人本视角街道绿视率的3个研究方法与数据

 

本研究分2个部分进行，共包含4个步骤（图3）。

 

3.1数据处理

 

数据处理包含绿化覆盖率、街道绿视率和可能的影响因素3个维度的数据采集与计算。

 

3.1.1绿化覆盖率

 

绿化覆盖率是指城市建成区域内绿地垂直投影面积在区域总面积中的占比；归一化植被指数（normalizeddifferencevegetationindex,NDVI），可以用来定性和定量评价植被的覆盖情况及生长活力，可以反映建成区域与非建成区域的地物光谱信息。由于本研究的分析单元均处于中心城区，为城市建设用地，同时NDVI所反映的绿地的地物光谱信息图面面积可近似等于其垂直投影面积，故本研究采用NDVI的计算结果作为绿地覆盖率的数值，这也是国内外相关研究估算绿化覆盖率的常用方法[16-17,26-28]。



本研究所使用的地物光谱信息数据来源于中国科学数据网，数据年份为2019年，分辨率为30m。为能更好地反映植被情况，本研究使用夏季数据（年度最大值）用于植被覆盖度的计算。利用ArcGIS软件对地物光谱信息数据进行栅格化，并利用像元二分模型和栅格计算器工具对各栅格像元的植被覆盖度进行计算[29-30]，计算式为式中，FC为栅格像元的植被覆盖度；NNDVI为该像元的NDVI值；NNDVI，veg为遥感影像植被部分对应的NDVI值；NNDVI，soil为遥感影像裸地部分对应的NDVI值[29-30]。由于数据源相同，本研究以99.5%置信度截取各个街道级单元的NDVI上下限阈值分别近似代表NNDVI，veg和NNDVI，soil。以各街道单元内的FC均值作为本研究中街道级单元的绿化覆盖率（图4）。

 

3.1.2街道绿视率

 

街道绿视率在百度街景数据基础上利用机器学习方法计算获得。本研究中的街道网络数据下载自OSM（OpenStreetMap）网站，并通过百度地图批量获取近年来8个城市的高分辨率街景数据。考虑到公共空间可感知的最大距离[31]和对采样点数量的控制，本研究将采样点间隔设为40m（图5），共获得1300956个采样点。根据环境心理学中的启动理论[32]，人们在日常生活环境中的视线一般是平行顺应街道的，较少向上看或向下看。



因此，首先利用Python采集各采样点处4个方向的人眼视角图像[14,33]，所采集图像均为标准视图，分辨率为600像素×900像素（图6）。其次，将上述街景图像通过DeepLabv3模型（该模型由Cityscapes数据集训练所得）进行语义分割，提取不同空间要素（如建筑、绿化等），其中植被部分被标记为绿色（图7），从而计算出每张街景图像的绿视率。



将4个方向街景图像绿视率的均值作为采样点的绿视率[14]。再次，通过ArcGIS空间连接功能计算每条街道内所有采样点的均值，以此作为该街道的绿视率。最后，以道路长度为权重对街道绿视率进行加权求和，并除以道路长度之和，求得各街道级单元的街道绿视率。

 

3.1.3其他可能的影响因素

 

街道绿化的影响要素包括自然条件[20-21]、经济水平[22-23]、城市形态[24]，因此本研究推测这3类要素也会对街道绿视率和绿化覆盖率的一致性表现和街道绿视率自身产生影响。本研究使用的自然条件数据来源于天气网，包括年均晴天数和街道级单元年均气温。

经济水平数据包括人均生产总值（人均GDP）和距市中心的距离，其中，GDP数据来源于各三级行政区2021年的统计年鉴，由于无法获得街道级单元的人均GDP，在计算中采用对应的三级行政区的人均GDP计算；距市中心的距离通过ArcGIS计算街道级单元样本的质心与其所在城市中心（根据城市总体规划确定）的距离，如果某城市存在多中心则取均值作为测度结果。

在一般认知下，高层建筑会影响植被的生长[34]；有研究表明“小街区、密路网”的布局可能会导致公共绿色空间不足[35]，因而城市形态数据包括平均街块面积和平均建筑高度，此类数据来源于OSM，并经ArcGIS处理得到。其中，平均街块面积统计的是各街道级单元内由车行道路围合形成的街块的面积均值。

 

3.2数据分析

 

数据分析包含基于四象限分类的定性分析和多元逻辑回归分析，以及多元线性回归分析。首先，基于四象限分类讨论不同地区街道绿视率和绿化覆盖率的一致性表现；然后，基于四象限分类的多元逻辑回归，分析其他可能的影响因素对街道绿视率与绿化覆盖率一致性表现的影响；最后，利用多元线性回归分析包括绿化覆盖率在内的可能的影响因素对街道绿视率的影响。此部分数据分析将分别解决本研究的3个核心问题。