【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。
【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。
随着我国新型城镇化的推进，以人为本的建设理念逐渐成为城市规划与设计的普遍共识。在此背景下，人本尺度的街道空间品质塑造和活力提升日益受到关注。围合度、可意向性、街道渗透率、混合功能等被认为是影响城市空间品质的重要空间要素，其中街道渗透率能够反映人在街道上时视线延伸的程度和室内外活动之间的视线交流程度
【从室内看室外街道活动或者从室外看室内活动的视域范围和清晰程度】
，具有重要的研究价值。以尤因和汉迪、扬·盖尔等为代表的既有经典研究指出，街道渗透率的核心是街道底层界面中具有视线渗透性的范围所占比例，底层以上的窗口并不会增加行人对渗透率的感知。但考虑到仅以门洞数量作为渗透率的计量不够精确，本文中笔者将街道渗透率定义为“街道底层界面中具有视线渗透作用的门洞和窗口面积占街道底层（首层）界面面积的比例”（图1）。
注：街道底层界面面积指沿街道一侧建筑底层（首层）立面组成的连续实体的表面面积。
既有研究表明，良好的街道渗透率能对街道步行环境产生积极影响——建筑室内布置或活动通过透明的门窗反映到街道，使街道更具吸引力，进而影响街道行人的步行速度和行人数量；街道上行人活动也主要集中在渗透率高的区域。国外多个城市在街道设计标准中对街道立面门洞数量和沿街界面透明区域比例等作出了详细规定，以保证街道具有吸引力的步行环境。许多实证研究也表明，良好的街道渗透率能促进街道活力，提升行人对室内活动的感知，丰富行人街道体验，同时能保障街道安全。
虽然街道界面渗透率对行人具有重要意义，但高效的评价和测度方法欠缺，导致其难以有效应用于规划与设计管理实践。目前渗透率指标的测度方法主要有实地观察法和专家打分法，但此类分析方法存在主观性偏差。另有学者提出了更为客观的量化方法，用街道底层界面中具有渗透性质的建筑界面水平长度占建筑界面沿街总长度的比例来度量渗透率，各类要素长度则通过人工测量，但量化方法耗时费力，往往只能在数条街道上进行小规模应用，难以开展大规模的测度。此外，当前许多城市街道因用地性质和围墙设置、以车行为导向的街道设计等原因，街道底层界面门窗洞口较少或缺失，街道界面渗透率低，导致行人活动减少、街道活力丧失等问题出现。综上，技术方法的缺失和现实性问题的解决，亟须兼具大规模、高精度的街道界面渗透率测度研究，以更好地支持城市更新与设计。
新技术的不断涌现和大数据的产生应用为更细致的空间品质研究提供了技术支撑和丰富的数据基础，有助于快速、高效和准确地完成量化分析研究，为大规模开展街道渗透率的分析提供了可能。本研究尝试结合街景数据与机器学习算法，建立一套兼具大规模与精细化的街道渗透率测度框架，并以上海中心城区进行实证研究，结合人工标注验证该方法的有效性。
伴随着街道空间设计的精细化需求，基于街景图像数据和机器学习的大规模、精细化研究正快速涌现（表1）。此类研究一方面聚焦各类街道空间特征要素的大规模识别和计算，采用图像分割（
image segmentation
）和目标检测（
object detection
）等机器学习算法，打破了以往小规模、高成本的人工分析的局限；另一方面也关注街景特征的多维感知评价，包括街道风貌特征、街道可识别性、街道空间心理感受（如压抑、安静和安全感）等场景品质。基于街景图像识别的机器学习算法正迅速发展，开展快速、精准和大规模的图像分割或目标检测已逐渐具有可操作性。考虑到现有的目标检测算法可以支撑基于街景图像提取目标的标定和训练，因此有望通过对大样本街景图像的标定（标出门窗洞口）和基于此的深度学习，探索街道界面渗透率的大规模、精细化测度路径，替代街道界面渗透率研究中 仍在采用的主观判断和小规模人工测度方法。
表1 街景图像和深度学习支持下的街道空间研究
笔者选取上海中心城区为研究范围
【本文研究范围根据《上海市城市总体规划（2017—2035）》中的中心城区范围划定】
，总面积约为660
km2
（图2）。目前上海的城市建设正向存量开发方式转变，城市空间品质的精细化评价与提升也愈发受到重视。在此背景下对城市街道界面渗透率进行大规模、高精度的宏观图解，有助于提高规划者和管理者对街道空间的深入认知，为上海的街道空间品质评估和设计管控提供科学支撑。
图2 本文研究范围：上海中心城区
本文的分析步骤包括大规模图像获取、代表性图像选取与标定、评价模型的训练与校核、大规模指标计算四个阶段（图3）。
图3 本文分析框架和具体步骤
（1）大规模图像获取。首先基于上海中心城区的百度地图路网，在除去街景图像缺失街道路段后，以40
m
的采样间距形成了243402个街景采样点（图4）。根据扬·盖尔在《交往与空间》中的论述，30~35 m 是构成场所空间的最大距离，选择40 m 的间距是兼顾了街景采集效率和场所空间特征后的取值。为防止街道图像变形，笔者基于路网拓扑结构对每个采样点的视角进行计算，并将结果带入街景图像获取流程，从而保证所有街景图像能垂直于任意街道的空间长轴方向，提升所抓取街景的代表性。最后，经
HTTPURL
调用百度街景的
API
（http://api.map.baidu.com/ lbsapi/）
获得街景图片。图像分辨率设为800×600像素，每个采样点朝街道两侧视角抓取图片2张（图5），共获取486804张图片。
图5 某个采样点上的街景图像抓取
（2）代表性图像的选取与标定。首先通过兼顾代表性的抽样，选取出样本图片，筛选时主要考虑两方面要素：一是空间分布代表性，即选取的图像代表不同的地点；二是构成要素代表性，即保证涵盖到多类街道空间特征，从而实现对案例城市街道空间特征的全面覆盖。然后，通过人工选择，遴选出覆盖案例城市常见典型街道的、最具代表性的3500张的图片作为标定样本 【该训练样本量参考了目前在自动驾驶和城市研究领域广泛应用的知名数据集Cityscape的数据量予以确定。Cityspace数据集由包括戴姆勒在内的三家德国单位联合提供，包含50多个城市的立体视觉数据，共包括5000张精细标注图像，其中有2975张训练图、500张验证图和1525张测试图。本研究选择的3500张满足深度学习的样本量，足以支撑识别的准确性。详见https://www.cityscapes-dataset.com/】 。具体遴选方式是将分析范围划分为数千个1 km2 大小的网格，再根据采样点的密度，分配从每个网格中收集到的具有代表性的街景图像的数量，并利用 Python 软件对图像进行自动分类，以确保所选街景图像里的要素具有较好的代表性。在图像选定后，对图像的亮度和色度进行校正，以排除相关干扰。该步骤具体采用伽马变化和灰度世界算法分别校正选定图像的亮度和色偏。
代表性图像选定、校正后，将对其进行标定。依据现有文献中提及的渗透率相关要素即街道底层界面（
ground floor interface
）以及具有视线渗透度的门洞和窗口，笔者将本研究中街道渗透率的特征标签确定为门洞（红色线框）和窗口（绿色线框），卷闸门等日常会开启的门洞也予以标识。图像标定基于
makesense.ai
开展，采用多边形标注（图6,图7），且每个图形仅用四点表达，以减少模型预测负担，便于多种算法适配。在
makesense.ai
平台中完成人工标定后，导出
VGG.JSON
格式，以便开展下一步训练。
图6 代表性样本图像筛选和标定过程
图7 支持街道渗透率 计算的门窗洞口标注示例
（3）评价模型的训练与校核。考虑到街景环境较为复杂，前后遮挡较多，传统的语义分割算法效果较差，本研究采用基于 YOLOv 3架构的 Poly-YOLO 算法。该算法整体运算效率更高，且克服了现有算法在锚点计算上的不足，能通过更小样本的训练实现更高的准确度，适于街景数据这一复杂环境的分析。经检验， Poly-YOLO 算法能有效识别图像中街道底层的门洞和窗口，但对底层界面的识别效果较差。为解决此问题，本研究引入 FloorLevel-Net 算法，该算法采用多任务学习网络，可将建筑立面的显式特征和隐含的楼层线联系起来，在街景图像上准确划分出建筑的楼层线，进而识别出街道底层界面。
首先，在
Tensorflow
平台上部署机器学习算法，对前述训练集（3500张标定图像）开展多轮次训练。每次随机抽取20%的样本作为验证模型的数据，其他样本用来训练，不断重复，直到训练模型错误率趋于稳定。得出图像识别领域通用的识别准确率指征即平均
IoU
指数 （ Mean Intersection over Union ）
【IoU指数是用来检测算法运作是否良好的指标。IoU指数计算的是“预测的边框”和“真实的边框”的交集和并集的比值。其计算公式是：IoU指数=边框的重叠面积/（两个边框的总面积－重叠面积）。当IoU=1时，预测边界和实际边界完全重合。一般设定IoU阈值为0.5，值越大，边界框越精确，意味着识别效果越好】
为0.97，展现出较高的准确率。基于训练完成的街道渗透率特征识别模型，笔者对整个上海中心城区48万余张街景图像开展了逐一分析
【本次研究采用的百度云服务器是NVIDIA Tesla T4 8G。所租用的百度云服务器通过GPU加速后的识别街景图像的效率约2.9秒/张，所有街景图像识别总耗时390小时】
，机器学习结果如图8，红色表示门洞，绿色表示窗口。然后，从识别结果中随机选取500张图像开展识别准确度校核。先对其原始图像中的街道界面渗透率开展人工测量，即在
Photoshop
软件中框定门窗洞口范围（在图8中用粉色表示），并统计像素点数量；再将这500张图像的机器学习结果与人工测量结果进行统计分析，计算二者的相关性，得到斯皮尔曼相关性系数为0.745（
p
<0.01），说明两者显著相关，一致性较好，从而证明了基于机器学习的街道界面渗透率测度方法的有效性。
图8 原始图像、机器学习结果和手工标注与测量结果示意
（4）大规模指标计算。模型训练完成后即可历遍所有图像，实现街道底层门窗洞口、底层界面的识别和渗透率计算。具体算法为“街景图像中街道底层建筑门、窗洞口像素点占街道底层界面像素点的比值”，计算公式如下：
其中，
T
为某条街道渗透率，
F
i
为某采样点对应的街道底层建筑门窗洞口像素点数，
F
为该采样点对应的街道底层界面像素点数，
n
为该街道上的采样点总数。
从总体数值的分析结果来看，在上海中心城区内，渗透率低的街道数量远多于渗透率高的街道数量，因此总体上，上海中心城区平均街道渗透率较低（3.7%）（图9）。相比之下，上海内环内因街道渗透率高的街道数量多于中心城区平均值，其平均街道渗透率（6.5%）也高于上海中心城区平均值（图10）。从空间分布上看，中心城区街道渗透率呈现出“内部高、外围低”的总体格局。同时，内环以内也存在着渗透率较低的街道，分布在杨浦和虹口区北部、徐汇区南部和浦东新区东部等区域。
图9 上海中心城区街道界面渗透率分布图
图10 上海内环街道界面渗透率分布图
对比分析发现，上海中心城区内，黄浦区街道渗透率最高（8.8%），宝山区和闵行区最低（分别为2.3%和2.7%）（图11）。但整体而言，主要区域的街道平均渗透率都不高，其原因是各区内渗透率低的街道数量多于渗透率高的街道数量。此外，在黄浦区、虹口区、徐汇区和静安区等区域，高渗透率的街道在空间分布上呈现出连续和集聚的特征。
随着新技术的涌现和持续发展，人本视角的大规模、精细化城市环境特征分析已成为可能。本研究正是聚焦以往分析成本很大的街道界面渗透率，在新数据和新方法的支持下展开的突破性探索，提出了兼具快速、大规模和高精度的街道界面渗透率测度与评价框架，并以上海市中心城区为例开展了实证分析，实现了测度“不可测”。
分析结果显示，上海中心城区街道渗透率在空间分布上存在明显差异。这可能是城市发展历程中所形成的路网密度差异和沿街建筑尺度与功能特征不同所致。例如：黄浦区、静安区和虹口区由于拥有多个连绵成片的历史文化街区，街区尺度小，商业、办公和里弄住宅沿街紧密布置，街道底层多为商铺，整体街道渗透率较高且高渗透率街道呈现连续分布状态；而宝山、普陀、闵行和浦东等区域的街区大多为近期建设，注重安全性和私密性，多采用封闭围墙作为街道界面，因而整体街道界面渗透率低。同时，这些新建区域的街道规划以机动车导向为主，交通性道路居多，两侧底层界面开设的门窗较少，进一步拉低了街道渗透率。研究结果中的街道渗透率指标和空间格局特征能够为上海相关街道更新实践提供现实依据。
上海中心城区的应用实践初步证实了该方法能够完成大规模且兼顾精细化的街道要素测度和分析。一方面，本文给出了中心城区各条街道的渗透率数值，并进行了直观的可视化展示。如此大规模的识别和量化测度工作能够通过机器学习算法快速实现，这是以往人工处理无法实现的。另一方面，街景图片数据能够提供丰富、准确和高精度的图像信息，足以完整、精确地反映人本尺度下的街道空间特征，极大地降低了以往依靠人工采集信息的成本。同时，研究通过机器学习结果与手工结果校核对比，证明了本文所采用目标检测算法的有效性，为大规模开展测度实践提供了基础保障。
在方法的探索外，本研究所开发的分析技术能够丰富街道空间量化评价维度，也可以直接指导专项实践。在研究支持方面，该方法可与绿视率、围合度等指标聚合形成系统性的街道空间品质指标，共同为街道整体性更新设计提供参考与指导。在针对性实践管控方面，上海中心城区的应用表明，该方法能够直观展示需要提升渗透率的街道及对应的街景图像；设计师可据此作出相应的更新策略，如通过增加具有视线渗透性的玻璃门窗、用栅栏或绿植代替实体围墙等改造措施，提高街道界面渗透率，丰富行人的步行体验。此外，该分析技术能够结合多年份的街景数据，实现街道界面渗透率的历时性监测，帮助设计师了解各街道渗透率发生的变化及原因，从而为街道更新决策提供科学依据。
本研究是将街景大数据与机器学习紧密结合用以测度街道界面渗透率的突破性尝试，但仍然存在若干局限性。一方面，街景采样点与沿街建筑之间的距离并非恒定，而是有一定变化，这会对门窗洞口识别和街道面积数值的精准度产生影响。另一方面，本文所提出的渗透率算法需要大规模街景数据，而目前街景数据在不同城市覆盖度不同，因此该算法主要适用于街景数据覆盖度高的（特）大城市，中小城市往往需要人工补充采集街景数据。
街道界面渗透率与街道活力紧密相关，是人本尺度下街道空间品质的重要影响因素之一。随着计算机算法与城市设计需求的紧密结合，未来出现的图像识别算法革新有可能进一步提高街道界面渗透率测度的准确度和计算效率，并使相关指标融入城市更新实践中，从而为街道品质提升提供科学支撑，营造更加美好且有活力的街道空间。
