EN中文

风景园林 >

2024 , Vol. 31 >Issue 9: 42 - 50

DOI: https://doi.org/10.3724/j.fjyl.202401070016

专题：人工智能在风景园林中的应用

基于时序街景数据的城市街道绿化结构演变——以上海市中心城区为例

  • 王磊 , 1 ,
  • 章璇 , 2 ,
  • 韩昊英 , 2, 3 ,
  • 何捷 , 1, 4, *
展开
  • 1 天津大学建筑学院
  • 2 浙江大学建筑工程学院
  • 3 澳门城市大学创新设计学院
  • 4 哈尔滨工业大学（深圳）建筑学院

王磊/男/天津大学建筑学院在读博士研究生/研究方向为城市计算、景观感知

章璇/女/浙江大学建筑工程学院在读博士研究生/研究方向为城市公众情绪感知、城市空间视觉质量

韩昊英/男/博士/浙江大学建筑工程学院教授、博士生导师/澳门城市大学创新设计学院教授 /研究方向为城市规划决策和复杂理论、城市增长边界和绿带等城市发展容控工具的实证研究

何捷/男/博士/哈尔滨工业大学（深圳）建筑学院教授、博士生导师/天津大学建筑学院兼职教授/研究方向为空间历史大数据、景观考古学与文化景观遗产、大数据与空间行为、地理设计与户外游憩

收稿日期: 2024-01-07

  修回日期: 2024-07-29

  网络出版日期: 2025-12-16

基金资助

哈尔滨工业大学深圳校区新引进高精尖缺人才科研启动经费“数字人文与空间历史大数据支持的城乡文化赋能”(ZX20230488)

浙江大学平衡建筑研究中心资助项目“韧性城市的指标体系与规划方法”(K横20203512-02B)

版权

版权所有 © 2024 风景园林编辑部
收起

Evolution of Urban Street Greening Structure Based on Time Series Street View Data: A Case Study of the Central Urban Area of Shanghai

  • Lei WANG , 1 ,
  • Xuan ZHANG , 2 ,
  • Haoying HAN , 2, 3 ,
  • Jie HE , 1, 4, *
Expand
  • 1 School of Architecture, Tianjin University
  • 2 School of Civil Engineering and Architecture, Zhejiang University
  • 3 Faculty of Innovation and Design, City University of Macau
  • 4 School of Architecture, Harbin Institute of Technology (Shenzhen)

WANG Lei is a Ph.D. candidate in the School of Architecture, Tianjin University. His research focuses on urban computing, and landscape perception

ZHANG Xuan is a Ph.D. candidate in the School of Civil Engineering and Architecture, Zhejiang University. Her research focuses on urban public emotion perception, and urban spatial visual quality

HAN Haoying, Ph.D., is a professor and doctoral supervisor in the School of Civil Engineering and Architecture, Zhejiang University, and a professor in the Faculty of Innovation and Design, City University of Macau. His research focuses on urban planning decision-making and complexity theory, and empirical research on urban development containment tools such as urban growth boundaries and green belts

HE Jie, Ph. D., is a professor and doctoral supervisor in the School of Architecture, Harbin Institute of Technology (Shenzhen), and is a part-time professor in the School of Architecture, Tianjin University. His research focuses on spatial historical big data, landscape archaeology and cultural landscape heritage, big data and spatial behavior, and geographic design and outdoor recreation

Received date: 2024-01-07

  Revised date: 2024-07-29

  Online published: 2025-12-16

Copyright

Copyright © 2024 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】城市街道绿化结构的演变和优化是评价城市发展质量的重要指标，特别是在中国的典型城市上海，街道绿化对于改善城市微气候、减少空气污染以及提供居民休憩空间具有至关重要的作用。为了提升城市街道绿化质量，深入探究上海市中心城区在2013—2019年之间的城市街道绿化结构演变规律。【方法】基于时序街景图像数据，利用DeepLabV3+语义分割技术，详细分析上海市中心城区城市街道绿化结构的空间和时间演变规律。【结果】2013—2019年，上海城市街道绿化结构中的植物视觉要素占比有所增加，乔木、灌木和草本植物的视觉要素占比分别增加了25.09%、19.32%和42.39%。在街景的地理空间分布中，2019年综合性城市街道绿化结构（乔-灌-草）的数量相比2013年增加了23.99%，尤其是浦东新区和杨浦区的绿化结构增量变化更加明显。表明了城市街道绿化结构要素和绿化结构的增量具有空间分布一致性。【结论】基于人工智能技术的城市绿化监测方法能够有效识别城市街道绿化结构演变规律，为城市决策者和规划者提供了维护和增强城市绿化的全新视角。

关键词： 风景园林; 人工智能; 时序街景; 绿化结构; 百度街景

本文引用格式

王磊 , 章璇 , 韩昊英 , 何捷 . 基于时序街景数据的城市街道绿化结构演变——以上海市中心城区为例[J]. 风景园林, 2024 , 31(9) : 42 -50 . DOI: 10.3724/j.fjyl.202401070016

Abstract

[Objective] For urban street space, a main place for residents’ daily public activities, its greening structure plays a crucial role in influencing walking index, environmental assessment, residents’ health and economic benefits. Street greening can significantly enhance residents’ life satisfaction, especially in high-density urban environments. With the development of computer technology, it has become possible to combine visual analysis techniques to conduct a fine-grained research on urban street greening structure. Studying the spatial and temporal evolution of street greening structure not only helps understand the spatial experience and landscape changes of urban streets, but also has great significance in scientifically evaluating and optimizing urban street greening, and promoting the high-quality and sustainable development of urban street space. Urban street greening structure is a three-dimensional plant composition concept, which usually includes high-level trees, mid-level shrubs and herbaceous plants. Through historical research and analysis of street view images, the research shows that traditional street greening measurements cannot effectively reflect the three-dimensional visual experience of residents, and therefore new methods are needed to more accurately analyze the greening structure of urban streets. In summary, the purpose of this research is to propose a new research framework to finely analyze the change trends and influence mechanisms at the level of urban street greening structure. Taking the Chinese city Shanghai as an example, the research adopts advanced artificial intelligence technology and time series street view data to conduct an in-depth research on the greening structure of urban streets.

[Methods] At the data level, the road network is downloaded through OpenStreetMap, and street view sampling points are set at an interval of 50 m along the road network. Time series street view image data on the central urban area of Shanghai in summers during the period from 2013 and 2019 are collected via Baidu Map. At the model level, a self-annotated and trained deep learning model is used for semantic segmentation to identify green structures (trees, shrubs, and herbaceous plants) in the street view images. Combining multiple data sources, the DeepLabV3+ model is trained and migration learning is performed to improve accuracy and generalization. At the analysis level, statistical methods are used to classify and analyze the green structures in the street view images, taking into account the frequency and distribution of the green structures. The greening structures of Shanghai streets are classified into five categories based on the type of greening, and the spatial distribution and changes of these categories are analyzed.

[Results] From 2013 to 2019, the urban street greening structure in the central urban area of Shanghai changed significantly. The results of the research show that the proportions of trees, shrubs and herbaceous plants increased by 25.09%, 19.32% and 42.39% respectively during the period from 2013 to 2019. This increase reflects the enrichment of the urban greening structure in terms of plant species and distribution. In particular, the comprehensive greening area (cluster 1) increased by 23.99% in 2019 compared to 2013, and the change was particularly significant in Pudong and Yangpu districts. The cluster analysis of the greening structure of urban streets shows that the spatial distribution and quantity of each type of greening structure also changed from 2013 to 2019. For example, both tree-dominated greening areas (cluster 4) and herb-dominated areas (cluster 3) show an increase in quantity, suggesting that urban planning has made progress in promoting diverse greening and improving ecological quality. In terms of the spatial distribution of the city, comprehensive greening areas in most administrative districts increased in 2019, reflecting the city’s continued investment in enhancing the living environment for residents and improving ecological functions. Especially in Pudong New Area, the vegetation changes were particularly significant due to the late development of the area, showing the positive adjustment of urban planning and greening strategies.

[Conclusion] In conclusion, it is in line with the requirements of the urban construction era to study the evolution and optimization strategies of urban street greening structures. At the level of policy and greening impact, Shanghai has promoted the quality of urban greening through the implementation of policies such as the Shanghai Greening Regulations. The policies have not only enhanced the aesthetics and functionality of green spaces, but also protected them through legal provisions and promoted community participation and environmental protection awareness. At the level of socio-economic benefits of greening structures, street greening can indirectly enhance property values by providing recreational space and improving the urban microclimate, and reduce public health expenditures by increasing biodiversity and improving air quality. At the level of classification and application of street greening structures, different street types require different greening structures to meet their functional needs according to their user groups and environmental characteristics. The dimension of greening structures and urban ecosystems emphasizes that through rational design of greening structures, the ecological system of the city can be enhanced, the microclimate improved, the biodiversity increased and the ecological network formed. This research can provide urban planners and policy makers with a new perspective on how to improve the quality of urban environment and residents’ life through urban street greening. It also points out the challenges in the process of urban greening, such as financial constraints and technical difficulties, and suggests appropriate solutions.

Key words： landscape architecture; artificial intelligence; time series street view; greening structure; Baidu street view

1 研究背景与研究进展

在城市建成环境中，街道空间是重要的组成部分，也是居民主要的日常公共活动空间[1]。街道绿化是街道空间中居民的主要景观感知要素，城市街道绿化结构在影响步行指数[2]、环境评估[3]、居民健康[4]和经济效益[5-6]等方面发挥着不可替代的作用[7]。城市绿化能够提升高密度城市中居民的生活满意度[8]。而城市街道绿化结构的组成影响着街道空间的品质及居民对于街道空间的感知水平[9-10]。城市街道绿化结构的演变可视为展现城市街道空间发展轨迹的年轮，而随着计算机技术的发展，将人工智能视觉分析技术融入城市分析，使得精细化识别街道绿化结构成为可能[11-13]。城市街道绿化结构的时空演变识别及评价研究有助于深入了解城市街道的空间体验、景观变化，对于科学评估和优化城市绿色空间、促进城市街道空间高质量可持续发展有重大意义。
城市街道绿化结构是一个立体的植物组成概念，本研究将其分为高层乔木、中层灌木及草本植物3个种类。以往研究中已经有很多学者对基于植被的各项指标开展研究，例如植被分数[14]、归一化差异植被指数（normalized difference vegetation index, NDVI）[15]、增强植被指数（enhanced vegetation index, EVI）[16]及绿视率（green view index, GVI）[17]等指标。这些指标可以定量反映绿化植被在城市空间中的分布情况。从以往研究来看，多数研究利用卫星遥感图大规模测算绿化覆盖率，但这样的测算方法无法有效反映居民在立体街道空间中的视觉体验情况[18]。已有研究基于少量街景图像样本证明乔木、灌木和草本植物的群落结构对社会价值和生态价值产生了影响[19]。但在基于街景图像开展大规模绿视率的相关研究中，受例如ADE20K[20]、Cityscapes[21]等现有街道图像语意分割数据集的限制，城市街道绿化结构被视为一个整体进行分析，鲜有研究能有效地对精细化的城市街道绿化结构进行分析。
目前街景数据在城市分析中广泛应用，分析过程中应用人工智能视觉分析技术的流程已经成熟。时序街景是指同一位置不同时间拍摄的一系列街景图像的合集。时序街景中不同时间的街景图像反映的城市景观特征之间的差异愈加受到关注[22]。唐婧娴等[23-24]利用腾讯街景数据，揭示了北京胡同在短期时间（2年内）段内街道空间视觉质量发生的变化，实现了对小尺度街道空间视觉质量变化情况的有效识别，有助于深化人们对街道动态变化的认识。LI[25]将时序街景数据和人口普查数据相结合，进一步调查了不同种族或族裔群体对绿视率认知的差异，证明了使用谷歌时序街景数据大规模监测城市街道绿化随时间变化的可行性。随后张书杰等[26]进一步将时序街景的研究范围扩大至中国的45个城市，将每个城市各500个街景点的步行设施改善情况进行对比研究，并对小尺度区域中长期时间（5年内）的街道绿化进行评估[27]。2023年，Liang等[28]对新加坡的长期（13年）时序街景进行分析，探索高密度城市的扩张趋势。既有研究大多关注时序街景在时间维度上对城市街道变化的影响，在城市街道绿化结构精细化识别与演变的相关领域还存在研究空白。
本研究提出了一个全新的研究框架，更加精细地解析了街道绿化结构如何影响城市街道特征变化。选择中国上海市作为研究案例，使用自行标注的乔 - 灌 - 草数据集训练DeepLabV3+图像语义分割网络结构。并将该神经网络应用于收集的2013年和2019年街景图像中进行预测，从而提取城市街道绿化结构数据。对以乔-灌-草为基础的绿化结构层级进行聚类分析，对聚类结果进行定量分析和空间评价。根据不同街道绿化模式的空间分布情况，可以分析出城市街道绿化结构空间分布不合理之处，从而提出景观绿化规划设计模式的改进建议。

2 研究数据与方法

2.1 研究区域概况

上海是中国最大的经济中心和重要的国际金融中心城市。2017年上海市平均气温17.7 ℃，日照时数1 809.2 h，降水量1 388.8 mm。全年81%以上的雨量集中在4—10月[29]。由于上海气候温和湿润、降雨量大，有利于植物生长，所以绿化结构在数年时间内会发生较大变化。本研究选取上海市中环路内的中心城区作为研究区域（面积约315 km2），该区域覆盖了城市人口密度最高、城市化程度最高的区域（图1）。研究区域包含以下主要行政区：宝山区、长宁区、虹口区、黄浦区、嘉定区、静安区、闵行区、浦东新区、普陀区、徐汇区、杨浦区。
图1 研究区域

Fig. 1 Research area

2.2 时序街景数据采集与处理

街景图像在城市科学研究中发挥了越来越重要的作用，因为研究人员从中能够更直观地获取关于城市环境和各种环境元素的信息。街景图像可以从行人的实际视角反映城市风貌并提供视觉要素信息。除了有基于移动端和PC端的街道地图可供用户浏览外，大多数地图程序开发者都发布了应用程序编程接口（application programming interface, API），如百度地图API、腾讯地图API、谷歌地图API等，允许用户下载具有相应坐标的街景图像。
为了分析城市街道绿化结构的空间变化，本研究收集了上海市中心城区2013年和2019年的街景图像。在本研究中，上海市中心城区的图像数据通过编写的自动化程序从百度地图（map.baidu.com ） 平台获取。通过OpenStreetMap 下载路网，以50 m为间隔沿路网生成71 546个街景采样点。百度地图平台对于每个城市的街景数据更新频率不同，本研究收集了上海市所有街景位置的时间信息。根据统计发现上海近些年百度街景更新数据较少，难以覆盖大部分城市区域。所以本研究选择了城市覆盖程度高的2013年和2019年的街景数据。
由于每个街景位置都拥有多个历史年份信息，因而对于所有采样点需要设置2个过滤条件。条件一：只保留同时拥有2013年和2019年2个年份数据的采样点，这样可以探究2个固定年份之间城市街道绿化结构发生的变化。条件二：采样时间为5—10月，这样可以避免冬季植物凋零对城市街道绿化结构分析产生较大的影响。通过以上2个过滤条件，在2013年和2019年的全部采样点分别筛选出33 626个采样点，共计67 252个有效采样点，进而获取这些采样点的百度街景图像。为了能够评价城市整体的街道绿化结构水平，本研究将采集图像参数设置为1 024×512像素（图2）。
图2 相同位置时序街景采集示意

Fig. 2 Schematic diagram of time series street view collection at the same location

2.3 基于DeepLabV3+的植物要素图像语义分割

受限于图片清晰程度、植被生长等多方面因素，鲜有研究对多层次植被结构形态进行清晰的解译。所以本研究使用了团队前期工作中构建的街道绿化空间结构数据集（street greening space structure dataset, SGSS）作为训练数据集[30]，使用该数据集训练识别城市街道绿化结构的神经网络模型。在图像识别过程中遇到的难题主要有以下3点。1）在使用传统城市语义分割数据集训练的过程中易出现过拟合现象，对于识别图像的泛化性能差。2）以百度街景为来源的图像的清晰度难以保证，因拍摄时的天气、光照和角度等因素较为随机，导致识别精度低。3）以经典Segnet网络为代表的图像语义分割模型难以满足复杂环境城市街道绿化结构的识别需求。为解决识别过程中的难题，本研究通过自主构建数据集并训练神经网络的策略来解决。
构建城市街道绿化结构数据集用于训练模型。该数据集主要由4种数据组成，包括Cityscape数据集、ADE20K数据集、谷歌全景街景图像和团队拍摄照片。该数据集包括4种场景：城市、乡村、校园和住宅。选择与居民日常活动相关性较高的4种场景。首先，使用Labelme软件对混合了3种数据（Cityscape数据集、谷歌全景街景图像、团队拍摄照片）的数据集进行手动标注数据并训练。手动标注时没有沿用现有Citescape数据集的分类类型，而是将标签分类为4种类型：乔木、灌木、草本植物和背景。使用该标注数据开展深度学习模型训练。随后，仅使用ADE20K数据集中的乔木标签（Tree）再次进行迁移学习训练。这一步是为尽量避免产生模型过拟合效果，使模型识别结果更加泛化。
选择基于Chen等[31]开发的DeepLabV3+神经网络模型的语义分割网络用于提升图像识别精度。该模型中有串联的空洞空间金字塔池化（atrous spatial pyramid pooling, ASPP）结构存在，ASPP结构中的感受野尺寸是变化的。其中感受野是指网络中某一层的一个神经元在输入图像上看到的区域。感受野描述了这个神经元能够响应的输入区域的大小和位置。另外构建数据集的像素尺寸并不统一，这使得该结构能够较好地识别不同比例、尺寸图片。且DeepLabV3+神经网络模型在解读复杂城市场景方面具有更好的识别能力，在识别城市街道绿化结构方面相较于传统模型更具优势。
为了验证分割结果的准确性，以及是否能准确提取城市街道绿化结构，本研究使用由混淆矩阵构成的3个指标对模型进行评估，分别是平均交并比（mean intersection over union, MIoU）、类别平均像素准确率（mean pixel accuracy, mPA）和精确率（P）。混淆矩阵包含4种类型的信息：真阳性（true positives, TP）为被正确预测为正类的实例数；假阳性（false positives, FP）为被错误预测为正类的实例数；真阴性（true negatives, TN）为被正确预测为负类的实例数；假阴性（false negatives, FN）为被错误预测为负类的实例数。
$ {\rm{MIoU}}=\frac{1}{k+1}\sum _{k=0}^{k}\frac{{\rm{TP}}}{{\rm{FN+FP+TP}}}，$
计算式（1）中，MIoU是一种常用于图像分割任务的评价指标，用来衡量模型的分割性能。k是类别数。
${\rm{mPA}}=\frac{1}{k+1}\sum _{i=0}^{k}\frac{{\rm{TP}}}{{\rm{FN+TP}}}，$
计算式（2）中，mPA是指图像中不同类别中正确分类的像素数量的平均值，占该类别预测像素数量的比例。k是类别数。
${\rm{P}}=\frac{{\rm{TP}}}{{\rm{TP+FP}}}，$
计算式（3）中，P是模型预测的正类像素中实际为正类的像素比例。高精确率意味着模型对正类的预测较为准确，误报率较低。
本研究训练并使用DeepLabV3+神经网络模型得出的各参数值：MIoU=63.44%，mPA=72.87%，P=80.74。以上效果满足本研究对于城市街道绿化结构变化识别的研究需求。

2.4 基于植物要素的城市街道绿化结构特征构建

传统的聚类算法如层次聚类算法、K均值聚类算法（K-means clustering algorithm, K-means）、基于密度的噪声应用空间聚类算法（density-based spatial clustering of applications with noise, DBSCAN），主要基于空间或属性上的相似性对数据点进行分组[32]。这些算法在许多应用中都被证明是有效的，尤其是当数据分布相对均匀，且具有明确的界限时。层次聚类算法通过逐级合并或分割数据点来形成一个聚类层次结构，而K-means和DBSCAN则是基于中心点或密度来形成聚类。
尽管传统的聚类方法适用于很多情境，但在本研究中，街景图像中的城市街道绿化结构数据具有高度的复杂性和多样性。传统聚类方法难以捕捉到微妙的城市街道绿化结构变化的复杂性。另外，考虑到本研究数据涉及图像分割的结果，直接使用传统的聚类方法可能会受到噪声和误差的影响。基于上述原因，本研究选取了一种基于统计学的分类方法。这种方法考虑到了每种城市街道绿化结构的分布情况，而非只考虑空间或属性的相似性。这种方法不仅可以更精确地刻画城市街道绿化结构的变化，还能考虑到乔木、灌木和草本植物的相对比例。具体来说，先将街景图像中的绿化结构分为5个类别，然后使用统计学方法对这5个类别的绿化结构分布和占比进行分析。这种方法可以帮助研究者更加深入地洞察街道绿化结构，理解城市绿化的动态变化和其变化的原因。
本研究将城市街道绿化结构分为5个聚类（图3）。聚类1：乔木、灌木和草本植物视觉要素占比均不为0。表示这是一个综合性的绿化区域，具备多样的绿化类型。聚类2：乔木和灌木视觉要素占比不为0，但草本植物视觉要素占比为0。表示这是一个主要由乔木和灌木组成的绿化区域，可能是城市街道绿化。聚类3：乔木和草本植物视觉要素占比不为0，但灌木视觉要素占比为0。表示该区域可能是城市的草坪或广场，乔木散布其中。聚类4：仅乔木视觉要素占比不为0。表示该类要素可能是沿街的行道树或独立的景观树。聚类5：其他。这包括灌木或草本植物为主的区域，或是不容易归入前4类的特殊区域。
图3 城市街道绿化结构聚类结果街景示意图

Fig. 3 Schematic diagram of street view showing the clustering results of urban street greening structure

3 上海市中心城区城市街道绿化结构特征分析

3.1 城市街道绿化结构的聚类特征

分析2013年和2019年的城市街道绿化结构变化数据（图4），通过计算绿化结构的绿视率均值可以发现：2013—2019年，3种植物结构种类（乔木、灌木、草本）的绿视率均值都有所增加。2013—2019年，灌木的绿视率均值从0.005 33增加到0.006 36，草本植物的绿视率均值从0.003 35增加到0.004 77，乔木的绿视率均值从0.126 33增加到0.158 03。乔木在这2个年份中都是绿视率均值最高的绿化结构种类，而草本植物的绿视率均值最低。2013—2019年，绿化结构的绿视率均值增加可能意味着城市在这段时间内投入了更多的绿化建设和维护资源，乔木、灌木和草本植物的绿视率均值分别增加了25.09%、19.32%和42.39%。乔木和草本植物的均值增长幅度更为显著，这可能反映了城市规划者对绿化的重视。
图4 2013年和2019年城市街道绿化结构聚类均值分布（4-1）及特征分布（4-2）

Fig. 4 Mean distribution (4-1) and characteristic distribution (4-2) of urban street greening structure cluster in 2013 and 2019

根据2013年和2019年的城市街道绿化结构聚类分布的可视化分析结果（图5），可以发现：聚类1在2013年的采样点数量较少，但2019年的采样点数量明显增加。这表明在这7年间，综合性的绿化区域面积有所增加。2013—2019年，聚类2的数量略有下降。而聚类3在这2个年份的数量相差不大，在2019年仅略有增加。聚类4在2013年的数量相对较少，而在2019年的数量进一步的削减，这意味着沿街的行道树或独立的景观树在城市中融入至更加复杂的绿化结构之中。聚类5在2013年和2019年的数量都相对较少，但在2019年有所增加。
图5 2013年（5-1）和2019年（5-2）城市街道绿化结构聚类变化统计

Fig. 5 Statistics of changes in the clustering of urban street greening structure in 2013 (5-1) and 2019 (5-2)

3.2 城市街道绿化结构的城市空间分布

对上海城市街道绿化结构聚类的变化进行空间可视化及分析（表1，图6），并对上海市各行政区2013年和2019年的街景采样点的城市街道绿化结构分类变化进行描述。聚类1的2019年街景采样点数量比2013年增加了23.99%。在大部分行政区，聚类1街景采样点的数量均有所增加，尤其在浦东新区和杨浦区。这和浦东新区发展较晚，新栽种植物形态变化较大的实际情况相符。聚类2的2019年街景采样点数量比2013年数量减少27.05%。这表明城市街道绿化结构对于密度和层次营造提出了更高要求，城市在转向更多的综合性绿化。聚类3的2019年街景采样点数量比2013年增加4.64%，例如宝山区。这反映了城市对开放空间的需求增大，为居民提供了更多的休闲空间。在大部分行政区，聚类4的2019年街景采样点数量相比2013年减少44.29%，而聚类5则增加1.55%，尤其黄浦区聚类5的街景采样点数量变化最为显著。
表1 上海城市街道绿化结构聚类的街景采样点数量

Tab. 1 Number of street view sampling points involved in the clustering of urban street greening structure in Shanghai

行政区 聚类1 聚类2 聚类3 聚类4 聚类5
2013年 2019年 2013年 2019年 2013年 2019年 2013年 2019年 2013年 2019年
宝山区 1 527 1 775 546 303 310 371 254 196 11 3
长宁区 1 030 1 535 595 285 263 248 259 79 3 3
虹口区 673 795 766 676 67 87 227 181 11 5
黄浦区 631 839 805 778 166 133 399 245 19 25
嘉定区 173 193 42 28 47 45 40 34 0 2
静安区 920 1 486 1 161 871 151 170 479 191 17 10
闵行区 775 1 015 393 206 171 243 293 177 11 2
浦东新区 6 676 7 536 1 587 1 235 1 338 1 257 1 096 660 32 41
普陀区 1 561 2 058 780 477 304 359 389 135 10 15
徐汇区 1 551 1 913 906 783 312 315 531 285 9 13
杨浦区 1 642 2 130 1 018 631 214 270 429 266 6 12
图6 2013年（6-1）和2019年（6-2）城市街道绿化结构聚类结果地理空间分布

Fig. 6 Geospatial distribution of the clustering results of urban street greening structure in 2013 (6-1) and 2019 (6-2)

整体来看，上海市2013—2019年的绿化结构发生了显著变化。这些变化可能受到城市规划策略、社区需求和环境保护目标的影响。可以发现上海更倾向于发展综合性绿化结构，同时也增加了特定功能的绿化结构，以满足居民和环境的需求。

3.3 城市街道绿化结构特征的演变分析

分析2013—2019年街景采样点聚类转移矩阵结果（图7，表2），可以发现以下趋势。1）聚类1的稳定性：2013年聚类1中的大部分街景实例在2019年仍然保持归类在聚类1，说明聚类1中的街道绿化结构在这2个年份都很稳定。这意味着城市的复合式绿化结构在这段时间内得到了良好的维护和保护。2）聚类2和聚类4的转移：有较多在2013年识别为聚类2和聚类4的街景采样点在2019年转移归类至聚类1。这表示一些主要由乔木和灌木组成的区域和行道树区域已经增加了草本植物的种植，使得绿化结构变得更加多样化。3）聚类3的分散：在2013年被识别为聚类3 的街景采样点在2019年分散到了多个不同 的聚类中。这可能表明一些草坪或广场重新进行了绿化设计，种植了更多的灌木或乔木。4）聚类5具有小规模特性和多样性：2013年被识别为聚类5的街景采样点在2019年有所转移，但数量较少，转移也较为分散。这说明其他类型的绿化结构在这段时间内可能经历了多样的变化。
图7 城市街道绿化结构演变桑基分析图

Fig. 7 Sankey diagram of the evolution of urban street greening structure

表2 2013—2019年聚类的街景采样点数量转移矩阵

Tab. 2 Number transfer matrix of street view sampling points in clustering from 2013 to 2019

2019年聚类1 2019年聚类2 2019年聚类3 2019年聚类4 2019年聚类5
2013年聚类1 13 097 1 940 1526 573 23
2013年聚类2 4 374 2 854 617 716 38
2013年聚类3 1 944 338 734 322 5
2013年聚类4 1 818 1 102 607 819 50
2013年聚类5 42 39 14 19 15
根据2013—2019年城市街道绿化结构提升与衰退街道路段的识别结果（图8），可以发现，聚类1的乔木、灌木和草本植物的复合式绿化结构是最丰富且完善的。将由聚类1转变为其他聚类的情况标识为城市街道绿化结构衰退；将由其他聚类转变为聚类1的情况标识为城市街道绿化结构提升；若该街道聚类类别未发生变化，则标识为城市街道绿化结构未改变。其他绿化结构聚类之间的转移情况不进行标识。为考量街道整体的衰退和提升情况，分别标识出未改变街道路段，衰退街道路段和提升街道路段。分析发现衰退和提升街道路段在城市中均匀分布，但是衰退街道路段数量相较于提升街道路段少 52.70%。整体来看城市街道绿化结构向复杂结构发展。
图8 2013—2019年城市街道绿化结构提升街道路段（8-1）和衰退街道路段（8-2）识别

Fig. 8 Identification of street sections experiencing the improvement (8-1) and decline (8-2) of urban street green structure from 2013 to 2019

4 上海市中心城区城市街道绿化结构特征讨论

4.1 城市街道绿化结构与相关政策影响

城市街道绿化质量是城市生态、社会和经济多方面综合政策的体现。《上海市绿化条例》最早于2007年开始实施，在最新修订的条例中可以窥见上海市通过法规政策持续推动城市街道绿化质量提升[33]。该条例明确规定了公共绿地的建设标准，如新建居住区绿地面积不得低于居住区用地总面积的35%，这一政策显著提高了街道居民的生活质量与城市居住区及环境的美观度。同时为保护已建成的绿化成果不受侵害，条例还规定了破坏绿化行为所需承担的法律责任。经济层面上，该条例制定了激励和补偿机制，如参与绿化养护的企业和个人可以享有绿地、树木一定期限的冠名权，这一政策极大激励了私人和企业对街道绿化的投入。社会层面上，上海市通过鼓励居民参与植树活动，增强了市民的环保意识和社区归属感。该条例推动了全民义务植树活动和群众性绿化工作，这一举措让城市绿化成为市民共同参与的公共事业，进一步增强了社区的凝聚力。
政策的背景与推动力：近年来城市发展的政策焦点逐渐转向可持续性和生态友好性。政府推动街道绿化的主要动机包括改善城市景观、增强生态系统服务功能，以及提高居民生活质量。这些政策旨在通过提升城市绿地率来缓解热岛效应，提升城市生物多样性，并为城市居民提供更多的休闲与运动空间。
政策的长远影响：虽然短期内街道绿化政策需要较大的财政投入，但长远来看，这些投资通过改善城市环境质量，减少了公共健康开支，如更多的城市绿化能够降低生理及心理系统疾病的发病率[34-35]。
政策挑战与建议：通过实施政策来实现城市街道绿化结构的提升过程同样存在挑战，如资金限制、技术难题，以及公众参与度不足等问题。为此，建议政府可以考虑引入私营部门资金和技术，驱动私营部门运营及养护城市街道绿化空间来优化城市街道绿化结构。同时，还要增强社区居民的参与感，通过教育和社区活动提高居民对街道绿化项目的支持与认可。

4.2 城市街道绿化结构满足景观空间诉求

城市街道绿化对居民的生活质量有着直接的积极影响。然而，还需要注意不同街道对绿化的需求存在显著差异。街道的绿化布局和结构不仅要考虑其美观性和生态功能，还需考虑不同街道的功能需求和特征存在差异。不同类型的街道因其功能、宽度、周边环境和使用人群的不同，对绿化的布局和结构有着不同的需求。需要进一步的分析和探索如何根据不同空间的景观诉求来合理设计绿化结构，从而最大化发挥其社会、环境及经济的综合效益，才能促进人与环境更加和谐的互动。
以具体空间为例进行讨论，黄浦区的商业街道空间由于人流密集，更倾向于采用可提供阴凉、降低噪声并能够创造宜人购物环境的城市街道绿化结构，如聚类3中的乔木+草本植物的结构特征。这种组合方式能够美化街道环境，通过乔木遮阴为行人提供休憩空间，从而提升购物体验。居住街道则更注重创造安静、私密的绿化环境，如聚类1和聚类2中的乔木+灌木构成的围合空间。考虑到绿化对不同板带结构、交通流线的影响和视距三角形，交通要道街道空间则宜采用不阻挡视线的绿化布局方式，如聚类2、聚类3 和聚类4中的城市街道绿化结构，设置隔离带绿化、高大乔木等。此外，城市街道绿化结构的设计还应考虑到街道面临的特定问题，如学校、政府、机关单位和大型公共设施等特殊用地的需求。
街道绿化的布局和结构应基于街道的功能特征和具体空间的景观诉求来设计，合理的绿化组合方式不仅能够提升城市街道的美观和舒适度，还能解决实践中的环境和社会问题，为城市的可持续发展贡献力量。本研究旨在弥补以往对街道绿化多功能性和景观空间诉求深度探讨的不足，为未来城市绿化项目提供理论依据和实践指导。

4.3 城市街道绿化结构识别有助于提升整体生境系统质量

聚类1中的乔-灌-草综合性绿化数量的增加在很大程度上反映了城市绿化的丰富度和多样性。理想情况下，这种绿化类型的增加有助于提高城市生物多样性，提升居民休闲空间品质，缓解城市热岛效应。然而，其积极作用的实现需依赖于绿化结构的合理分布。综合性绿化应更多地分布在居民区、学校周边的公共空间，这样更能直接服务于社区，增加城市居民的亲自然体验，提升他们对环境的满意度。对于其他聚类，乔木、灌木和草本植物的单一或组合绿化类型各自适应的空间也有所不同。乔木适宜于宽阔的街道两侧，能提供良好的遮阴和空气净化功能，同时也为城市生态系统贡献重要的栖息地。灌木和草本植物组合较适合于人行道周围和小型公共广场，既能美化城市景观，又易于管理和维护。
本研究识别的绿化结构各自具有独特的生态功能，其数量和空间分布的变化不仅反映了城市绿化的发展趋势，也揭示了城市整体生态环境系统的形成机制和优化策略。1）调节微气候：聚类1综合性绿化和以乔木为主的绿化由于其密集和多样化的植被结构，能够有效地调节微气候。乔木层可以提供阴凉空间，降低地表温度，而灌木和草本植物层能进一步促进空气流动，提高空气湿度，从而共同作用于城市的微气候调节。2）降低空气污染：所有类型的绿化结构都能通过其叶片捕捉空气颗粒物，吸收有害气体二氧化硫等，从而减少空气污染。特别是聚类1、2、3中乔木结构的增加，由于乔木的叶片面积相对较大且乔木的生命周期较长，对于改善空气质量尤其关键。3）提供生态系统服务：5类 绿化结构提供了丰富的生态系统服务，包括生物多样性保护、碳固定和储存、水文调节等。聚类2中以乔木和灌木为主的绿化结构尤其有利于维持城市生物多样性，为各种鸟类和小型哺乳动物提供栖息地。聚类3中的草本植物结构则为昆虫等小型生物提供了必要的生存资源。4）促进生态网络形成：随着这些绿化结构在数量和空间分布上的优化，城市中的绿地不再是孤立的绿洲，而逐渐形成了连续的生态网络。这种网络不仅有利于生物的迁移和基因交流，提高了整个城市生态环境系统的稳定性和韧性，还为城市居民提供了连续且多样的绿色空间，优化了居民的环境体验，提升了居民的生活质量。

4.4 研究局限与未来展望

本研究在上海市中心城区的城市街道绿化结构特征方面取得了一系列有意义的结果，但还存在一些局限性。首先，对于使用时序街景数据识别城市街道绿化结构，数据集的来源、类型和特征对于训练结果的影响尤为重要。数据库构建过程中标注及训练等基础工作应更加完善。其次，虽然DeepLabV3+为图像语义分割提供了先进的方法，但结果中仍存在某些城市街道绿化结构未能被正确识别或分类的情况。此外，百度街景图像提供了一种从行人视角观察城市街道绿化结构的独特视角，但它只能展示城市街道绿化结构的垂直视角。这意味着，一些重要的城市街道绿化结构，例如绿色屋顶或高架绿化，可能在本研究中被忽略。最后，本研究仅探究了上海市的城市街道绿化结构，上海是中国的经济中心，其特有的城市化模式和绿化策略可能不完全适用于处于其他发展阶段的城市。
未来研究的重点可放在4个方面。1）不局限于对城市街道绿化结构类型的识别，还可以构建城市街道绿化结构及对应树种的数据库，为解析绿化结构提供更精细的数据。未来可将基于自注意力机制的SegFormer模型应用于城市街道绿化结构的识别。该模型表现出极强的鲁棒性，也许可以更加准确地反映城市街道绿化结构演变。2）可以使用无人机或其他高空观测工具来捕捉上海市的绿色屋顶和其他高处的绿化结构作为数据补充，从而更全面地了解城市街道绿化结构。3）进一步扩大研究范围，包括中国其他城市或国际上其他重要城市，进行城市街道绿化结构的跨城市比较，进一步揭示不同城市绿化策略的实施效果。4）鼓励社区和市民参与城市街道绿化结构的监测和评估工作，这样可以更好地理解居民对绿化的需求和期望，为未来的城市绿化规划提供宝贵的建议。

5 结论

城市街道绿化结构演变能够成为评估城市街道空间发展的重要指标。本研究使用时序街景图像数据深入分析了上海市中心城区城市街道绿化结构的变化，揭示了城市街道绿化在2013—2019年间呈现出积极的发展趋势，在一定程度上完善了以单一时间维度为主的绿化分析方法体系。在城市规划及景观设计实践过程中，本研究提出的分析方法可以为基础性数据分析工作提供支撑。本研究仅在城市街道绿化的绿化结构方面进行了探索，未来仍有大量的工作需要开展。需要关注城市绿化的发展和管理，不断探索相关分析方法和理论，促进城市街道绿化持续向优向好发展，确保城市的可持续性发展，保证居民高质量的健康福祉。

图表来源(Sources of Figures and Tables)：

文中图表均由作者绘制，图1、6、8卫星图底图来源于OpenStreetMap（2023年）。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
HASSEN N, KAUFMAN P. Examining the Role of Urban Street Design in Enhancing Community Engagement: A Literature Review[J]. Health and Place, 2016, 41: 119-132.

DOI

[2]
KI D, LEE S. Analyzing the Effects of Green View Index of Neighborhood Streets on Walking Time Using Google Street View and Deep Learning[J]. Landscape and Urban Planning, 2021, 205: 103920

DOI

[3]
THACKWAY W, NG M, LEE C L, et al. Implementing a Deep-Learning Model Using Google Street View to Combine Social and Physical Indicators of Gentrification[J]. Computers, Environment and Urban Systems, 2023, 102: 101970

DOI

[4]
HELBICH M, POPPE R, OBERSKI D, et al. Can’t See the Wood for the Trees? An Assessment of Street View- and Satellite-Derived Greenness Measures in Relation to Mental Health[J]. Landscape and Urban Planning, 2021, 214: 104181

DOI

[5]
LI X J, ZHANG C R, LI W D, et al. Who Lives in Greener Neighborhoods? The Distribution of Street Greenery and Its Association with Residents’ Socioeconomic Conditions in Hartford, Connecticut, USA[J]. Urban Forestry & Urban Greening, 2015, 14(4): 751-759.

[6]
LIN J, WANG Q, LI X. Socioeconomic and Spatial Inequalities of Street Tree Abundance, Species Diversity, and Size Structure in New York City[J]. Landscape and Urban Planning, 2021, 206(2): 103992

DOI

[7]
ROMAN L A, BATTLES J J, MCBRIDE J R. The Balance of Planting and Mortality in a Street Tree Population[J]. Urban Ecosystems, 2014, 17(2): 387-404.

DOI

[8]
HE D, MIAO J, LU Y, et al. Urban Greenery Mitigates the Negative Effect of Urban Density on Older Adults’ Life Satisfaction: Evidence from Shanghai, China[J]. Cities, 2022, 124: 103607

DOI

[9]
俞佳俐, 李健, 盛莹, 等. 城市绿地对居民身心健康福祉满意度影响研究[J]. 中国园林, 2021, 37(7): 95-100.

YU J L, LI J, SHENG Y, et al. Study on the Influence of Urban Green Space on the Satisfaction of Residents[J]. Chinese Landscape Architecture, 2021, 37(7): 95-100.

[10]
ZHANG F, ZHOU B, LIU L, et al. Measuring Human Perceptions of a Large-Scale Urban Region Using Machine Learning[J]. Landscape and Urban Planning, 2018, 180(12): 148-160.

DOI

[11]
成实, 张冠亭, 张潇涵, 等. 基于LiDAR点云的景观空间“绿视率”量化分析方法研究[J]. 中国园林, 2022, 38(2): 12-19.

CHENG S, ZHANG G T, ZHANG X H, et al. Research on the Quantitative Analysis Method of “Green Viewing Ratio” of Landscape Spatial Form Based on Three-Dimensional LiDAR Point Cloud Data[J]. Chinese Landscape Architecture, 2022, 38(2): 12-19.

[12]
WANG L, HAN X, HE J, et al. Measuring Residents’ Perceptions of City Streets to Inform Better Street Planning Through Deep Learning and Space Syntax[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 190: 215-230.

DOI

[13]
GAO J, MA S, WANG L, et al. Does Greenness Bring More Green Travelling? Evidence from Free-Floating Bike-Sharing in Beijing[J]. Journal of Transport Geography, 2023, 109: 103586

DOI

[14]
FAN C, MYINT S W, ZHENG B. Measuring the Spatial Arrangement of Urban Vegetation and Its Impacts on Seasonal Surface Temperatures[J]. Progress in Physical Geography: Earth and Environment, 2015, 39(2): 199-219.

DOI

[15]
殷炜达, 苏俊伊, 许卓亚, 等. 基于遥感技术的城市绿地碳储量估算应用[J]. 风景园林, 2022, 29(5): 24-30.

YIN W D, SU J Y, XU Z Y, et al. Estimation and Application of Urban Green Space Carbon Storage Based on Remote Sensing Technology[J]. Landscape Architecture, 2022, 29(5): 24-30.

[16]
MATHEW A, KHANDELWAL S, KAUL N. Investigating Spatial and Seasonal Variations of Urban Heat Island Effect over Jaipur City and Its Relationship with Vegetation, Urbanization and Elevation Parameters[J]. Sustainable Cities and Society, 2017, 35: 157-177.

DOI

[17]
叶宇, 黄成成, 李心恬, 等. 人本视角街道绿视率与鸟瞰视角绿化覆盖率的表现差异及影响因素解析[J]. 风景园林, 2023, 30(9): 20-28.

DOI

YE Y, HUANG C C, LI X T, et al. Mapping the Differences Between Human-Scaled Visible Street Greenery vs. Green Coverage from Bird’s-Eye View and a Further Exploration of the Effecting Issues[J]. Landscape Architecture, 2023, 30(9): 20-28.

DOI

[18]
ZHU H, NAN X, YANG F, et al. Utilizing the Green View Index to Improve the Urban Street Greenery Index System: A Statistical Study Using Road Patterns and Vegetation Structures as Entry Points[J]. Landscape and Urban Planning, 2023, 237: 104780

DOI

[19]
BABINGTON A, HUGHES M, FARRELL C, et al. Preference for Multi-layered, Flowering, Woody Streetscape Plantings in a Mediterranean-Type Climate[J]. Urban Forestry & Urban Greening, 2023, 89: 128094

[20]
ZHOU B, ZHAO H, PUIG X, et al. Semantic Understanding of Scenes Through the ADE20K Dataset[J]. International Journal of Computer Vision, 2019, 127(3): 302-321.

DOI

[21]
CORDTS M, OMRAN M, RAMOS S, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C/OL]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 3213-3223[2023-10-01]. http://ieeexplore.ieee.org/document/7780719/.

[22]
KIM J. An Examination of the Spatial Coverage and Temporal Variability of Google Street View (GSV) Images in Small- and Medium-Sized Cities: A People-Based Approach[J]. Computers, Environment and Urban Systems, 2023, 102: 101956

DOI

[23]
唐婧娴, 龙瀛, 翟炜, 等. 街道空间品质的测度、变化评价与影响因素识别: 基于大规模多时相街景图片的分析[J]. 新建筑, 2016(5): 110-115.

DOI

TANG J X, LONG Y, ZHAI W, et al. Measuring Quality of Street Space, Its Temporal Variation and Impact Factors: An Analysis Based on Massive Street View Pictures[J]. New Architecture, 2016(5): 110-115.

DOI

[24]
TANG J X, LONG Y. Measuring Visual Quality of Street Space and Its Temporal Variation: Methodology and Its Application in the Hutong Area in Beijing[J]. Landscape and Urban Planning, 2019, 191: 103436

DOI

[25]
LI X J. Examining the Spatial Distribution and Temporal Change of the Green View Index in New York City Using Google Street View Images and Deep Learning[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 48(7): 2039-2054.

DOI

[26]
张书杰, 李文竹, 龙瀛, 等. 基于多年街景图片的城市街道步行设施改善评价: 以中国45个城市为例[J]. 城市发展研究, 2022, 29(6): 53-64.

DOI

ZHANG S J, LI W Z, LONG Y, et al. Evaluation on the Improvement of Pedestrian Facilities with Multi-year Street View Images[J]. Urban Development Studies, 2022, 29(6): 53-64.

DOI

[27]
YU X, HER Y, HUO W, et al. Spatio-Temporal Monitoring of Urban Street-Side Vegetation Greenery Using Baidu Street View Images[J]. Urban Forestry and Urban Greening, 2022, 73: 127617

DOI

[28]
LIANG X, ZHAO T, BILJECKI F. Revealing Spatio-Temporal Evolution of Urban Visual Environments with Street View Imagery[J]. Landscape and Urban Planning, 2023, 237: 104802

DOI

[29]
上海市统计局. 气候[EB/OL]. （2018）[2024-08-01]. https://tjj.sh.gov.cn/zrdl/20180819/0014-216816.html.

Shanghai Bureau of Statistics. Climate[EB/OL]. (2018)[2024-08-01].https://tjj.sh.gov.cn/zrdl/20180819/0014-216816.html.

[30]
ZHANG L, WANG L, WU J, et al. Decoding Urban Green Spaces: Deep Learning and Google Street View Measure Greening Structures[J]. Urban Forestry & Urban Greening, 2023, 87(9): 128028

[31]
CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation[C]// FERRARI V, HEBERT M, SMINCHISESCU C, et al. Computer Vision−ECCV 2018. Cham: Springer International Publishing, 2018: 833-851.

[32]
KIM Y, KIM Y. Global Regionalization of Heat Environment Quality Perception Based on K-Means Clustering and Google Trends Data[J]. Sustainable Cities and Society, 2023, 96: 104710

DOI

[33]
上海市城市管理行政执法局. 上海市绿化条例[EB/OL]. （2021）[2024-06-22]. https://cgzf.sh.gov.cn/channel_89/20210811/c9a5d3806fc84e458aeea58ced6d35cf.html.

Shanghai Urban Management and Law Enforcement Bureau. Regulations of Shanghai Municipality on Greening[EB/OL]. (2021)[2024-06-22]. https://cgzf.sh.gov.cn/channel_89/20210811/c9a5d3806fc84e458aeea58ced6d35cf.html.

[34]
YAO Y, XU C W, YIN H Y, et al. More Visible Greenspace, Stronger Heart? Evidence from Ischaemic Heart Disease Emergency Department Visits by Middle-Aged and Older Adults in Hubei, China[J]. Landscape and Urban Planning, 2022, 224: 104444

DOI

[35]
YAO Y, LU Y, GUAN Q, et al. Can Parkland Mitigate Mental Health Burden Imposed by the COVID-19? A National Study in China[J]. Urban Forestry & Urban Greening, 2022, 67: 127451

Options
文章导航

/

〈 〉