浙江省绍兴市街景蓝绿空间多维度评价

徐振 周霜 陈飞

构成人们对城市视觉印象的5个因素中，道路是人们认识城市的首要因素[1]。街道及其空间是人们户外公共生活的主要载体[2]，其质量对于提升城市活力以及居民生活质量起着至关重要的作用。城市街道绿化能够改善空气质量[3]、缓解城市热岛效应[4]、减少噪声污染和雨水径流等[5]。除此之外，暴露于绿色空间已被证实可以促进步行行为[6-7]、改善公众健康和提升幸福感等[8-9]。

以往对于街道绿化最详尽的评估形式是评估人员在实地直接进行观察，然而这种方法获得的样本量有限且耗时久，同时易受到评估人员主观评价偏差的影响。近年来随着大数据技术和互联网的迅猛发展，网络地图服务商如百度地图、腾讯地图和谷歌地图等都开始提供街景地图服务，这为高精度、大规模的城市街道空间定量化研究提供了可靠的数据来源。街景图像以人的视觉感受为核心，以接近人的视角，客观地评估城市绿色空间在三维空间上的建设质量，比起忽略微观差异的汇总式和平均式的二维平面城市绿化评价指标（如绿地率、绿化覆盖率、人均公园绿地面积等），提供了更贴近居民诉求的分析依据。街景图像数据结合开源的遥感影像数据，可以在街道空间评估的范围、尺度和维度方面实现相互补充和验证[10]，这也使得基于多源数据的复合量化指标衡量城市绿化环境成为一个新趋势[11-12]，更可以为学者绕开数据屏障，探索城市局部或整体景观提供新机遇。此外，对街景图像数据的处理也从繁重的人工目视判读法，发展到使用计算机软件在色彩空间中提取色彩范围内的像素点数量来衡量街道绿化质量。最新发展起来的机器学习下的语义分割法可以实现对街景图像更加精确的自动化评估，从而免去大量枯燥的手动处理，这大大拓宽了街道空间研究的广度和深度。

与沿街绿色空间相比，很少有研究探讨沿街蓝色空间（河道等水体）的问题。事实上，蓝色空间和绿色空间并非是2个独立的系统，而是相互交织的公共开放空间网络。暴露于蓝色空间同样可以带来一系列生理和心理健康益处，蓝绿空间可见度的改善对于居民的心理健康和步行行为促进有着积极的影响[13]。因此，蓝绿空间的整体量化评估和通盘考虑对于蓝绿耦合尤为重要，然而，目前研究不足以指导设计或者干预政策。

浙江省绍兴市是著名的水乡泽国，因水而生，逐水而居，以水知名。对于绍兴市来说，河流是一笔巨大的资产，其附带的滨水空间更是绍兴人民日常生活和社会交往的重要交往空间。水陆并行、“水中有城，城中有水”的传统格局是绍兴的城市特色，而街道是直观感受和展现水乡风貌的重要空间，良好的沿街蓝色空间感知对于江南水乡的氛围营造、城市特色文化的展现具有重要意义，但目前为止其城市蓝绿空间尚未得到足够的关注。基于此，本研究尝试通过街景图像数据和遥感影像数据，对绍兴市越城区二环以内的街道进行详尽调查并且梳理涉及人本尺度的开源数据分析流程，从而得出指导城市精细化管理的辅助信息，并据此对绍兴市沿街蓝绿空间建设提出优化对策和建议。

1 研究区域与数据获取

1.1 研究区域

绍兴市位于中国浙江省的中北部，是国务院公布的全国首批24个历史文化名城之一，距今已有2 500年的悠久历史。绍兴市具有典型的江南水乡特色，市内河网纵横，共有河流6 759条，水面率约10%[14]。蓝绿空间作为绍兴市的城市景观和历史文化的载体，至今仍深刻地影响着绍兴市的景观和人们的生活[15]。

考虑到街景图像的有效覆盖范围和居民日常生活的空间尺度，本研究选取绍兴市越城区二环以内的区域为研究范围（图1），该范围总面积约为4 555.6 hm2；其中以护城河外侧河沿以内的区域为绍兴古城，该区域是绍兴的历史文化中心，保留了传统的水乡风貌以及众多的文旅景点，如鲁迅故里、沈园等。

1 研究范围Research scope

1.2 数据获取

1.2.1 街景图像数据

街景图像数据来源于百度地图开放平台（lbsyun.baidu.com），用以表示三维空间上的沿街蓝绿空间。具体操作步骤如下：1）用百度地图截获器软件获得街景导航轨迹，经空间校正和地理配准后将其简化并提取道路中心线；2）在ArcGIS 10.6中生成间隔为50 m的采样点与唯一的经纬度信息，最终确定了4 702个采样点；3）通过自编Python脚本调用应用程序编程接口，每个采样点获取前、后、左、右4张街景图片，以此来模拟一个完整的行人视角。最终获得共计18 808张街景图片（2020年9月），每张图片的大小为1 024×512像素。

1.2.2 卫星遥感影像数据

二维平面上的沿街蓝绿空间数据来源于中国科学院计算机网络信息中心地理空间数据云[16]的Landsat 8遥感影像图（2018年4月28日，少云，分辨率为30 m）。在ENVI 5.3软件中进行辐射定标、大气校正等预处理步骤之后分别计算归一化差分植被指数（normalized difference vegetation index, NDVI）和归一化差分水体指数（normalized difference water index,NDWI）。

2 研究方法

2.1 指标设定

2.1.1 沿街蓝绿空间感知

绿色空间感知使用绿视率（green view index, GVI）这一指标进行衡量。GVI最早由青木阳二提出，指的是人观察视野内绿色所占的比率[17]，是人们对于环境绿化的感知[18]。一般认为15%的绿视率是人所认可的最低限度，当绿视率为25%时会感到更加积极舒适，对人的视力和健康更加有利[19-20]。本研究参照日本学者折原夏志对绿视率的划分标准，将绍兴市的绿色空间感知分为5个等级：GVI≤5%（绿色空间感知差）；5% ＜ GVI≤15%（绿色空间感知较差）；15% ＜ GVI≤25%（绿色空间感知一般）；25% ＜ GVI ＜ 35%（绿色空间感知较好）；GVI≥35%（绿色空间感知很好）[21]。将25%作为良好绿视率目标线，≤25%的GVI被认为是客观绿色空间感知水平不佳，>25%的GVI被认为客观绿色空间感知水平优良[22]。蓝色空间的感知水平也参考此算法，引入蓝视率（blue view index, BVI）的概念。考虑到街道上看到的蓝色空间比例远小于绿色空间，因此对于蓝色空间的感知只划分为2个等级：蓝色空间可感知（BVI>0）和蓝色空间感知不佳（BVI=0）。

2.1.2 NDVI和NDWI

NDVI，一般用以表示植被覆盖度，值在[-1, 1]之间，负值表示为云、雪、水等对可见光高反射的地面覆盖物，正值表示地表有植被覆盖，且越接近1表示植被覆盖度越大。NDWI一般用以表示水体覆盖度，值在[-1, 1]之间，负值时表示有植被覆盖，正值表示地表有水体覆盖，且越接近1表示水体覆盖度越大。NDVI与NDWI计算式如下：

式中：NIR（near infrared）为近红外波段；R为红波段；G为绿波段。

2.2 数据处理

沿街蓝绿空间是通过全卷积神经网络（fully convolution network, FCN）从街景图像数据中提取的（图2），使用的是基于ADE_20K数据集的深度学习视觉影像语义分割软件[23]，该方法能够较为准确地识别图片中的植物，即使在无叶季节和黄昏场景中也能正确识别树形，减少以往采集图片中以绿色像素点的比例来表示绿视率的误差。绿色空间的标签选取为树木、草地、植物和棕榈树等所有对GVI有贡献的标签。蓝色空间的标签选取为水、海、河流、湖泊、喷泉、瀑布和游泳池，不包括具有蓝色物体要素（如天空等）的景观空间。每个采样点的GVI和BVI分别为该采样点4个方向（前、后、左、右）的街景图片中绿色空间和蓝色空间占比的平均值（图2）。

2 基于语义分割的街景GVI与BVI计算示例Examples for calculation of streetscape GVI and BVI based on semantic segmentation

3 研究结果

3.1 绿色空间感知

3.1.1 研究区域GVI分布特征

研究区域GVI平均值为33.6%，中位数为34.3%。这个数值与一些发达国家的城市GVI相近，如新加坡街道平均GVI为29.3%，美国坦帕街道平均GVI为36.1%[24]，表明绍兴市二环内的整体绿色空间感知较好。其中GVI>35%的采样点的数量最多，有2 299个（占总数的48.9%）；21.2%的采样点GVI＜15%，绿色空间感知较差；只有4个采样点的绿视率为0。

3.1.2 GVI空间分布差异特征

研究区域绿色空间感知呈现从中心向边缘递减的趋势（图3）。古城范围内的GVI平均值为38.7%，中位值为40.3%，高于研究范围内的平均水平，绿色空间感知表现更好（图4）。

4 古城和研究区域GVI占比Proportion of GVI in ancient city and research area

绿色空间感知差的采样点主要分布在二环北路、二环西路、城南大道（图3、5），这3条道路均为主干道，路幅较宽使得人视野中的植物占比下降。再加上城市建设时序的原因，GVI整体低于古城，特别是以快速路和高架桥为主的二环路，其采样点间的GVI变化幅度较大，这种情况下，机动车驾驶员在快速移动过程中将感知高频的视觉反差，可能会对其安全驾驶有所影响。但同样是城市主干道，环城西路、环城北路（图5）街道绿化水平却更好，这可能是因为绍兴市前几年的护城河整治行动提升了护城河周围的整体绿化环境。尽管古城整体街道绿化水平较高，但东街最东段、渔化桥河沿东段、观音弄、惠丰路（图5）等路段绿色空间感知水平低下，这些街道路幅较小，两侧房屋林立，空间拥挤，街道环境亟待提升。

3 GVI空间分布Spatial distribution of GVI

5 研究区域各街道街景图Streetscape scenes in the research area

3.1.3 行政区划GVI分布特征

行政区划层面的街道GVI区别较大，空间分异明显。7个街道的平均绿视率均>25%，都达到了绿色空间感知较好的水平（表1）。其中稽山街道、塔山街道和府山街道的GVI平均值均高于总体平均值，绿色空间感知很好。虽然位于古城外，但稽山街道的GVI平均值最高，为46.29%，有77.19%（616个）的采样点GVI高于平均值，表明该街道在居民视野中看起来更“绿”。北海街道的GVI平均值最低，只有34.45%的采样点GVI高于平均值。灵芝街道的GVI跨度在7个街道中最大，稽山街道的GVI跨度最小。

表1 研究区域各街道的GVI数值统计Tab. 1 Statistics of GVI values for each street in the research area

3.2 蓝色空间感知

以20 m为阈值（20 m能够从中近距离感受和欣赏水面），共有684个采样点位于水系20 m的缓冲区内，其中12.72%（87个）的采样点的GVI＜5%，表明这部分的滨水空间缺乏绿化；30.12%（206个）的采样点识别不到蓝色空间，存在“临水不见水”的现象。通过比对这些点位的街景图片，发现造成该现象的原因是人工或者自然的障碍物（植被、围墙、建筑等）阻断了观水的视线以及高差造成的视野内蓝色空间比例下降（图6）。蓝色空间感知不佳的点位主要分布在下大路和北海桥直街（图7），这2条道路所夹的河道较窄，平均宽度不足10 m，两岸植被丰茂，植物配置多为自然的“乔+灌+草”形式，未留出足够的透景线，使得水体较难被行人感知。这种情况在西郊路东段也同样存在。下大路的东南段（绍兴市大江农贸市场附近），百余米的滨水空间被用作停车场，车辆甚至直接停放在人行道上。这虽然是为了解决古城保护与城市扩张矛盾的无奈之举，但显然侵占了居民的步行空间，无疑是对古城风貌的一种破坏。

6 蓝色空间感知不佳原因演示Demonstration of reasons for poor blue space perception

7 蓝色空间感知不佳点位Points where blue spaces are poorly perceived

3.3 二维与三维沿街蓝绿空间比较

为探究行人视角下的三维蓝绿空间与俯视视角下的二维植被覆盖信息（图8-1、8-2）之间的相关性和差异，分别提取采样点所在位置的NDVI和NDWI，并与对应的GVI和BVI做比较。考虑到采样点周围环境的影响，在提取时使用双线性插值法以减少误差。最终计算得到GVI与NDVI的Pearson相关系数为0.411 6（p＜0.001，p为显著性水平），呈中等程度相关；BVI与NDWI的Pearson相关系数为0.239 5（p＜0.001），呈弱相关（相关系数的绝对值介于0.1～0.3）。这个结论与Larkin等[25]在美国俄勒冈州的研究结果以及Marco等[8]在北京的研究结果类似，即蓝绿空间与包括NDVI在内的其他绿色空间测度指标呈弱相关性。表明了遥感影像与街景图像在表达沿街蓝绿空间时的不一致性。

为了解三维街景绿色空间与二维植被覆盖信息差异的原因，本研究将提取到的NDVI和GVI按照自然间断点法分为5类，比较差异较大的2种情况—NDVI低而GVI高和NDVI高而GVI低。

NDVI低而GVI高的采样点（图8-3）主要分布在城市次干道上，道路断面形式多为一板两带式，主要分为3类：1）路幅小而行道树冠幅大（图9-1），如环城西路沿护城河段，多处树冠已经“合龙”，再加上乔、灌、草的植物配置形式，使得植被在三维空间上体现的效果更好；2）栅栏式围墙的应用（图9-2），栅栏式围墙在起到围合和分隔作用的同时可以不隔绝视线，为了加强围合效果，围墙内外往往又会种植灌木丛或者攀缘植物，对中下层GVI起到很好的补充，如天姥路、曹江路、投醪河路等；3）周围环境绿化的补充（图9-3），三维上的绿色空间感知并不仅限于道路空间，当街道周围环境绿化（如河道绿化）整体较好时，街道GVI通常也比较好，如环城北路、丰山路等。

8 二维与三维的沿街蓝绿空间差异Difference between two-dimensional and threedimensional blue and green spaces along the street

9 NDVI低而GVI高的原因演示Analysis of reasons for low NDVI but high GVI

NDVI高而GVI低的采样点（图8-4）主要分布在城市外围的主干道上，主要可以归为3类：1）实墙遮挡或施工篷布遮挡（图10-1），如府山公园环山路段以及唐郡名园西侧的无名路段，大片的绿地被实墙隔离，而街道本身的绿化又不足以提供视觉上充足的绿色，导致这些街道的绿色空间感知较差；2）绿色空间错位（图10-2、10-3），由于高架桥或者挡土墙形成的高差，导致植被需要俯视或者仰视才能被观察到（如二环西路），特别是采样点所在的桥梁下方有河流经过时，这种因为高差造成的二维、三维绿色空间测度不一致的情况会更加突出；3）植被后退或者道路拓宽（图10-4），无论是道路宽度增大还是周围植被与道路边缘距离增大均会导致视野中的绿色空间比例下降，如二环南路和山阴路的交汇口、越东南路、二环南路等。

10 NDVI高而GVI低的原因演示Analysis of reasons for high NDVI but low GVI

NDWI与BVI之间的差异也可以分为2类—NDWI高而BVI低和NDWI低而BVI高。NDWI低而BVI高的采样点（图8-5）主要分布在小池塘或者河道较窄的地方，这些地方蓝色空间本身规模较小，在30 m精度的遥感影像下未能被精确地识别到；另外，水边植被在平面上的遮挡以及水上构筑物如廊桥等的遮挡，也会对平面上蓝色空间的识别产生影响。NDWI 高而 BVI 低的采样点（图8-6）同样受高差和障碍物两方面的影响，也是造成“临水不见水”现象的主要原因。高差、茂密的植被和车辆等障碍物，以及没有通往滨水空间的通道等，都会导致视野内蓝色空间感知的下降。

4 讨论

街景图像数据具有模拟行人视角的独特优势，这种新兴的数据源结合机器学习配合的自下而上的评估方式，已被证实是测度建成环境的有效手段[26]。在当前对于城市绿化有着不同评判标准的背景下，小尺度微观立体的街景图像和大尺度宏观平面的遥感影像相互补充和验证的评估方式是识别具有蓝绿发展潜力的街道空间的强大工具，结合两者的评估结果提出相应的优化建议，能使有限的道路绿地提供最大限度的绿化贡献。

绍兴市于2018年对越城区的解放路、环城西路、环城南路等20条道路进行了城市景观改造，这些道路在此次调查中都处于较好的绿色空间感知水平，表明绍兴市的道路景观治理已见成效。尽管如此，古城内外依旧存在绿色空间感知欠佳的街道，这些街道在未来的城市规划设计中应该得到更多的关注和资源倾斜。在绿色空间的基础上，本研究对于蓝色空间也进行了分析讨论，可以为其他有着类似水乡特征的城市提供沿街蓝绿空间评估的方法参考。街道作为居民日常生活出行的重要载体，若是附近的滨水空间能够融合绿色空间得到适当的规划、设计及管理，将会是创造舒适宜人的步行环境、提升街道空间品质和物理环境的首选，既是生态和景观效益的融合，也是绍兴水乡文化的传承与发展。

基于上述分析，本研究对绍兴市沿街蓝绿空间提出3方面的提升思路。1）移除街道上的障碍物，增加街道及其附近蓝绿空间的可达性和可视性。对于只有绿色空间的街道来说，减少实墙的遮挡，必要时可以使用栅栏式围墙以保证景观视线的通透性；对于有蓝绿空间的街道来说，更是要减少围墙、围栏的遮挡，以及疏理水岸边的植物、限制河岸边的不规范停车行为等。2）因高差、路幅过大造成的视野内绿色空间比例下降，可以通过垂直绿化（如盆栽、攀缘植物等）、增加道路分车带绿化、配置多层次植物等补足绿化缺口，形成舒适安全的步行和车行环境。对于有条件的街道蓝色空间，可以将硬质驳岸改为自然或者半自然式的驳岸，配以水生植物，营造具有水乡氛围的特色城市街道空间。3）当街道附近存在具有潜力的蓝绿空间时，可以在改善周围蓝绿空间质量的同时，在城市设计、环境微改造中留出视线通廊，增加蓝绿空间的可见性，这不仅能从侧面提升蓝绿空间感知，还可以同步提升城市平面和立面上的蓝绿空间品质。

5 问题与展望

视觉是人类感知外界的最主要的方式，从行人视角评估城市街道绿化，辅以俯视视角下的遥感影像，有助于推进城市的精细修补和精准干预。本研究尚存在一些局限：1）对于一些门控社区和禁止车行的地方，百度街景图像尚未达到百分之百的覆盖率；2）街景车的采样拍摄点高于人视点，存在视野范围偏差[21]，并不能完全替代行人视角；3）由于卫星遥感影像的分辨率的限制，对于一些宽度不足30 m的街道或者水系的识别存在一定误差，在后续研究中需要利用更高分辨率的遥感影像及多时相街景图像结合实地踏勘拍摄等补足数据。随着数据类型和数据精度的增加，对街景蓝绿空间动态监测，进行大尺度、高精度、细粒度的评估将很快成为现实，进而为人居环境研究、实践带来新的机遇。

图表来源(Sources of Figures and Table)：

文中图表均由作者绘制。图1、3、7底图来源于天地图（https://www.tianditu.gov.cn/），审图号为GS（2021）1487号；图2、5中的底图和街景图片来源于百度地图开放平台（https://lbsyun.baidu.com/，于2020年9月获得）。