【作者】陈婧佳a，陈龙b,d，李彦a，张文佳c，龙瀛a,d*

a 清华大学建筑学院

b 北京工业大学北京市交通工程重点实验室

c北京大学深圳研究生院

d 清华大学恒隆房地产研究中心，生态规划与绿色建筑教育部重点实验室

【通讯作者邮箱】ylong@tsinghua.edu.cn

【原文信息】Chen, J., Chen, L., Li, Y., Zhang, W., & Long, Y. (2022). Measuring Physical Disorder in Urban Street Spaces: A Large-Scale Analysis Using Street View Images and Deep Learning. Annals of the American Association of Geographers, 1-19. https://doi.org/10.1080/24694452.2022.2114417

【全文链接】https://www.tandfonline.com/doi/full/10.1080/24694452.2022.2114417

【数据和代码】https://data.mendeley.com/datasets/d3d4h5bvss/1

【附件】https://www.tandfonline.com/doi/suppl/10.1080/24694452.2022.2114417?scroll=top

 

内容导读

清华大学恒隆房地产研究中心龙瀛课题组发表研究论文“Measuring Physical Disorder in Urban Street Spaces: A Large-Scale Analysis Using Street View Images and Deep Learning”（ 城市街道空间失序的大规模测度：基于街景图像和深度学习方法），2022年10月由美国地理学会（AAG）发行的Annals of the American Association of Geographers期刊在线发表 。

城市空间失序与经济状况、公共卫生和社会稳定的负面结果相关，如财产贬值、精神压力、恐惧和犯罪。目前, 对城市空间失序、尤其是在精细尺度上识别城市空间失序的研究较少但有增多的趋势。然而，目前尚无一种有效的、可复制和低成本的方法来测度大范围、精细化尺度上的城市空间失序。

为了填补这一空白，研究提出了一种基于海量街景图像(SVIs)的非现场建成环境审计，并使用深度学习模型定量测度城市街道空间失序的方法。研究以中国城市的70多万条街道为对象实现了这一方法，结果证明了该种方法的有效性和效率。据知，这是全球首次尝试量化如此大规模城市区域的空间失序。

通过在中国的大规模实证分析，本文在理论方面有如下几点贡献。首先研究拓展了以往研究中被忽视的城市空间失序因素。其次，研究发现了城市空间失序的三种典型空间分布模式:分散型、扩散型和线性集聚型，这为揭示空间失序的发展趋势和进行空间干预提供了参考。最后，通过对空间失序与街道特征之间的回归分析，确定了城市空间失序的可能影响因素, 从而丰富了理论基础。

通过对城市街道空间质量进行评估，识别引起街道空间失序的具体问题，可帮助地方政府评估从多尺度、全面地理解城市建成环境，为未来进一步的城市精细化管理与城市更新提供重要依据，进而促进城市品质提升。

研究方法与结果

研究选取中国264个主要城市的街景图像(SVIs)作为核心数据集(见图 1)。以街道为研究单位（769,407条街道），覆盖了中国的大部分城市地区。

图 1 中国 264 个城市的地理位置

研究首先构建了中国城市空间失序的量化指标体系，包括五大类维度的15个空间失序要素(图2)。在此基础上，利用非现场的建成环境审计方法对街景图片进行人工标注样本，并进一步应用了MobileNet机器学习模型进行大规模街景图像数据的空间失序要素的自动识别，MobileNet机器学习模型具有参数少，计算量少，推理时间短的优势。其次，通过该模型得到全国264个城市街道的空间失序要素的概率值，将该结果聚合在三个层次:采样点、街道和城市。根据文献选取了代表街道空间属性的五个变量（街道长度、功能密度、功能混合、路口密度、到市中心的距离），通过回归模型分析了街道变量与街道空间失序概率之间的关系。最后，研究还利用 ArcGIS 中的空间分析工具，如空间连接、热点分析、自然断裂法等方法，进行数据分析，进而识别出中国城市街道空间失序的格局。

图 2 空间失序构成要素图示

研究结果显示：（1）MobileNet V3 模型对样本数据集上各因素的性能，整体任务的平均准确率为 72.77%，通过收集更多的标注数据，模型的性能可以进一步增强；（2）在街道尺度识别空间失序的特征。首先，深度学习的结果显示，空间失序与破败现象在中国城市中相当普遍，超过一半的街道(74.2 %)至少存在一种空间失序要素(评分)0)。空间失序要素的概率分布遵循指数分布，高概率的空间失序要素存在少部分的街道中(见图 5)。其次，通过回归分析可以发现越长、功能越多样的街道，或越靠近市中心的街道，可能包含更多的空间失序因素，从而导致空间失序的概率更高。而有更多的兴趣点和交叉路口的街道，空间失序概率则更低；（3）在城市尺度上分析空间失序的分布特征。虽然空间失序在大多数城市内部相对分散，但空间失序热点仍表现出三种典型的分布模式:分散型(109/264)、(b)沿城市扩张方向扩散型(89/264)、沿主干道线性集聚型(42/264)，另外有24 个城市综合了 后两种的特征(见图 7)。

表格 1 MobileNet V3 结构

图 3 空间失序的概率和相应的街道数量分布

图 4不同街道空间失序程度的街景图像比较。(A)空间失序最高值(0.836)，抚顺市。(B)空间失序上四分位数值 (0.396)，芜湖市。(C) 空间失序平均值（0.214），武汉市。(D) 空间失序最高值（0），常州市。数据来自2015年腾讯街景图片。

图 5 15个因素的空间失序概率平均值

图 6不同城市空间失序概率空间分布

城市街道的空间失序测度

Figure 6. Physical disorder hot spots exhibit three spatial distribution patterns. (A) Scattered: Leshan; (B) diffused along the urban expansion direction: Taiyuan; (C) linear aggregation along arterial roads: Nanjing.

图 7空间失序热点表现出三种空间分布格局。(一)分散:乐山;(B)沿城市扩张方向扩散:太原;(C)沿主干道线性集聚:南京。

基金支持

研究由国家自然科学基金项目（项目号：52178044、71834005、51878052）资助。