基于街景数据和深度学习的街道界面渗透率大规模测度研究——以上海为例
【摘要 】 随着当前城市规划与设计的精细化转型,人本尺度下的街道空间品质特征研究日益受到广泛关注。作为影响街道空间品质的关键要素之一,街道渗透率即街道底层门窗洞口面积占底层界面面积的比例的量化测度需求日益提升。现有渗透率的测度主要依赖于成本高、效率低的手工分析,难以进行大规模、高效地测度。针对这一问题,本研究基于开源街景数据和机器学习算法,提出了一套人本视角下街道渗透率大规模、精细化测度和分析方法,并以上海中心城区为例,快速高效地实现了该范围内街道渗透率的计算和可视化。人工标注的结果与计算机的智能化识别在校核中显示了较高的拟合度,证明了该方法的有效性。实证分析发现,上海中心城区内街道渗透率存在明显的空间异质性,呈现“内高外低”的空间格局。本研究对经典城市设计要素与新数据新技术的深度整合方法可为人本导向的城市设计实践提供有力支持,同时兼具大规模与高精度的宏观图解也有助于提高设计师对街道空间的深入认知。