国内绿视率研究现状综述

芮丽燕（上海市建筑科学研究院有限公司，上海 201108）

城市绿色空间建设是城市生态的重要构成部分，在缓解城市热岛，固碳释氧，改善城市微气候，维持生态平衡等方面起着重要作用。目前，我国常用的绿化评价指标仍局限于传统的二维平面绿化评价指标，例如绿地率、绿化覆盖率等。但实际上，景观绿化除了提供生态效益外，在人居环境舒适性体验及情绪调节方面也具有显著作用。考虑到绿色空间对人的心理感知方面的影响，绿视率指标被提出来了。像一些高密度发展的城市也频频应用“绿视率”指标进行绿化规划，如新加坡、东京等。

我国近些年来也展开了对绿视率的研究，由于绿视率的传统测量方法比较繁琐，所在早年绿视率研究不多、测量范围也不广。如今，在新数据环境下绿视率的获取及识别技术也在进行创新，当前也需要对此进行总结。

1 绿视率概念

人在环境中所接收到的信息有 90% 是来源于视觉。环境绿量会影响人的心理感受，绿色自然环境会对人的神经系统产生积极的刺激，帮助人们舒缓紧张压抑的情绪。1987 年，日本学者青木阳二提出可以将人眼视野范围内绿色植被占比作为人对绿色环境感知的度量，定义为“绿视率”。根据相关研究与实践，当绿视率高于 25% 时，会产生绿化较好的心理感受，当绿视率 ＞50% 时人能感知到更多的绿色并产生舒适的心理感受。

我国的绿化评价指标主要是以改善生态环境质量为目的。目前有关绿化评价指标有 20 多种，包括：绿地率、绿化覆盖率、绿量、绿容率等。不同与以上这些绿化评价指标，绿视率指标是从人的绿意感受角度出发形成的新的绿化评价指标，更有利于评价和提升绿化环境的绿量感知度及满意度，符合当下城市建设人性化的发展趋势，契合社会健康的发展需求。表 1 为绿视率与目前常用的绿化指标比较。

表1 绿化指标比较

2 研究文献分析

2.1 文献发表数量及引证文献

本文绿视率文献发表及引证文献量研究基于中国知网数据库，具体文献检索过程如下，检索主题“绿视率”，检索类型 “期刊”，检索时间范围 “不限”。检索时间截止到为 2021 年 4 月 21 日，找到符合主题绿视率的研究型和综述论文共计 102 篇。其中，“绿视率”首次在国内被提到是在 1998 年居住区环境设计的文章中，当时该文就提高小区绿化的绿视率的重要性和常见措施方法。

国内关于绿视率研究的发文量统计如图 1 所示。从整体来讲，国内对绿视率的研究还较少。在 1998—2017 年，绿视率相关的发文量较低，每年的发文量＜10 篇。绿视率发文量有明显增长趋势是发生在 2018，从 2018 年到至今绿视率发文量达到 43 篇，占总发文量的 42%。相应的，引证文献也从 2016 年开始有激增趋势，2020 年引证文献也达到了168 篇。根据图 1 的变化趋势可以说明虽然绿视率这个概念在早期就已经传入了国内，但了解的人不多。而近年，由于概念和时代的契合性，已有学者陆续开展研究。

图1 绿视率发文数量及引证文献数量的增长趋势

2.2 关键词分析

本文利用 CiteSpace V（版本 5.7.R 5）的共现功能对102 篇文献进行高频关键词分析，了解绿视率热点研究领域。CiteSpace[1]是目前具有代表性的科学文献分析软件之一，可用于文献数据挖掘和信息可视化展示。

如图 2 关键词共现图谱所示，高频关键词除了“绿视率”之外还有“绿化覆盖率”“绿地率”“风景园林”“城市道路”“居住区”“卷积神经网络”“机器学习”和“南京”等。

图2 关键词共现图谱

对于一个新的绿化评价指标，将绿视率与绿地率和绿化覆盖率等常用指标比较研究的过程是必不可少的。通过街道的绿视率及绿化覆盖率的测量和比较，发现绿化覆盖率和绿视率指标呈正相关，但相关性较弱，表明绿化覆盖率和绿视率这两个指标确实是从不同角度出发评价绿化质量，并不可相互替代。

同时，随着人工智能的发展，“卷积神经网络”“机器学习”等技术也用于绿视率的研究中，成为绿视率研究中频次较高的关键词。通过机器学习图像识别的方式可实现绿视率自动计算，从而使大范围绿视率统计获得了可能。

“南京”是对绿视率研究最早且关注最高的城市之一，早在 2003 年南京市绿化委员会就有发文表示提高主城绿视率的建设是建设绿色南京的重要环节。根据近年来南京街道绿视率的调研，南京街道绿视率整体水平较好，绿视率在30% 左右，主城区街道绿视率相对较低在 20% 左右。

根据词频分析，绿视率研究应用广泛集中于城市街道、风景园林、居住区等领域。根据日本学者折原夏志的5 段评价划分标准，绿视率＜5% 为绿化感知差，绿视率5%～15% 为绿化感知较差，绿视率 15%～25% 为绿化感知一般，绿视率 25%～35% 为绿化感知较好，绿视率超过35% 绿化感知好。如图 2 所示，根据现有文献调查显示，我国目前已调研中的省、市、区、县、街道的平均绿视率都达到了一般水平，更有接近 80% 的已调研区域达到全球主要城市平均绿视率 19.03% 的水平。总体来说，我国街道绿视率分布规律为南方地区、城市景观资源好的地区街道绿视率较高，北方寒冷地区、老城区街道绿视率相对较低。相比城市街道绿视率调研结果，城市公园、园林等区域内的绿视率相对较高，平均绿视率在 50% 左右，如表 2 所示。而住宅绿视率因为住宅类型、绿化布局形式、空间设计等因素，绿视率水平差距较大，范围可达 10%～30%，如表 3 所示。除了以上 3 个为主要应用领域外，绿视率还被用于评价一些特殊区域，例如医院户外环境设计、高架桥景观空间、地下空间、商业空间等，表 4 总结了在其他空间的绿视率调研结果。

表2 生态空间绿视率调研

表3 居住空间绿视率调研

表4 其他空间绿视率调研

图3 街道绿视率的调研

3 绿视率的测量方法

3.1 测点及时间选取

对于绿视率测点的选择，通常可以分为系统抽样法和分层抽样法。系统抽样法是将调查区域看作一个整体，对区域进行均衡地划分，从每个区域内抽取一个测点，该方法具有一定的普遍性和客观性。目前在城市街道上常见的是以50～250 m 为间距划分，根据道路长度决定，一般每条道测点≥5 个。住宅道路绿视率测点间距基于室外空间视觉尺度理论，通常是以 24 m 为间距划分[5]。分层抽样法是指根据项目特点针对主要研究区域进行划分抽样，该方法选取的测点更具有代表和针对性，但因为划分过程中具有一定的主观性，所以也容易造成人为误差。

每个绿视率测点的数值为多个不同方向的绿视率平均值，一般取 4～8 个方向。测点拍摄的方向及角度通常按照道路的主要形态决定，在比较规整的街道上测量，通常按测点前后左右 4 个方向进行测量，将 4 个方向的平均值作为该测点绿视率。

3.2 图像获取

目前获取绿视率的图像的方式主要有两种，一种是通过传统现场图像采集，另外一种是通过街景地图进行采集。传统的现场调研拍照方法需要将最接近人眼成像效果的焦距24 mm 相机固定在大约 1.5～1.6 m 处（成人视线高度），进行实景照片拍摄。街景地图采集法通过利用谷歌、腾讯街景、百度街景地图等平台提供免费的 API 开发接口，下载和调用街景静态图片，该方法可在短时间内获得采样点 4 个方向的街道立面图片数据，可以有效的避免了现场采集的繁琐和安全隐患。

虽然相比之下，传统的方法需要耗费大量的人力和时间，但在街景地图难以覆盖的区域，例如住宅区、生态公园等，还是需要依赖传统的测量方法。所以考虑到绿视率指标的推广，在街景无法覆盖的区域如何利用现有技术去简化绿视率传统测量方法的繁琐过程也是未来研究需要解决和突破的地方。

3.3 图像处理与计算

绿视率图像处理与计算方法也分为传统人工和自动化图像处理方法。传统人工图像处理方式可以通过像素或网格计算方法进行，需要借助 Photoshop、Matlab、GIMP 等图像处理软件对图像进行处理。这两种方法均需要人工操作（如手动框选、网格划分等），这不仅导致人工误差的出现，而且费时费力。

所以随着计算机发展，绿视率的图像处理方式也朝着自动化的方向发展。近年来，大量学者们也尝试实现绿视率的自动、批量化计算。郝新华和龙瀛[13]通过图像中植物 HSV范围，彭锐和刘海霞[14]通过图像中植物色调、饱和度、明度范围，对照片中的每个像素进行色彩判断，开发了自动计算绿视率的算法。但该方法也存在缺陷，这种基于 HSV 或HSL 色彩识别的方法容易受天气、季节、光照和拍摄角度的影响，也容易将非自然的绿色物体，例如绿色汽车、绿墙壁等，纳入到绿视率的计算中，导致计算产生较大误差。

在深度学习和无人驾驶技术的蓬勃发展下，图像语义分割技术极大地推动了绿视率自动化计算的发展。一系列用于图像语义分割的开源模型，例如卷积神经网络模型（CNN）、完全卷积网络(FCN)等常见模型，通过数据集训练后能被用于识别街景图像元素，包括植被、道路、建筑、天空等，可以实现绿视率计算的自动化[8],[15]。目前常用于城市街景语义分割识别的数据集有 CamVid、CityScapes、Mapillary Vistas、Apollo Scape 、DD100k、Synthia、KITTY 等，如表 5所示。

表5 街景数据集

4 结 语

由于高度自然的视觉感受能减轻压力、愉悦心情，对增强免疫系统功能和心理健康恢复等都有积极的作用。将绿视率用于衡量或评价城市街道、休憩空间及住宅景观等期望获得疗愈功能的场所，具有重要意义。目前随着人工智能技术的发展，绿视率测量计算的效率也大大提升，有利于对城市街道进行大范围的绿视率评估。针对绿视率不足的区域，我们可以通过调整植物配置形式、增加立体绿化等方法提高绿视率。其次，针对居住区等空间的绿视率测量还需要优化，例如图像采集方式，在未来可考虑采用无人机等自动化照片采集方法，减少照片采集的时间和人力成本。在绿视率计算精准度上，目前，图像语义分割识别方法是基于城市街景数据集训练的。针对不同区域的绿视率测量，在未来可考建立更具有针对性的训练数据集，提高识别和计算的精准度。