLdscapetecture，oreastgulturalUesityabino，Heiog，ia）

Abstract：【Objectie】Inurbanroadnetworksplantlandscapesalongroadsidesareotolyetiallementsofurbanbeauifcationbut alsodirectlyimpactresidentsqualityoflifeandurbaecologicalbalanceUnderstandingthedistrbutionoftevisualqualityofurbnoad plantlandscapesand their influencing factors canprovidetheoreticalsupportfor future urbanroad plant landscape planningand design. 【Method】Taking Harbin asacasestudy，weutilized stret viewimagedata andcombinedthe SegNeXtsemanticsegmentation model withtheSENetdeepleaingmodeltoquantifyindicatorssuchasthegreeviewindex.Acomprehensiveevaluationofplantadscape visual qualitywasconductedusingtheTrueSkillscoringsystemandtherandomforestalgorithm.【Result】1）Scores forplantandscape evaluationiatoossballibcttlotoeer districtscoredlower2）ereasasignificantpositivecoelationetweentheGVandboththeCIandPLDsugestingutal enhancement;howee，angativeoelationasevedbeweenstructuralLRandtheGVI，andbetweenndD.3）In the visual quality evaluation model based onrandom forest，PLMC had over 50% feature importance，indicating that PLMC is theprimary factorinpredictigalalt4vallalalitabn'stdastedteelih concentrationineothwestegion，iletherarasispladaixeddistrbutioofghndlosoes.【Cocsion】oosd visualqualityvaluationmetodprovidesateoreicalbasisfortesieificplainganddesignofurbanplatandscaps，withpotetial for broader application to other cities， promoting sustainable urban landscape development.

Keywords：semantic segmentation;random forest;roadwayplantlandscape;street view images;visualquality

城市道路是城市中供車輛、行人和其他交通方式通行的線性交通通道，是構成城市交通網絡的重要組成部分。城市道路兩旁的植物景觀不僅提升了城市環境，還對居民的生活質量和城市生態平衡產生了直接影響[1。作為城市形象的重要支撐，城市道路中的植物景觀不僅增添了城市景觀的魅力，還促進了人與自然的和諧關系。資料顯示，植物景觀視覺質量的研究能夠較好地了解人的感受[2]，因此對城市道路植物景觀的視覺質量進行評價尤為重要。

植物景觀視覺質量評價研究可以分為3個方面：基于心理感受的主觀評價，例如通過問卷調查、審美評判測量（BIB-LCJ）[]等方法，了解公眾對植物景觀的感受和看法，將人的直觀感受作為衡量植物景觀視覺質量好壞的標準[4；基于物理質量的客觀評價，例如利用遙感技術[5]、色彩分析[等方法，使植物景觀的基本屬性轉化為可測量的數字參數；主客觀相結合的綜合性評價，借助生理測量儀器與問卷數據進行分析，例如眼動分析[、腦電分析[等。上述研究雖然對植物景觀進行了有效的評價，但是受限于樣本量小、城市信息缺乏等原因，尚無法在更大范圍內評價城市道路植物景觀的視覺質量。

隨著計算機技術的發展，街景圖像和機器學習技術的結合為城市環境評價研究奠定了基礎。通過在城市街道或鄉村道路上進行拍攝，街景圖像能夠記錄特定位置的景象與環境，為城市空間和景觀研究提供重要的視覺信息。基于街景圖像和語義分割量化城市街道內物質要素的空間特征[，在研究中應用較為廣泛。而在有關視覺質量的研究中，主觀的評價方法不可或缺。已有研究表明，通過街景圖像的人工評價所訓練的機器學習模型，可以較好地實現對街景圖像的自動化處理和分析[1]。

與傳統的機器學習算法相比，深度學習算法具有更好的特征表示能力和泛化能力。盡管現有研究已經成功地將街景圖像和深度學習結合起來評估城市環境，例如結合語義分割分析街道綠化的可達性[12]。然而，基于深度學習的主觀評價以及環境整體的視覺質量分析并未涉及。與上述研究相比，基于深度學習訓練了主觀評價模型，結合了植物景觀層次多樣性、形態特征和健康程度等多維指標，提出了一個更加全面的植物景觀視覺質量評價模型，并通過TrueSkill評分系統與隨機森林算法來實現視覺質量的量化和評價。

因此，本研究旨在通過結合街景圖像和深度學習，提出一種主客觀相結合的城市道路植物景觀視覺質量評價方法。研究問題是：1）如何結合街景圖像和深度學習技術構建植物景觀視覺質量評價模型；2）評價指標對視覺質量的影響以及各指標之間的關系如何。

為回答這些問題，本研究基于頻次分析法對有關植物景觀視覺質量評價的指標進行了選取，利用深度學習技術對評價指標進行了量化，采用TrueSkill評分系統和隨機森林算法構建了植物景觀視覺質量評價模型，并分析了評價指標之間、評價指標與視覺質量的相關性。本研究的創新之處在于基于街景圖像和深度學習量化道路植物景觀視覺質量評價指標，并采用TrueSkill評分系統和隨機森林算法對道路植物景觀視覺質量進行了評價。這項研究的結果可用于未來的城市道路植物景觀優化和相關政策決策。

1 材料與方法

基于街景圖像和深度學習的植物景觀視覺質量評價分為4個步驟，如圖1所示。

1）街景圖像采集：使用開放街道地圖（OSM）、地理信息系統（GIS）和百度街景地圖應用程序編程接口（API）獲得街景圖像。

2）評價指標量化：使用語義分割模型SegNeXt量化客觀指標，使用性能表現最佳的深度學習模型量化主觀指標。

3）評價模型構建：使用TrueSkill評分系統和隨機森林算法構建視覺質量評價模型，并分析各評價指標的重要程度。

4）評價模型應用：應用模型完成對哈爾濱城市道路植物景觀的視覺質量可視化。

1.1 研究區域

研究區域位于黑龍江省省會哈爾濱 .125^°42^′～ 130^°l0^′E ， 44^°04^′～46^°40^′N） ，其地處我國東北平原，黑龍江省西南部，是中國緯度最高的省會城市。本研究圍繞哈爾濱市繞城高速內部的松北區、道里區、南崗區、香坊區、道外區和呼蘭區等6個市轄區進行，數千條街道覆蓋研究區域約400km² 。

1.2 街景圖像獲取與處理

從OSM中下載哈爾濱城市路網，基于百度地圖開放平臺采集街景圖像。一般而言，對于道路植物景觀的研究，較小的圖像間隔可能更有利于捕捉植物景觀的特征。為了盡可能全面采集道路植物景觀圖像，按照 50m 間隔設置街景圖像采樣點，共采集91088個樣本點。然后將采樣點數據導入ArcGIS中的WGS1984坐標系，獲取采樣點的經緯度坐標。由于百度街景采用的是百度墨卡托投影（ bd09mc ），故通過官方轉換函數“wgs2bd09mc”將wgs84坐標自動轉換為百度的bd09mc 坐標，以便進行數據采集。

為了避免冬季植物凋零對街景分析產生較大的影響，獲取的街景圖像均為5一10月拍攝。通過以上方法獲取了182176張圖像。考慮到本研究主要關注由植物景觀組成的立面部分，一些圖像并不符合要求，例如不包含植物景觀的圖像以及在道路交叉口拍攝的圖像。因此，利用后續研究中的主觀指標量化模型，從街景圖像中辨別非道路植物景觀圖像，以篩選出不合格的圖像。第一步，從數據庫中隨機抽取2000張圖像，并手動將它們分類為“植物景觀圖像”（1257）和“非植物景觀圖像”（743）。然后，這些圖像被用于訓練主觀指標量化模型，將訓練后的模型應用于所有圖像以篩選出適合包含在分析中的圖像。

1.3 評價指標的選擇及量化

1.3.1 評價指標選擇

本研究采用頻次分析法對植物景觀視覺評價的相關研究進行統計分析，選取30篇研究文獻中評價指標的頻率進行統計，并基于街景圖像評價進行篩選，最終選取的指標為以下客觀指標：綠色視覺指數（GVI）、植物景觀色彩豐富指數（PCRI）、植物景觀層次多樣性（PLLD）、植物景觀層次豐富度（PLLR）；主觀指標：植物景觀形態特征（PLMC）、植物景觀協調程度（PLCD）、植物景觀健康程度（PLHD）。

1.3.2 客觀指標量化

1）量化模型選擇

本研究選擇SegNeXt模型對街景圖像進行語義分割。SegNeXt是一種用于多類語義分割的全卷積神經網絡結構，與Transformer模型相比，SegNeXt模型利用多尺度卷積操作，在捕捉多尺度上下文信息的同時，保持了較低的計算復雜度[3]。在城市植物景觀評價任務中，SegNeXt模型能夠同時關注不同尺度的圖像特征，如遠景中的建筑物和近景中的植物景觀元素。其多尺度卷積機制使得模型能夠精確地分割植物景觀元素，并有效區分與其他背景元素（如建筑和道路）之間的邊界。因此，本研究采用SegNeXt模型將街景中的植物景觀元素分為喬木、灌木、草、花等4種類型，以便更好地分析。

2）指標量化方式

綠色視覺指數（GVI）是指人眼觀察到的環境中綠色植物的比例，可以直觀地反映綠化水平對人類視覺感知的影響，能夠在街道景觀和城市小氣候調節中發揮重要作用。其中，城市道路中的綠化除了綠色植被以外，還包括色葉植物及花卉植物等非綠色植被。因此本研究中GVI量化為街景圖像中植物像素面積的占比。

{i∈（1，2，…，n}

式中： T_n 代表喬木像素， G_n 代表草本像素， P_n 代表灌木像素， F_n 代表花像素。

植物景觀色彩豐富指數（PCRI）是衡量植物色彩多樣性和豐富度的指標。通過分析街景圖像中植物的顏色組成，可以對植物色彩的直接視覺感知所創造的空間氛圍進行量化。在視覺注意機制的相關研究中，色彩豐富指數是在視覺熵的計算公式中加入色彩因子后的改進指標，故本研究通過視覺熵計算公式中的概率 P_i 乘以一個能代表所在區域顏色的量值對植物色彩豐富指數進行量化[14]。

式中： R_i， （20 G_i，B_i 分別是第 i 種顏色在RGB色彩模式下的紅、綠、藍通道的色彩值， P_i 是第 i 種顏色的比例， N_i 是第 i 種顏色的像素數量， T 是圖像中所有像素的數量。

植物景觀層次多樣性（PLLD）是指街景圖像中植物群落在不同垂直層次結構中搭配比例的均衡程度。本研究采用香農熵指數來計算植物景觀的層次多樣性。

式中： P_i 是指第 i 種植物的相對豐度，即第i種植物的像素數量占總像素數量的比例。

植物景觀層次豐富度（PLLR）是指街景圖像中植物群落在垂直空間中具有的喬木、灌木、草和花的層次結構數量。

3）模型性能評估

盡管SegNeXt模型已經在ADE20K數據集和Cityscapes數據集上展示出了良好的性能，但其在未知數據集上的表現仍需進一步驗證。本研究從哈爾濱城市街景圖像數據集中隨機抽取10張街景圖像進行手動標注，通過計算模型預測的語義分割結果與手動標注結果之間的平均交并比（mloU），即預測結果與實際結果之間的重疊程度平均值，以評估模型在本研究數據集上的性能。所有圖像的總平均交并比為 78.26% ，高于SegNeXt論文中的mloU結果[13]，證明了SegNeXt模型在本研究的數據集上保持了良好的性能，模型能夠有效應用于本研究中的語義分割任務。

1.3.3 主觀指標量化

1）量化模型選擇

在計算機視覺領域，有許多與圖像評價相關的方法。本研究選擇了3個比較先進的深度卷積網絡模型來評估它們的性能，分別是SENet[5]、EffcientNet[和ResNeSt[17]。其中，SENet通過引入“Squeeze-and-Excitation”模塊，能夠自適應地對通道進行加權，從而使得神經網絡能夠更加聚焦于圖像中的重要特征，例如與植物景觀相關的區域。EfficientNet通過復合縮放策略優化了神經網絡的深度、寬度和分辨率，能在保證高精度的同時快速處理大規模的街景圖像。ResNeSt通過引入多分支注意力機制，有效增強了神經網絡對圖像中植物景觀區域特征的適應能力，能夠在復雜的街景環境中應對不同光照、遮擋和背景干擾，從而提升了圖像處理的魯棒性。綜上所述，這3種模型各具優勢，能夠從不同維度提升圖像特征提取的精度與效率，因此被選為本研究中的主觀指標量化模型。

2）指標量化方式

在本研究中，偏好被用作主觀指標評估的衡量標準，每個主觀指標的評估采用5分制（分數分為5個級別），評分區間為[1，5]。在城市環境質量的評價研究中，專家評價是一種應用較為廣泛的方法。盡管這種評價方法依賴于人工評分，具有一定的主觀性，但結果往往是可靠的[1]。理想情況下，應該邀請相關領域內的有經驗的專家和學者對研究數據進行評價。然而，考慮到評價工作的規模（每個專家需要對上百張圖像進行評分），我們很難邀請到相關專家來做這項工作。因此，本研究選擇邀請10名接受過景觀專業培訓5年以上的研究生來完成這項工作。

3）模型性能評估

在深度學習模型的訓練中，十折交叉驗證是一種可靠的方法。它將數據集隨機分為10組，每次使用其中9組作為訓練集，1組作為驗證集，重復10次。10次評估結果的平均值，作為最終的評估結果。因此本研究采用十折交叉驗證方法對模型進行訓練和評估，在圖像分類任務中，2000張圖像被隨機分為10組，并標記為 [0～199] 、（2號 [200～399] 、 [400～599] 、…、 [1800～1999] 。在定性指標量化任務中，1257張植物景觀圖像被隨機分為10組，標記為 [0～124] 、 [125～249] 、[250～374] 、…、 [1125～1256] 。在模型性能評估方面，分類任務采用F1評分，回歸任務采用RMSE評分。通過評估SENet、EfficientNet和ResNeSt的性能，SENet在F1評分上表現最佳，同時在RMSE評分上最低。基于上述結果，我們選擇了SENet模型進行大規模應用。

1.4 TrueSkill評分系統構建

在視覺質量評分的收集過程中，本研究借鑒了Rui等[在收集視覺質量評分時采用的Elo算法，通過兩張圖像的比較來完成視覺質量的可視化。不同的是，本研究采用TrueSkill評分系統進行評價。TrueSkill是一種基于貝葉斯推理的評分系統，用于動態調整和更新評分[20]。與Elo算法相比，TrueSkill能夠在多次圖像對比后產生更加穩定的評分結果，并且在連續的評分過程中逐步優化評分模型，從而避免了Elo算法可能出現的過度依賴初始評分的問題。這種動態調整機制使得TrueSkill能夠更精確地反映評分過程中各圖像分數的相對變化，從而提高評分的準確性和可靠性。基于TrueSkil1評分系統的機制，本研究通過Python編程語言構建了TrueSkill評分程序，如圖2所示。從91088個街道點中，隨機選取500個作為樣本點，并在ArcGIS中進行平均最鄰近分析。結果最鄰近比率為1.04577，表示點分布趨向于均勻。參數設定初始評分均值（ μ=25 、標準差（ _（σ=μ/3 ）和調節參數（ ），對每張圖像的評分進行初始化。當所有的圖像對都被評估完成后，將評分值歸一化到 0～10 范圍內，以便進行后續研究。

1.5 隨機森林算法構建

隨機森林是一種基于集成學習的機器學習方法，它通過集成學習的方式訓練多個決策樹，并將決策樹的結果結合起來，以提高模型預測的準確性和魯棒性。在與其他機器學習方法的比較研究中，隨機森林的性能通常優于其他機器學習算法，例如支持向量機、K-最近鄰和線性判別分析[21]。與這些算法相比，隨機森林在處理高維數據和復雜模式時表現出更強的魯棒性和更好的泛化能力。尤其在存在噪聲或數據不平衡的情況下，隨機森林通過集成多個決策樹的方式，可以有效減少過擬合的風險，從而提高了模型在未知數據上的表現。因此，本研究使用隨機森林算法構建模型，將500個樣本點的視覺質量評分作為目標變量數據，將評價指標量化模型應用于樣本圖像，以獲得主觀評價和客觀評價的特征數據。如圖3所示，將特征數據和目標變量數據輸入到隨機森林算法中進行訓練，獲得預測結果。與主觀指標量化模型的性能評估方法相同，用十折交叉驗證計算隨機森林模型的MSE和決定系數 R² 。最終得到的R² 為0.71，MSE為1.48。參考Yilmazer等[22]對隨機森林的評估研究，本研究中模型的評估結果較為可靠。

2 結果與分析

2.1 道路植物景觀視覺評價指標特征分析

根據SegNeXt模型和SENet模型對哈爾濱6城區91088個街景點進行了量化，通過計算每個路段的平均得分，制作了各評價指標的評分地圖（圖4）。GVI的均值為0.20，在相關研究中，GVI大于 30% 的道路植物景觀空間更能受到人們的歡迎[23-24]。因此研究區域內的街景GVI較低，且取值范圍在 0～0.98 ，反映出植物景觀在不同街景中的占比具有顯著差異。PCRI的平均值為27.04，標準差為14.55，說明整體的色彩豐富程度較低，部分街景的植物色彩極為豐富，而另一些則較為單調。這與哈爾濱的實際情況相符，作為寒地城市，耐寒性強的植物成為主要選擇，這使得城市道路上的植物種類相對有限，植物景觀色彩較為單調。PLLD的取值范圍在 0～1.02 ，平均值為0.336，說明雖然在某些街景中植物層次分布有一定的多樣性，但整體偏低。這表明城市道路中的植物景觀設計更多地集中在單一層次的綠化，而缺乏高低搭配的多層次植被。PLLR的均值為2.06，表示研究區域內平均有兩種以上的植物景觀垂直層次類型，其中大多為喬木和灌木。主觀評價指標中，PLMC的均值為2.75，表明植物景觀整體的姿態和分枝結構具有良好的視覺效果。PLCD的均值為2.23，表示大多數植物景觀在協調程度方面偏低，說明植物景觀配置與建筑風格、道路布局等不匹配，或者植物景觀之間的比例、色彩搭配不平衡，導致視覺上的不連貫。PLHD的均值為1.77，表明植物景觀整體的健康程度不高，盡管植物景觀在形態特征上展現出一定的美觀性，但其生理健康狀況相對欠佳。這可能是因為受到養護管理缺失的影響，導致植物的生長受限，出現樹冠缺失、枝條枯死等問題。

為了能更直觀的觀察哈爾濱市中各城區的視覺分布，制作了直方圖（圖5）。綜合來看，松北區幾乎在各項評價中達到了最高，表明該地區在城市綠化設計、植物選擇和養護管理等方面的顯著優勢。松北區作為國家級生態城區，在發展經濟的同時，堅持生態優先綠色發展，通過科學規劃和低碳建設，維護了植物景觀的良好狀態。呼蘭區的GVI最低，反映出該區在綠化投入上的不足，較低的GDP使呼蘭區面臨資金和資源分配上的限制，導致道路綠化的覆蓋率較低。道外區的PCRI最低，道里區的PLLD、PLLR和PLHD最低，香坊區的PLMC、PLCD最低。這3個區域作為哈爾濱市的老城區，歷史悠久，規劃建設較早。由于早期的城市綠化標準較為簡單，道路植物景觀設計可能更多地側重于實用性，而非美觀性。這導致道外區的PCRI最低，可能是因為植物品種單一，缺乏色彩豐富的觀賞性植物。同時，道里區的PLLR和PLHD低，表明該區的植物景觀可能長期未得到更新，且維護成本較高，導致植物老化，難以展現多樣的層次與健康狀態。此外，作為工業強區的香坊區，其PLMC和PLCD較低可能與工業化進程以及城市建設帶來的環境壓力密切相關，大量的工業設施和密集的人類活動影響了植物景觀的形態特征和協調程度。

2.2 植物景觀視覺評價指標之間的相關性分析

使用斯皮爾曼相關系數（SCC）分析植物景觀視覺評價指標之間的相關性，主要基于數據的排名進行統計，而非數值大小，因此不假設數據的線性關系，也能夠捕捉到單調關系。如圖6所示，所有評價指標之間的相關性均具有統計顯著性，其對應的 P 值均小于0.05。具體來說，GVI與PCRI和PLLD之間存在顯著的正相關性，Spearman相關系數分別為0.81和 0.96 。這表明，在綠化覆蓋率較高的區域，通常伴隨著更豐富的植物色彩和更復雜的景觀層次。但某些指標之間的相關性也較弱，例如PLLR與GVI的相關系數為-0.067，表明在某些綠化覆蓋率較高的區域，道路植物景觀的層次可能較為簡單，主要由單一層次的高大喬木或密集灌木構成，缺乏多層次的植被結構。PLHD與PLLD的相關系數為-0.014，說明植物的健康程度不一定與其層次多樣性直接相關。盡管植物層次多樣性較高，但如果環境條件欠佳，如土壤質量差或缺乏有效的養護管理，植物仍然會表現出健康問題。

總體來看，盡管一些指標具有顯著相關性，能夠相互促進，但其他指標之間的弱相關性提醒我們，在進行城市道路植物景觀規劃和管理時，單純增加綠化覆蓋率或提高植物層次多樣性可能并不足以提升整體的植物景觀視覺質量。更為全面的植物管理策略、適當的物種選擇和定期的養護措施是確保植物景觀視覺質量的關鍵。

2.3 植物景觀視覺質量評價結果

哈爾濱城區樣本點視覺質量評價分數分布如圖7所示，高分點在中心區域和西北區域較多，而低分點在各區域都有分布，總體來說呈現中心區域與西北區域高，其他區域低的空間分布特征。500個樣本點的得分排名趨于穩定。樣本點分數集中在 4.0～7.0 分，其中 4.0～4.5 分的圖像最多，0～0.5 分的圖像最少。大多數樣本獲得了中等或較低的評分，少數樣本獲得了高評分。

為建立基于隨機森林的道路植物景觀視覺質量評價模型，將上述500個樣本點作為訓練樣本，將GVI等7個指標輸入到隨機森林模型中進行訓練，每個指標的權重排名如圖8所示，其中PLMC在模型中的權重最高，占比超過 50% 。這說明模型在預測視覺質量時，主要依賴于PLMC的評分，可能是因為植物景觀的形態特征能夠顯著區分不同的視覺效果和感知體驗。PLHD和PLLR的特征權重較低，表示這兩個指標對模型預測結果的貢獻有限，預示著健康的植物景觀和具有較多層次類型的植物景觀可能并不會獲得較高的視覺質量評價結果。

根據隨機森林模型中每個指標的權重，對哈爾濱市城區道路植物景觀的視覺質量進行了評價，結果如圖9所示。評價表明，哈爾濱市城區道路植物景觀的視覺質量一般，平均分數為6.01。其中，城市中心區域的低分路段較多，西北區域具有較多高分路段，總體呈現西北區域高分聚集，其他區域混合分布的格局。

3討論

3.1 區域經濟發展與綠化投入的關系

區域經濟發展水平通常決定了綠化投入的規模。根據2023年哈爾濱統計年鑒中的統計數據和各城區園林綠化保障中心的公開報表，GDP最高的南崗區和道里區在綠化上的投入較大。然而，經濟排名靠前并不總意味著較高的植物景觀視覺質量。例如，道里區在植物景觀層次多樣性和健康程度上表現較差，表明該區域的綠化維護可能沒有跟上經濟發展的步伐，尤其是在植物健康管理方面。香坊區作為第三大經濟體，其較高的工業化程度和城市建設密度可能對植物景觀的形態特征和協調程度產生了負面影響。盡管經濟實力較強，但高密度的工業設施與交通壓力可能削弱了該區域的綠化效果，導致植物生長環境惡化。相比之下，松北區雖然排名第四，但其在植物景觀質量上的表現優異，說明該區在發展過程中堅持了“生態優先”的戰略，將綠化建設融入到城市擴展中。呼蘭區排名最低，甚至低于許多區縣，反映了較低的經濟發展水平對綠化資金投入的限制。由于缺乏足夠的財政支持，綠地建設和維護難以得到保障，這在一定程度上解釋了其綠色視覺指數具有最低的排名。區域經濟發展與綠化投入之間存在顯著的關聯。經濟發達區域能夠在綠化上投入更多資源，但規劃與執行上的差距可能導致綠化效果不均衡。而經濟相對落后的區域，由于資金限制，綠化項目發展滯后，難以達到預期的植物景觀質量。

3.2 植物景觀視覺質量的優化

根據本研究的評價結果，哈爾濱市道路植物景觀的視覺質量亟待提升。理想情況下，各區域評分較低的指標都應進行優化。然而，隨著中國東北地區經濟發展速度的下降，哈爾濱對城市景觀改造的投入受到制約[25]。因此，需要優先改造那些視覺質量評分明顯低于平均水平的區域，以在有限的資源條件下實現最有效的優化。在一般情況下，環境中低于平均分數的區域通常被視為需要改進或優化的區域。例如，ISO14031等環境績效評估標準強調，如果某個領域的績效（如環境或景觀質量）低于既定的平均水平或目標，則通常會被認定為需要改進。因此，我們基于研究區域的評價結果，以各指標的平均分數作為標準，構建了桑基圖（圖10）。從圖中可以清晰地識別出每個區域需要重點優化的指標，例如道外區需要重點優化PLLD、GVI和PCRI。為提高PLLD，可以采用分層種植策略，增加灌木、草本和花卉植物的數量；對于GVI，可以增加適宜的本地植物種植數量以提高環境的綠化水平；而提升PCRI，則可以通過豐富植物的色彩搭配和組合，引入更多的觀賞性植物。呼蘭區需要重點優化GVI和PLMC。為提高GVI，同樣可以增加植物的數量，尤其是在公共空間和街道旁；而優化PLMC，可以通過設計合理的植物排列和造型，創造更具視覺吸引力的景觀。（松北區由于各指標值均高于整體的平均值，在圖中沒有顯示）

3.3 在城市道路中量化植物景觀的視覺質量

隨著多源數據在研究中流行程度的提高，本研究進一步闡明了如何應用計算機視覺工具來量化城市道路植物景觀的視覺質量。通過結合街景圖像、語義分割、深度學習、TrueSkill評分系統和隨機森林算法，本研究建立了一套科學系統的框架，用于評估和量化城市道路植物景觀質量。街景圖像作為行人視角的重要數據來源，能夠反映城市環境中的實際視覺體驗。借助SegNext語義分割模型，本研究實現了對街景圖像中多種植物元素（如喬木、灌木等）的提取；同時，SENet模型在處理主觀評價任務時展現出優越的性能。

結合頻次分析法，對植物景觀視覺指標進行提取；利用TrueSkill評分系統和隨機森林算法構建科學、全面、系統的城市道路植物景觀視覺評價指標體系，從而有效評估城市道路植物景觀的視覺質量。

3.4 局限性和未來前景

盡管本研究取得了令人滿意的結果，但仍存在一些局限性。首先，評價指標的選擇受到街景圖像和機器學習技術的限制。其次，本研究使用專業人士的評價數據作為深度學習模型的訓練樣本，而非專業的公眾對植物景觀的看法沒有包含在模型中。此外，本研究基于哈爾濱市的街景圖像構建了道路植物景觀視覺質量評價模型，作為寒地城市的典型代表，雖然針對哈爾濱的研究具有借鑒意義，但其結果可能難以直接推廣到其他氣候條件和城市背景不同的地區。

在未來的研究中，可以考慮通過相關學科和設備的相互融合，對評價指標的選取進行優化。此外，收集評價數據時，可以在現場收集公眾的意見，使評價數據具有代表性。最后，未來可以擴大研究范圍，包括不同氣候類型的地區，驗證模型的普適性，確保其在不同區域的適用性和科學性。

4結論

本研究利用語義分割和深度學習技術，對哈爾濱6城區城市道路植物景觀的視覺評價指標進行了量化，并通過TrueSkill評分系統和隨機森林算法對植物景觀進行了評價。具體結果如下：第一，哈爾濱市植物景觀視覺評價結果較差，整體來看各指標分數較低。不同城區在不同評價指標中的表現不盡相同，其中松北區幾乎在各項評價中達到了最高，展現出該區域在城市綠化設計、植物選擇及養護管理方面的優勢。而一些老城區由于規劃建設較早的原因導致評價結果普遍偏低。第二，通過斯皮爾曼相關系數分析，發現綠色視覺指數、植物景觀色彩豐富指數和植物景觀層次多樣性這3個指標之間存在顯著的正相關性，說明在綠化覆蓋較高的區域，通常伴隨著更豐富的植物色彩和更復雜的景觀層次。相對而言，植物景觀層次豐富度與綠色視覺指數、植物景觀健康程度與植物景觀層次多樣性之間均呈現微弱的負相關，說明具有較多層次結構的植物景觀，例如喬-灌-草-花，并不會伴隨著綠色視覺指數的提高，并且層次多樣性較高的植物可能健康程度較低。第三，植物景觀形態特征在視覺質量評價中發揮了至關重要的作用，重要程度超過了 50% ，而健康程度和層次豐富度這兩個指標對模型的貢獻相對有限。第四，哈爾濱市主城區植物景觀的視覺質量總體上處于中等水平，空間分布格局呈現西北區域高分聚集，其他地區高低分混合分布的特征。

本研究區別于傳統的植物景觀視覺質量評估方法，通過深度學習技術在圖像識別和語義理解上的優勢，將主觀與客觀、定性與定量的分析方法有效結合，顯著提升了植物景觀視覺質量評估的科學性和效率，同時擴大了評估數據的規模。本研究實現了從人工評估向智能自動化評估的轉變，推動了視覺質量評估的智能化和數字化發展，具有促進道路植物景觀可持續發展的重要意義。這種方法不僅適用于中國的城市環境，也具有廣泛的國際適用性。我們期望本研究能夠推動城市植物景觀視覺質量評價向智能化方向邁進，為城市植物景觀研究和人類生存環境的改善提供有力支持。

參考文獻：

[1]FINESCHI S，LORETO F.A survey of multiple interactions between plantsand the urban environment[J].FrontiersinForests and Global Change，2020，3：30.

[2]KRAGEL PA，REDDAN MC，LABAR K S， et al. Emotion schemas are embedded in the human visual system[J]. Science Advances，2019，5（7）：eaaw4358.

[3]陳國棟，邱冰，王浩.一種基于虛擬現實技術的植物景觀規劃 設計方案評價與修正方法——以長蕩湖旅游度假區為例[J]. 中國園林 ，2022，38（2）：31-36. CHENGD，QIUB，WANGH.A method of evaluation and modification of plant landscape planning and design based on virtual reality technology：takingChangdang lake tourist resort as an example[J]. Chinese Landscape Architecture，2022，38（2）： 31-36.

[4]MISGAV A，AMIR S. Integration of visual quality considerations in development of Israeli vegetation management policy[J]. Environmental Management，2001，27（6）：845-857.

[5]GUPTAK， KUMARP，PATHAN S K， et al. Urban neighborhood green index：a measure of green spacesin urban areas[J]. Landscape and Urban Planning，2012，105（3）：325-335.

[6]MA B Q，HAUER R J， XUCY. Effects of design proportion and distribution of color in urban and suburban green space planning to visual aestheticsquality[J]. Forests，202o，11（3）：278.

[7]吳江洲，田碧蓉，鐘永德，等.基于眼動實驗的湖南省植物 園解說牌效用評價[J].中南林業科技大學學報，2024，44（3）： 189-197. WU J Z， TIAN BR，ZHONG Y D， et al.Evaluation of the effectiveness of interpretive panels in Hunan Botanical Garden based on eye movement experiment[J]. Journal of Central South University ofForestry amp; Technology，2024，44（3）：189-197.

[8]ZHENG S Y，ZHOUY Z，QU HY. Physiological and psychological responses to tended plant communitieswith varying color characteristics[J].Joumal ofForestryResearch，2024，35（1）：32.

[9]YINL，WANG ZX.Measuring visual enclosure for street walkability： using machine learning algorithms and Google street view imagery[J].AppliedGeography，2016，76：147-153.

[10]邱燁珊，車生泉，謝長坤，等.基于深度學習的上海城市街景 與景觀美學公眾認知研究[J].中國園林，2021，37（6）：77-81.QIUYS，CHESQ，XIECK，et al.Study on the public perception of Shanghai urban streetscape and landscape aesthetics based on deep learning[J]. Chinese Landscape Architecture，2021，37（6）： 77-81.

[11]LIU L， SILVA E A， WU C Y， et al. A machine learning-based method for the large-scale evaluation of the qualities of the urban environment[J]. Computers，Environment and Urban Systems， 2017，65：113-125.

[12]YE Y，RICHARDS D，LU Y， et al.Measuring daily accessedstreet greenery： a human-scale approach for informing better urban planning practices[J].Landscape and Urban Planning，2019，191： 103434.

[13] GUO M H， LU C Z， HOU Q， et al. SegNeXt： rethinking convolutional attention design for semantic segmentation[J]. Advances in Neural Information Processing Systems，2022，35： 1140-1156.

[14]韓君偉，董靚.街道景觀視覺評價量化指標及其有效性分 析[J].西南交通大學學報，2015，50（4）：764-769. HAN J W， DONG L. Quantitative indices of streetscape visual evaluation and their validity analyses[J]. Journal of Southwest Jiaotong University，2015，50（4）：764-769.

[15]HU J， SHEN L， SUN G. Squeeze-and-excitation networks[C]/ 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT，USA.IEEE，2018： 7132-7141.

[16] TAN M X，LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks[C]// International Conference on Machine Learning.PMLR，2019：6105-6114.

[17]ZHANGH， WU CR，ZHANG ZY， et al. ResNeSt： split-attention networks[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. New Orleans， LA，USA.IEEE，2022：2735-2745.

[18]WOHLWILLJF.Environmental aesthetics： the environment as a source of affect[M]. Boston： Springer，1976：37-86.

[19]RUI QQ， CHENG H S.Quantifying the spatial quality of urban streets with open street view images： a case study of the mainurbanarea of Fuzhou[J].Ecological Indicators，2023，156： 111204.

[20]HERBRICH R，MINKA T，GRAEPEL T. TrueSkil TM：A Bayesianskill rating system[C]//Advances inNeural Information Processing Systems 19.Proceedings of the 2006 Conference： The MIT Press，2007：569-576.

[21]CHENRC，DEWI C，HUANG SW， et al. Selecting critical features for data classification based on machine learning methods[J]. Journal of Big Data，2020，7（1）：52.

[22] YILMAZER S， KOCAMAN S.A mass appraisal assessment study using machine learning based on multiple regression and random forest[J].Land Use Policy，2020，99：104889.

[23]李鳳儀，周旭，王峰，等.基于街景大數據的長沙市道路綠化 視覺評價[J].中南林業科技大學學報，2021，41（5）：163-173. LIFY，ZHOUX，WANGF，etal.Visual evaluation of road greening in Changsha based on big data of street view[J]. Jourmal of Central South University ofForestry amp; Technology，2021，41（5）： 163-173.

[24]楊燦，孫靖怡.洞庭湖生態經濟區經濟高質量發展評估與 空間演變特征[J].中南林業科技大學學報（社會科學版）， 2024，18（3）：36-47. YANG C，SUNJY.Evaluationand spatial evolution characteristics ofhigh-quality economic development of Dongting lake ecoeconomic zone[J]. Journal ofCentral South University ofForestryamp; Technology （Social Sciences），2024，18（3）：36-47.

[25] BANY，WANG Y，CHENXH，etal. Synergistic patterns of urban economic efficiency and the economic resilience of the HarbinChangchun urban agglomeration in China[J]. Sustainability， 2023，15（1）：102.

[本文編校：吳毅]