基于大規模街景圖片人工智能分析的精細化城市修補方法研究

鄭 屹 楊俊宴

城市修補涉及人居和景觀環境的各個方面，豐富多樣、協調美觀的城市景觀會使人們在城市生活中感到舒適與愉悅。然而在過去數十年間，大規模急劇的城市擴張，追求“大”而輕視“美”的建設模式，造成了人居環境品質低下等大量的城市景觀問題。同時，缺乏宏觀及系統性的城市自然景觀要素管控，也導致城市出現臨山不見山、濱水不見水等景觀問題?；诖?，中國不少城市都在近幾年內開展了城市修補專項規劃，旨在提升人居環境品質。但是，當前的事實是大量相關規劃難以實施，并缺乏整體層面的設計指導[1]。同時，傳統單一依靠設計人員的現場調研，以及基于美學和經驗的分析與設計方法，使得在城市修補過程中往往就地塊論地塊，忽視局部與整體之間的關聯。這也使得在城市修補過程中，對于局部景觀的設計和提升反而造成整體景觀上的不協調，導致景觀風貌在空間層面的無序和破碎，對城市整體景觀效應產生嚴重的負面作用。

對此，如何在城市整體層面對景觀問題進行客觀化、精確化和系統性的研判，建構適合不同尺度的精細化城市修補方法，成為當前重要的研究問題。面對這一現實問題，王建國[2]和楊俊宴[3]將人工智能與城市多源大數據為基礎的數字化新技術應用于城市設計過程中，全面介入城市的營造過程。在大量城市設計實踐積累的基礎上，楊俊宴等[4]將數字化方法進一步引入生態、景觀環境領域，提出從安全、生態及健康出發的綠色城市數字化設計方法體系。同時，龍瀛[5]、葉宇[6-7]等使用百度街景數據進行空間品質測度的相關探索，也為本文提供了一定的方法指導。然而，當前的研究成果大多仍集中于數字化探索的理論層面，抑或是方法論上的探討。對于基于大數據的分析研判之后，如何將分析結果應用于設計實踐中并結合城市規劃師的專業判斷，使得客觀的分析結論最終可以轉化為科學有效的工程設計方案，則缺乏相對充足的探索。

因此，本文在前人研究的基礎上，通過訓練景觀風貌要素識別數據集(即用于要素識別的基礎要素數據庫)，提升景觀要素的識別精度，實現對城市景觀問題的精確診斷。進而將智能識別的結果與設計實踐相結合，使城市景觀風貌問題的精確分析結果指導并應用于設計中，實現在城市修補規劃中對局部城市景觀問題的精準設計，并嘗試提升設計成果在城市修補過程中的落地性。

1 復雜建成環境下的精細化城市修補方法

街景圖片可以最貼合實際地表達人們對于城市環境的感受，直觀反映出城市景觀的實際表征[8]。因此，城市精細化修補基于城市規劃師初步現場踏勘的結論，選擇百度街景作為基礎數據，通過全卷積神經網絡模型(Fully Convolutional Networks，FCN)及城市場景要素數據集對街景圖片進行高顆粒度的識別，并將基于街景大數據的數字化研判結果反饋至規劃師，從而輔助精確判別城市景觀問題，進而支持規劃師進行精細化的城市修補設計工作(圖1)，具體包含以下幾個方面。

1.1 百度街景圖像數據的自動抓取

百度街景數據因其具有較高的分辨率和相對開放的API獲取接口而被學界廣泛應用[9]。因此，在規劃專業人員對設計地塊進行現場踏勘的基礎上，研究首先通過地圖空間坐標拾取平臺獲取4點坐標數據，框定所需街景抓取范圍；進而在PyCharm程序上按照0.000 5經緯度(約30m)作為采樣點距離，人眼視角125°作為抓取圖片的范圍，平視角度(0°)對街景圖片采樣標準進行設定，使得采集的街景數據最能反映出人眼視角中城市空間的真實圖景。其中，由于百度街景數據本身攜帶有size、location、heading和pitch等參數信息，因此在圖片數據抓取完成后，通過自動生成的CSV格式文件，對相關參數進行整理、統計，并通過數據清洗，篩選和剔除無效數據(無圖像的0k數據)，即可獲得可供識別的有效街景數據集。

1.2 基于FCN網絡模型的城市場景要素高顆粒度智能識別

基于上文獲取的有效街景數據集，對街景中的景觀要素進行高顆粒度的識別，是對城市空間景觀問題精確研判并開展精細化修補的核心步驟。首先基于國內外開源標簽數據集①建構包含天空、植被和道路等在內的基礎要素識別分類器(基于FCN模型的語義分割識別程序的要素識別基礎數據模塊)[10]，針對山體、水體和圍墻等個別要素的識別，借助深度學習方法(通過人為的設置，使計算機可以在一定程度上輔助和代替研究者進行海量的基礎數據采集工作)②，對個別要素的圖片樣本數據進行收集，平均每單一類別要素采集10 000萬張相關圖片進行數據集建構，并同基礎識別數據集融合；同時，基于空洞卷積的空間金字塔池化(Atrous Spatial Pyramid Pooling)③，對不同尺度上用不同大小膨脹系數來抓取多尺度信息并確保圖像輸出結果的有效性。最后進行整合，形成相對全面的城市場景要素識別數據集[11-12]。

在數據集構建基礎上，通過反復實驗，本文采用125層的FCN全卷積復雜神經網絡模型對街景中的各類要素進行語義分割識別(Semantic Segmentation)?；贔CN的語義分割識別是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward Neural Networks)，是深度學習的代表算法之一[13]?；贔CN對圖像內容進行像素級的分類，從而解決了語義級別的圖像分割問題。城市場景語義分割識別是基于數據集對城市場景中的標簽要素進行像素級的分析，以識別出圖片中的各類要素及圖幅占比[14]?；贔CN的像素級語義分割是目前計算機視覺領域精度較高的應用型識別方法，諸如龍瀛[15]、唐婧嫻[16]等大量的研究均證明其在城市場景識別中具有較高的有效性和可行性。因此，本文采用該方法對街景中的植物、圍墻、機動車、行人、基礎設施、自行車、建筑和建筑風貌類型等在內的16類要素進行了像素級智能語義分割識別(圖2)，分析各要素識別結果所占圖幅面積比例、比值及要素邊界數量等數據，從而對城市景觀問題進行更加客觀及量化的研判。

圖1 城市精細化修補技術框架

1.3 “街景+”空間數據城市景觀問題復合測度

在街景圖片要素精細化識別的基礎上，借助ArcGIS數據分析平臺，將帶有地理坐標信息的識別結果投射到空間當中，從而在整體層面對景觀問題進行判斷。在城市景觀問題研判過程中，由于城市景觀中同時涉及復雜建成環境的多項要素[17]，因此，本文從單要素評價和復合要素測度2個方面對景觀環境進行分析。其中，單一要素評價主要對綠視率、天空可視域、界面通透度、步行道連續度和機動車數量等進行分析[18]。并在此基礎上，綜合考慮建筑圍合與空間開敞度、植被與空間綠視感受、建筑色彩與環境氛圍感知等相互關系，以及與植被、車輛、建筑等多要素共同形成的空間色彩豐富指數的關聯關系，歸納梳理出人眼視覺層面對于空間直觀感受最主要的4類復合指數，并進行對應的測度(表1)。通過關聯街景數據識別結果與城市空間，將基于街景數據的測度結論反饋至規劃專業人員，通過信息整合和智慧判斷，為后續形成針對性的城市修補設計方案提供有力的數據支持和有效的分析參考。

2 智能分析支持精細化城市修補技術實踐——以登封為例

基于上文所述方法體系，本文以登封市城市修補專項規劃實踐項目為例，在實際應用中討論數字化的分析結論如何提升城市修補規劃中的精準性。本文共采集登封市域有效街景數據12萬張，并進行高顆粒度的精確識別，分析登封現狀景觀問題。并基于識別和分析結果對登封在快速城鎮化過程中產生的景觀環境問題進行精細化的設計和修補，提升登封的人居及景觀環境品質和適宜性。

2.1 登封市景觀環境的特點及要素體系

登封市位于豫西山地東部，地貌類型多樣，山地、丘陵占全市土地總面積的79.50%。受登封北高南低的地形影響，少陽河、書院河和焦河3條主要水系南北貫穿城市，與嵩山、箕山及城市內部的鎖谷堆、蝎子山、黃蓋峰和棋盤山等丘陵共同構成登封依山、覽山的特色自然景觀本底(圖3)。

然而，當地近年來的城市建設卻對上述優質的自然景觀資源產生了嚴重的負面影響。因此，精確定位景觀問題的具體癥結，成為開展后續精細化城市修補的關鍵步驟?；诘欠馑赜械纳降?、丘陵自然景觀環境要素，研究針對性地采集了裸露山體等樣本圖片(每類1 000張)，并與現有開源數據集相整合，使其可以更加針對性和全面地識別登封現狀景觀問題，提升后續設計方案的有效性。

2.2 基于“街景+”空間復合測度的現狀景觀問題精確分析

1)觀山視廊分析。

以嵩山為主的山體、丘陵作為登封最重要的景觀資源，在城市內部是否可看山、能否對山體有較好的感知體驗是當前需解決的首要景觀問題。對街景數據中山體要素識別后發現，登封市內部的山體可視度平均占比僅為21%。對此，通過在GIS中將分析結果進行空間落點(圖4)，對登封市觀山廊道的阻隔點進行定位分析。結果指出，城市內部次干路、支路及南北向觀太室山的城市街道山體可視度相對較低。進一步調取山體可視度較低區域的實際街景圖片進行圖片內容的深度分割識別分析后發現，受北高南低的地形和城市無序建設的影響，登封市大禹路北側及鄭州大學體育學院(登封校區)附近形成了觀山視廊的阻斷點。同時，受臨山緩沖帶建筑高度失控等影響，導致魁星街、鴻?；ㄔ分苓呅纬闪擞^太室山的視廊阻斷點。另外，登封市內缺少成體系的開放空間，也是導致觀山視廊不暢的主要原因。

2)綠視率分析。

圖2 百度街景數據和FCN識別要素及結果

一般而言，城市環境的綠色視覺指數越高，空間舒適感就越高?；诘欠馐袃戎参锛安莸氐染G視率影響要素的識別結果，引入綠色視覺指數計算函數，對市內環境綠視率進行測度。

式中，Gn為編號為n的街景圖片中植被所占像素量，即圖片中i個植被面域的像素之和；An為街景圖片中所有的面域像素之和。

通過計算，登封市綠視指數為35.503，處于中低水平。在GIS平臺中對影響綠視率的要素進行空間疊合和聚類分析后發現(圖5)，登封市綠視率較高的區域同樣集中分布在臨近太室山的范圍內，并沿太室路延伸。相對而言，城市內部次干道和支路的綠視率較為低下，且沒有形成由街頭綠地、公園廣場和行道樹等構成的綠色開放空間體系，使得登封市整體的綠色景觀可視率和感知度較低。

3)界面及色彩風貌分析。

城市空間是否具有良好的色彩氛圍和有序的界面，同樣會影響城市整體的空間舒適度。因此，基于街景對空間色彩RGB構成進行識別，并通過色彩氛圍計算函數對城市色彩氛圍舒適度進行測算。

式中，Ai為街景圖片n中第i個主導色彩的評分值；CPI值越大，說明圖片中的主導色彩更讓人覺得放松和愉悅，越有利于塑造優質舒適的街道空間氛圍。

通過計算，登封城市內部的色彩氛圍指數為21.195，整體色彩氛圍感較差。進一步將街景數據分析結論進行空間映射后表明(圖6)，由于在城市發展過程中缺乏有效的建設管控，導致登封的景觀風貌氛圍在空間上呈現出明顯的新老城區差異。城市景觀氛圍較差的區域集中分布在守敬路、中岳大街和嵩陽路兩側的范圍內。

表1 景觀及人居環境綜合測度指標表

2.3 高顆粒度景觀問題分析下的精準修補

街景數據分析的結果是為了精確定位城市空間中的問題節點，從而對癥下藥，進行準確的規劃和提升，避免產生全城鋪開卻收效甚微的不落地問題。在登封市景觀風貌問題精細研判的基礎上，按照城市修補的規劃理念和思路，在實踐中從自然和人居環境2個方面對現狀景觀問題進行設計，以期實現登封“以山映城”“以綠蔭城”和“精致宜居”的優質環境。

1)以山映城：觀山視廊塑造。

結合街景分析中定位出的觀山視廊阻隔位置及現有觀景視廊規劃，根據登封市路網等級體系，通過景觀大道的方式，適當擴寬重要景觀街道路面寬度，限制景觀大道建筑貼線率和高度等措施，建構起縱橫相織的觀山視廊體系，實現登封市內主要空間均可觀山的景觀效應。同時，串聯主要觀山廊道和市內已有的丘陵、水體、綠地和公園等開放空間，將嵩山山體景觀滲透進登封市內，共同構成優質的整體景觀系統，實現以山映城的優美景觀環境(圖7)。

另外，結合登封城區東西向帶狀的空間結構，并考慮嵩山可觀山面域尺度大小的區別和水系結構，在觀山視廊塑造過程中，主要依托南北向主、次干道及書院河、少林河等水系設置多條觀太室山的景觀視廊。對于少室山，由于其觀山面域相對較窄，因此其主要觀山景觀視廊以東西向的大禹路和少林大道為主進行設置。進而建構山城一體的景觀視廊，使嵩山山景與城市內部的公園綠地有機結合、融為一體。

2)以綠蔭城：綠色景觀環境營造。

植被豐富、具有良好綠色景觀層次的空間往往能夠營造舒適、恬靜的街道體驗感受?；诘欠饨志熬G色感知的分析結論和登封觀山視廊體系，通過優化街道斷面行道樹、沿街地面綠化、垂直綠化和街角綠地等方式增加空間綠視率；另外，結合登封氣候四季鮮明的特點，考慮景觀的季節性變化，選擇銀杏等隨季節變化的植物類型，豐富空間景觀層次和多樣性；同時，注重植物的高低搭配，營造變換有序、有起有伏的景觀空間，提升登封市內街道空間綠化品質。進而以此為契機，促進市內街道空間由強調車輛通行的“路”向以人為本、注重品質的“街”的營造模式轉變。另外，發揮植被對于改善街道微氣候等方面的生態調控作用，提升人居環境舒適性。

3)精致宜居：色彩氛圍及街道界面修補。

針對街景分析中所發現的登封城市色彩無序、界面破敗、風貌雜糅和品質低下等問題，基于街景精準定位問題地塊，結合步行舒適性及空間品質指標進行對應的修補。其中對于步行空間，調整道路剖面結構，設置適宜尺度的步行空間及休憩設施，保證步行道的連續性、舒適性；對于街道界面，則首先對道路貼線率進行有序規劃和整改，并將街景識別中高度超過0.9m的大量以深灰色或土黃色為主的連續磚石圍墻進行通透性改造，結合街道綠化增加視覺景深，塑造豐富的景觀氛圍；在此基礎上協調街道界面的材質、色彩和立面樣式等增加空間的韻律感；并將街道景觀與界面和建筑立面進行統籌考慮，在高度、朝向、色彩和通透度等方面進行協調，以街面鋪地和低矮植被造景共同形成精致美觀的街道界面景觀層次，營造有序的空間界面，塑造精致宜居的景觀環境。

圖3 登封市獨具特色的自然景觀本底

圖4 登封市內觀山視廊分析及空間分布特征

圖5 登封市綠視率分析及空間分布特征

圖6 登封市景觀風貌氛圍分析及空間分布特征

3 結語

大數據及數字化方法在城市設計中愈加廣泛的應用，為開展更加精細化和以人為本的設計提供了更多的可能性。通過數字化方法和大數據技術，可以在城市整體角度對城市的問題和現象進行系統性、針對性和高顆粒度的分析與總結，從而指導后續的設計工程和實踐。本文依托人本尺度的街景大數據，借助深度學習、復雜神經網絡等人工智能技術手段，對復雜城市建成環境中各項景觀要素進行了精確識別，對景觀問題進行了精細化、系統性的分析。繼而將數字化的方法延伸到具體的城市修補和設計實踐中，在基于大數據的景觀問題精確分析基礎上，對關鍵景觀癥結進行精細化的修補，從而營造更加宜人、優美的城市景觀及人居環境。本文在以往依托美學和經驗判斷的景觀風貌規劃及城市修補的傳統方法基礎上，嘗試了一種依托大數據和智能分析判斷的數字化方法，有效改善了景觀規劃和修補過程中的主觀性和片面性等不足。同時，需要指出的是，目前對于大數據及數字化技術的應用在對城市現象和問題的分析及研究階段已經取得了相對充足的應用和證明。然而，對如何將數字化技術和大數據在規劃過程中的后半段進行更加深入和全面的應用，避免為了數據而數據、為了技術而技術的唯數據技術思想，仍然是當前和后續研究中需要解決和突破的難點，并在此基礎上推動城市多源大數據和數字化技術方法在城市研究、設計和管控流程中更加深入和前沿的探索。

圖7 登封觀山視廊設計

注：文中圖片均由作者繪制或拍攝。

注釋：

① 本研究用于模型訓練的數據集來自于2 個部分。1)Cityscapes街景要素語義分割網絡開源數據集。該數據集總計包含了植物、建筑和道路在內的24類要素識別標簽，是構成本研究基礎要素識別分類器的國外數據集(https://www.cityscapes-dataset.com)。2)搜狗實驗室互聯網圖片庫1.0及2.0數據集(https://www.sogou.com/labs/resource/p.php)，是本研究所使用的國內數據集。

② 深度學習技術目前的研究可以分為有監督學習和無監督學習2種主要形式。本研究所使用的主要是有監督學習方式，即通過建構模擬人進行數據采集過程的程序及相關的數據集，讓計算機對這個過程及數據集進行反復學習，找到過程和海量數據中的特征，并自動運行相關程序的全過程，最終在一定程度上輔助進行基礎的數據采集和處理工作。

③ 金字塔池化是針對數據處理過程中，輸入圖像的大小與輸出識別結果圖像大小之間可能存在的潛在差異變化，為保證圖像輸出結果的有效性而采用的一種圖像處理方法，其可以確保不管輸入尺寸怎樣，都可以產生固定大小的結果輸出。其在本研究中的作用及意義在于通過該方法可以進一步消減因圖片數據格式和大小不統一而造成的研究結果的失真和局限性。