EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 5: 37 - 44

DOI: https://doi.org/10.3724/j.fjyl.LA20240048

Research on Pedestrians’ Visual Perception Characteristics Based on USGGS: A Case Study of the Six Inner-City Districts of Tianjin

  • Hanwen YANG , 1 ,
  • Shang’en TSOU 1, 2 ,
  • Yike HU , 1, 2, *
Expand
  • 1. School of Architecture, Tianjin University
  • 2. Human Settlements Committee, Chinese Society for Urban Studies

YANG Hanwen is a master student in the School of Architecture, Tianjin University. His research focuses on landscape planning and design and theory of landscape architecture, urban public space, and urban data science

TSOU Shang’en is a Ph.D. candidate in the School of Architecture, Tianjin University, and deputy secretary-general of the Human Settlements Committee, Chinese Society for Urban Studies. His research focuses on landscape planning and design and theory of landscape architecture, urban public space, and urban data science

HU Yike, Ph.D., is a professor in and deputy director of the Department of Landscape Architecture, School of Architecture, Tianjin University, and executive deputy director of the Human Settlements Committee, Chinese Society for Urban Studies. His research focuses on urban public space

Received date: 2024-11-15

  Revised date: 2025-03-17

  Online published: 2025-12-10

Copyright

Copyright © 2025 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective] This research aims to explore in depth the interactions between urban street greening general structure (USGGS), and pedestrians’ visual perception, and the influence of USGGS on urban ecological environment and residents’ health. USGGS, the vertical hierarchical structure of urban street greening, covers a variety of dimensions such as trees, shrubs, and grasses, which is of great importance for enhancing the quality of urban ecological environment, improving the physiological health of residents, and alleviating the tension between urban residents and the natural environment. The core objective of the research is to propose strategies to optimize the greening structure of urban streets by analyzing the correlation between USGGS and visual perception of pedestrians, so as to enhance the quality of the visual environment of street pedestrians, improve the urban human settlement environment and promote the organic integration of the urban ecological and humanistic environments, thus providing a new way of thinking for urban planning and construction, and promoting the high-quality and sustainable development of urban street space. [Methods] The research selects the six inner-city districts of Tianjin City as the research area, utilizes Baidu street view image (SVI) as data source, and collect SVIs and their coordinates in the six districts in 2019 by calling Baidu API, with a total of 17,326 points selected and 13,281 valid samples obtained after screening. The DeepLabV3+ neural network model is used for semantic segmentation of SVIs to accurately recognize and segment various landscape elements in urban SVIs. The model increases the sensory field of the convolution kernel by Atrous convolution technique and null convolution, allowing the model to capture image details at different resolutions and providing more accurate feature recognition support for subsequent SVI segmentation tasks. Based on the study of pedestrians’ visual perception, green view index (GVI), openness, and enclosure are selected as quantitative indicators. Through multiple linear regression, anomaly and clustering analysis by ArcGis software, and geographically weighted regression analysis, the influence of different USGGS on pedestrians’ visual perception and their spatial distribution characteristics are explored. [Results] The results of the research reveal the significant influence of uneven spatial distribution of USGGS on pedestrians’ visual perception. The vegetation hierarchy configuration in the six inner-city districts of Tianjin presents a spatial distribution characteristic of centripetal aggregation, while the proximity of the six inner-city districts and the four ring city districts presents a more homogeneous distribution trend of greening structure. Through the clustering and outlier analysis tools, it is found that the causes of the abnormal areas of pedestrians’ visual perception are closely related to the spatial distribution characteristics of USGGS. In addition, the spatial distribution characteristics of pedestrians’ visual perception of openness show negative correlation with the distribution characteristics of GVI, while the high values of visual perception of enclosure are mainly concentrated in areas with high building density. These results not only reveal the significant influence of USGGS type on pedestrians’ visual perception, but also provide a scientific basis for the optimization of urban street greening structure. [Conclusion] The research emphasizes the importance of rationally configuring USGGS types to enhance the environmental quality of urban streets. USGGS not only changes the physical spatial morphology of urban streets, but also significantly affects the visual perception of pedestrians. The arbor – shrub – grass structure, the arbor – shrub structure, the arbor – grass structure, and the arbor structure have a significant influence on pedestrians’ visual perception of GVI and openness, while the structure containing shrubs can significantly increase the level of pedestrians’ visual perception of enclosure. These findings emphasize the importance of considering USGGS configurations in urban planning to create visual environments that are better suited to the function of the place, enhance the ecological value of streets as well as the life quality of residents, and promote sustainable urban development.The challenges faced by street greening in Tianjin include uneven spatial distribution, insufficient resilience, low public participation and varying regional management levels. It is recommended to increase the area of street greening space, optimize the allocation of greening resources, and improve community participation and residents’ sense of belonging through scientific planning and construction. In addition, measures such as strengthening cross-regional collaboration, sharing practical experience, upgrading management standards and providing technical support are needed to achieve a balanced development of management level among regions. The research also proposes directions for future research, including improving the accuracy of element identification through image correction techniques, utilizing POI place attribute data to conduct a large-scale USGGS research of spatial heterogeneity in pedestrians’ visual perception, and incorporating more physical spatial measurement data to expand the depth of research and provide more comprehensive scientific support for urban planning. Through these comprehensive measures, the level of urban street greening can be enhanced more effectively to create a healthier and more comfortable living environment for residents.

Key words： landscape architecture; computer vision; urban street; green structure; visual perception; spatial heterogeneity

Cite this article

Hanwen YANG , Shang’en TSOU , Yike HU . Research on Pedestrians’ Visual Perception Characteristics Based on USGGS: A Case Study of the Six Inner-City Districts of Tianjin[J]. Landscape Architecture, 2025 , 32(5) : 37 -44 . DOI: 10.3724/j.fjyl.LA20240048

在建成环境中，城市街道是由人工元素和自然元素共同组成的公共空间，为居民提供容纳其日常生活行为和社交互动行为的场所[1]，而街道绿化是城市街道中主要的自然环境感知要素，对行人的视觉感知产生了显著影响[2-3]。城市街道绿化泛类结构（urban street greening general structure, USGGS）指城市街道绿化的垂直层次（如乔木、灌木、草本植物等）[4]，为城市街道绿化结构设计提供了补充[5]。合理配置的USGGS能够显著提升城市生态环境水平[6]，有助于提升城市人居环境质量，而视觉感知是人通过感官接受外部信息并对其作出组织、识别以及解释的处理结果[7]，有研究证明具有良好视觉感知的城市街道步行环境对行人具有较高的游憩吸引力[8]。因此，探讨USGGS与行人视觉感知的关系，不仅有助于提升城市环境品质，还对促进城市可持续发展以及增强居民福祉，具有重要的理论和实践意义。
既往研究常使用实地调研、眼动仪技术等方法探究城市绿化对行人视觉感知的影响。然而这些方法由于精确度不足[9-10]及操作复杂[11]等问题，难以平衡计算效率和使用成本，限制了研究的尺度，无法对两者关系进行深入解析。为了克服这些局限性，研究者开始使用新的数据源和方法。街景图像（street view image, SVI）作为一种新兴的数据源，为大规模城市测度提供了一种贴近人类真实视角的街道空间图像数据[12-14]。在城市视觉感知研究中，与绿化相关的绿视率（green view index, GVI）、开阔度（openness）和围合度（enclosure）3个关键指标均对视觉感知产生显著影响。在街道物质空间量化工作中，研究者使用SVI中植物要素的面域占比来计算GVI，可以较为准确地衡量城市街道的绿化水平[15]。开阔度关注的是天空视域的广度，主要受到乔木冠幅和高度的影响[16]。围合度涉及空间的封闭感和私密性，主要受到树木的高度和种植密度的影响[17]。
随着SVI在城市绿化相关研究中的使用率日益提高，Zhang等[18]提出了一种基于全景街道图像语义分割的方法来评估城市街道绿化的结构，构建了能够准确识别街道绿化结构的街道绿化空间结构数据集（street greening space structure dataset, SGSS）。在此基础上，研究者开始关注GVI与城市绿化结构之间的空间分布关系。王磊等[19]利用街景数据，揭示了上海2013—2019年城市街道绿化结构时序变化规律，并证明了城市街道绿化结构要素及增量具有空间分布的一致性。尽管已有研究在识别和量化USGGS方面取得了进展，但这些成果尚未将行人视觉感知特征纳入USGGS优化的研究工作中。因此，需要深入分析USGGS与行人视觉感知之间的相关性，并探讨其影响机制。
本研究通过对USGGS进行精细化分类，探究USGGS与行人视觉感知特征的关联。以天津市市内六区为研究区域，利用SGSS、Cityscapes数据集以及ADE20K数据集训练DeepLabV3+神经网络模型，并从SVI中提取街道要素数据，采用多元线性回归分析USGGS对行人视觉感知的影响，并运用ArcGIS软件，分析行人视觉感知的空间分布特征以及空间异质性的成因。

1 研究数据与研究方法

1.1 研究区域

天津市是中国北方的超大型城市，具有北方城市的典型气候特征。自2011年以来，天津城市建成区GVI虽呈现出平稳增长的趋势，但仍有研究表明天津市城市绿化存在结构单一、同质化现象明显等问题[20]。天津市市内六区城市建设年代较早[21]且人口密度较高[22]，拥有如五大道、滨江道商业街、意式风情街等丰富的文化旅游资源，具有较高的行人视觉感知水平提升需求，能够代表具有丰富文化旅游及商业资源同时存在视觉环境优化需求的城市区域。因此，本研究选取天津市市内六区作为研究区域（图1），包含6个行政区——河西区、南开区、和平区、河东区、河北区以及红桥区。
图1 研究区域

Fig. 1 Research area

1.2 天津市市内六区街景图像的采集与处理

百度街景（Baidu street view, BSV）作为国内覆盖范围最广的SVI数据源，图像清晰度较高且能精准匹配空间位置，是研究者获取街景数据的有效来源。本研究通过调用百度应用程序接口（application programming interface, API），收集了单一年度SVI采集覆盖度较高的2019年的天津市市内六区全域SVI及其对应的采集点坐标，共50 739组；同时为避免采集数据冗余，以50 m为间隔共选取SVI及对应的采集点坐标，共17 326组。筛除街景图像中因存在车辆遮挡过多、成像过曝、镜头进光量不足等问题而导致分割失败的无效图像，最终得到13 281组有效样本。

1.3 天津市市内六区USGGS特征提取

1.3.1 基于DeepLabV3+神经网络模型的街景图像语义分割

在计算机视觉（computer vision, CV）领域，DeepLabV3+神经网络模型能够精确地识别和分割城市街景图像中的各种景观元素，很多学者已将该模型应用于城市公共空间研究中，并且有学者证明了由Google团队开发的DeepLabV3+神经网络模型的分割精度以及分割效率优于SegNet和PSPNet神经网络模型[4]。
本研究采用DeepLabV3+神经网络模型，应用于城市街道绿化要素识别、分割与提取工作。使用Zhang等[18]构建的SGSS对该模型进行训练，同时结合Cityscapes数据集以及ADE20K数据集，提升模型对于城市街道中的乔木、灌木以及草本植物的特征识别能力，使用经训练数据集训练后的DeepLabV3+神经网络模型对天津市市内六区街景全景图像进行语义分割（图2）。
图2 DeepLabV3+神经网络模型分割结果示例

Fig. 2 Examples of segmentation results of DeepLabV3+ neural network model

模型经训练后得出平均交并比（mean intersection over union, MIoU）为63.44%，类别平均像素准确率（mean pixel accuracy, mPA）为72.87%，精确率（precision）为80.74%，具有较高的精准度以及识别速度，模型性能能够满足本研究要求。

1.3.2 天津市市内六区USGGS聚类

使用Excel内置公式命令对图像语义分割结果进行分类处理，将“乔木、灌木以及草本植物的像素占比不为0”设置为分类条件，结果显示USGGS聚类共5种，类别序号1~5对应的聚类标签分别为乔-灌-草、乔-灌、乔、乔-草、灌-草。序号1：街景图像分割结果中乔木、灌木以及草本植物均有体现；序号2：仅有乔木以及灌木，草本植物的像素占比为0；序号3：仅有乔木，灌木以及草本植物的像素占比为0；序号4：仅有乔木以及草本植物，灌木的像素占比为0；序号5：仅有灌木以及草本植物，乔木的像素占比为0（表1）。
表1 USGGS聚类结果

Tab. 1 USGGS clustering results

聚类序号 聚类标签 样本个数 类别占比/%
1 乔-灌-草 4 547 34.3
2 乔-灌 4 284 32.3
3 乔 2 612 19.7
4 乔-草 1 371 10.4
5 灌-草 467 3.3

1.4 USGGS的行人视觉感知特征

为深入探析USGGS与行人视觉感知的关系，本研究基于既有城市行人视觉感知研究[17]，从中选取具有物质空间形态特征描述能力的指标，并对行人视觉感知指标计算逻辑进行调优，最终选取GVI、开阔度以及围合度作为USGGS的行人视觉感知特征量化指标。GVI指的是人视觉环境中的绿植面积占比，本研究通过精准计算乔木、灌木以及草本植物的像素比例之和，规避将其他绿色物体识别成植物的误判，从而使GVI能够更真实地反映行人视觉环境中的街道绿化水平；开阔度指人视觉环境中的天空可视水平，能够反映街道空间的开阔程度；围合度是指人在视觉环境中感受到的由分隔要素构成的占比，本研究选取了建筑物、墙壁以及栅栏等垂直结构的视觉要素，用于反映街道空间中行人视觉环境的空间围合程度。绿视率、开阔度、围合度面域占比计算式
$ \begin{split} &\;\\&{S_{{\rm{GVI}}}} = {S_{{\rm{Arbor}}}} + {S_{{\rm{Shrub}}}} + {S_{{\rm{Grass}}}} \text{，} \end{split}$
$ {S_{{\rm{Openness}}}} = {S_{{\rm{Sky}}}} \text{，} $
$ \begin{split} {S_{{\rm{Enclosure}}}} =\;& {S_{{\rm{Building}}}} + {S_{{\rm{Wall}}}} + {S_{{\rm{Fence}}}} + \\& {S_{{\rm{Billboard}}}} + {S_{{\rm{Signboard}}}} + {S_{{\rm{Lamp}}}} \text{，} \end{split}$
式中：$ {S_{{\rm{Arbor}}}} $、$ {S_{{\rm{Shurb}}}} $、$ {S_{{\rm{Grass}}}} $分别代表SVI中的乔木、灌木以及草本植物要素的面域占比；$ {S_{{\rm{Sky}}}} $代表SVI中天空要素的面域占比；$ {S_{{\rm{Building}}}} $、$ {S_{{\rm{Wall}}}} $、$ {S_{{\rm{Fence}}}} $、$ {S_{{\rm{Billboard}}}} $、$ {S_{{\rm{Signboard}}}} $、$ {S_{{\rm{Lamp}}}} $分别代表SVI中建筑物、墙壁、栅栏、广告牌、警示牌以及路灯要素的面域占比。

1.5 数据检验与相关性分析

本研究将USGGS聚类作为自变量，对其进行虚拟变量转换以进行统计验证。通过标准化残差正态分析图（P-P图）和标准化残差分析图，检验实际观测值与模型预测值之间的差异是否符合正态分布，从而验证回归分析的正态分布假设。使用方差膨胀因子（variance inflation factor, VIF）来检测虚拟变量之间的多重共线性问题，并通过D-W检验（Durbin-Watson Test）来评估样本的独立性，利用R 2来检验自变量对因变量的解释力。利用BP检验（Breusch-Pagan Test）与怀特检验（White Test）来检查误差项的异方差性，验证误差项方差是否在不同自变量水平下维持恒定。采用异方差稳健标准误来计算得出显著性结果，以反映自变量对因变量的影响程度。最终将根据回归分析结果来判断USGGS与行人视觉感知之间的相关程度及其显著性（表2）。
表2 线性回归与统计检验结果

Tab. 2 Results of linear regression and statistical tests

因变量
（视觉感知特征）		 自变量
（USGGS聚类）		 数据分析 统计检验
回归系数 显著性 VIF D-W R 2
GVI 1 0.106 0.010 9.142 1.657 0.165
2 0.060 0.010 9.712
3 0.032 0.010 8.782
4 0.059 0.020 5.572
5 0.006 0.010 1.748
开阔度 1 −0.117 ＜0.001 9.142 1.602 0.168
2 −0.045 ＜0.001 9.712
3 −0.053 ＜0.001 8.782
4 −0.114 ＜0.001 5.572
5 0.016 0.121 1.748
围合度 1 0.068 ＜0.001 9.142 1.581 0.141
2 0.088 ＜0.001 9.712
3 0.006 0.433 8.782
4 0.016 0.034 5.572
5 0.053 ＜0.001 1.748

2 数据分析

2.1 统计验证与分析

标准化残差正态分析结果显示，实际观测值和模型预测值之间的差异呈现线性关系，满足了自变量与因变量之间呈现线性关系并且为正态分布的假设。本研究自变量为USGGS聚类，由于天津市具有稳定的气候和土壤条件，植物的生长状态保持相对稳定，统计分析结果显示所有USGGS聚类的VIF数值均在10以下，表明自变量具有轻微多重共线性问题，因此属于合理范围内。R 2的数值说明自变量对因变量具有良好的解释能力，D-W检验结果也说明了自变量之间不存在显著的自相关性。BP检验以及怀特检验验证了数据存在异方差性的假设，得出回归系数以及显著性检验结果，为后续分析不同USGGS聚类对行人视觉感知的影响提供了可靠的统计学基础。
从GVI的检验结果来看，乔-灌-草结构因垂直层次更加丰富而具有较高回归系数，灌-草结构相较于其他包含乔木的结构回归系数较低，原因可能是灌木相比乔木在行人视觉环境中的占比较小，乔-草结构与灌-草结构回归系数数值相差较大这一结果也反映了这一点。从开阔度的检验结果来看，灌-草结构因高度较低，对天空遮蔽少，因此呈现的显著性较低。乔木因其冠幅较大，在图像中占比更高，因此显著性较高。此外，乔-灌-草以及乔-草结构多在街旁绿地以及公园出现，且种植密度相对较高，这2种结构的回归系数相较于其他结构拥有更高的负相关数值。从围合度的检验结果来看，包含灌木的类型影响最显著，乔-草类型的影响较弱，单乔木类型的影响不显著，原因可能是灌木常与栅栏、围墙组合使用，用于分隔或围合空间，因此显著性较高。

2.2 天津市市内六区 USGGS行人视觉感知空间分布特征

2.2.1 天津市市内六区 USGGS空间分布特征

从整体空间分布特征上看，天津市市内六区USGGS呈现出向心型聚集的空间分布特征，而市内六区与环城四区临近处呈现较为单一的绿化结构分布特征（图3）。河北区南侧、河东区西南侧以及南开区东北侧USGGS聚类的空间分布特征具有向市中心聚集的态势，这是由于和平区拥有大量文化教育公共服务设施、旅游景点以及密集的商务住宅，这些区域通常在毗邻街道设置垂直结构丰富度更高的USGGS类型[4]，从而提升行人视觉环境质量。在天津市市内六区与环城四区交界处以及城市快速路沿线，灌-草结构分布相对密集，原因是灌木在分隔道路的同时兼顾养护经济性，更适合配置在城市主路。南开区西南侧和河西区南侧呈现多类型绿化结构，由于该区域毗邻外环南路，需要利用乔木结构的垂直高度优势来阻挡大型货车噪声，结合灌木结构的横向密度优势来吸附有害气体，因此该区域呈现丰富的USGGS空间分布特征。
图3 天津市市内六区USGGS聚类空间分布

Fig. 3 Spatial distribution of USGGS in the six inner-city districts of Tianjin

2.2.2 天津市市内六区USGGS的行人视觉感知空间分布特征分析

在分析天津市市内六区的行人视觉感知空间分布特征时，本研究发现USGGS的空间分布不均对行人的视觉感知产生了显著影响。为了更深入地分析与理解出现这种现象的原因，本研究采用了ArcGIS中的聚类与异常值分析工具，对行人视觉感知空间分布特征进行异常值聚类，聚类结果分为H-H（高-高）型、H-L（高-低）型、L-H（低-高）型和L-L（低-低）型，以此分析行人视觉感知异常区域的成因。
经计算，天津市市内六区街道行人绿视率视觉感知平均水平不足10%，尽管街道可能有较高的绿化覆盖率，但行人实际感知到的绿化水平却较低，可能是绿化分布不均匀、植被层次配置结构不合理或者未充分考虑行人视线等因素造成的。和平区、河东区西侧、河西区北侧和河北区南侧的绿视率平均水平较高（图4-1）。绿视率异常值聚类显示（图4-2），和平区甘肃路与哈密道等地呈现H-H型聚类，高大的乔木、密实的灌木以及草本植物组合配置，植被组合层次呈现律动的变化特征，行人绿视率的视觉感知水平较高。河东区靖江路辅路等处的行人绿视率视觉感知出现H-L型聚类，原因是道路沿线路侧大部分为带状绿地，而南段毗邻商场，行人绿视率视觉感知水平明显低于北段。河东区昆仑路辅路和外环南路等快速路交口处出现L-H型聚类，原因是道路交口处绿化结构丰富，而道路沿线附近的绿化较少。非快速路道路如南开区密云路辅路等处出现L-H型异常聚类，原因是绿化空间连续性较差，出现大量不连续的绿化空间，影响行人绿视率视觉感知水平。河北区红星路辅路和万柳村大街等地因绿化远离人行道且乔木稀疏，存在L-L型聚类，致使行人对绿视率视觉感知平均水平较低（图4-3）。
图4 USGGS的行人绿视率视觉感知空间分布特征及示意

Fig. 4 Characteristics and schematic diagram of the spatial distribution characteristics of pedestrians’ visual perceptions of GVI based on USGGS

行人开阔度视觉感知空间分布特征与上述绿视率分布特征呈现负相关（图5-1），和平区的行人开阔度视觉感知水平普遍较低，而远离市中心的地区以及城市主路沿线则呈现较高的开阔度数值。开阔度异常值聚类结果（图5-2）显示，红桥区咸阳路、南运河北路，南开区卫津路，河西区黑牛城道、解放南路等城市主干道的行人开阔度视觉感知出现H-H型聚类，因街道宽阔且乔木种植点位稀疏，行人开阔度视觉感知水平较高。而位于南运河北路南部的南运河南路存在H-L型聚类，这是由于南运河南路路侧毗邻大量带状绿地，人行道两侧大量乔木为行人提供了良好的遮阴，丰富的植被层次组合配置降低了该路段的行人开阔度视觉感知水平。河东区昆仑路辅路沿线路侧绿化水平较高，然而也有部分路段的路侧设有商场、居住区等，导致行人开阔度视觉感知水平在空间分布上出现L-H型异常聚类。和平区鞍山道、甘肃路、山西路等处出现L-L型聚类，这些街道断面较为狭窄且乔木点位设置密集，开阔度视觉感知水平较低（图5-3）。
图5 USGGS行人开阔度视觉感知空间分布特征及示意

Fig. 5 Characteristics and schematic diagram of the spatial distribution characteristics of pedestrians’ visual perceptions of openness based on USGGS

在整体空间分布情况上，行人围合度视觉感知的高值主要集中在建筑密度较高的区域以及城市次干道沿线区域（图6-1），而这些区域的垂直分隔要素的分布往往较为集中。围合度异常聚类结果显示（图6-2），和平区大理道、重庆道、昆明路等街道的行人围合度视觉感知出现H-H型聚类，这是因为这些街道两侧具有较多的绿化空间，以及路旁围墙、建筑与灌木的组合配置，行人围合度视觉感知水平较高。与上述街道相邻的睦南道、成都道等街道断面相对较宽的区域呈现H-L型聚类，行人围合度视觉感知水平相对较低。和平区唐山道、河北路、南海路等街道沿线设有商场与学校的出入口，也出现了H-L型聚类现象，原因是这些地点需要优先考虑交通需求，因此减少了灌木的种植以降低行人围合度视觉感知水平，从而为行人提供较为开敞的步行环境。河东区临营路以及河北区金山道等处出现L-H型聚类现象，原因是这些与城市主干道接驳的支路街道断面由宽入窄且毗邻建筑与围墙，导致行人围合度视觉感知水平显著上升。南开区南丰路、西湖道、玉泉路等街道因街道断面较宽且两侧未种植灌木，存在L-L型聚类现象，行人围合度视觉感知水平相对较低（图6-3）。
图6 USGGS行人围合度视觉感知空间分布特征及示意

Fig. 6 Characteristics and schematic diagram of the spatial distribution characteristics of pedestrians’ visual perceptions of enclosure based on USGGS

2.3 基于USGGS空间分布特征的行人视觉感知空间异质性分析

河东区昆仑路辅路和南开区外环南路等街道处出现了USGGS行人视觉感知局域异质性的现象（图7-1），尽管这些街道两侧的绿化结构较为丰富，但由于绿化区域位于远离人行道的位置，因此这些街道行人绿视率视觉感知水平较低。南开区密云路辅路路侧大部分绿化为乔-灌-草以及乔-灌复合垂直结构，但沿街植被分布呈现不均匀的现象，导致行人绿视率视觉感知水平仍然较低。
图7 USGGS视觉感知空间异质化分布特征

Fig. 7 Distributional characteristics of spatial heterogeneity in visual perception based on USGGS

和平区的山西路、陕西路，河西区的沅江道、隆昌南路，南开区的冶金路、汾水道均存在植被层次结构单一但开阔度感知水平非常低的现象（图7-2）。这些街道断面较窄，通常在人行道种植乔木为行人提供遮阴，而包含乔木的结构通常对开阔度视觉感知水平造成显著影响。然而也有一些街道的植被层次结构丰富，行人开敞度视觉感知水平较高，如河西区的南北大街、乐园道，南开区的城厢中路、红旗路等路段，原因可能是这些街道从属于商业与旅游业为主导的区域，街道断面相对更宽，为了创造更舒适的行人视觉环境，考虑了行人对于该片区绿化区域视觉成像的层次感，在为行人预留开阔的视线范围的同时，配置了丰富的植被层次，因此这些街道的整体视觉质量较高。
和平区南京路、荣业大街和慎益大街等处绿化结构丰富，但存在行人围合度视觉感知水平较低的局域异质性现象（图7-3），原因是这些街道的灌木远离行人视线。河西区黑牛城道、红旗南路等快速路的辅路绿化结构单一，但行人对围合度的视觉感知水平较高，原因是这些街道的灌木更靠近人行道，人行道内侧围栏和建筑也会提升行人对围合感的视觉感知水平。

3 讨论

3.1 绿化结构对物质空间形态的影响

天津市市内六区城市街道绿化具有分布不均的空间特征，USGGS聚类主要为乔-灌-草以及乔-灌结构，集中分布在居住区、商业区以及文化旅游资源较为丰富的区域。而离市中心较远的区域存在绿化结构单一的现象。
城市街道绿化结构配置可以对城市景观效果产生显著影响。在风景区如五大道，商户采用灌草结合的绿篱替代传统围墙，有效提升了空间的通透性与视觉纵深感。多层次的乔-灌-草结构丰富了垂直景观层次，增强了街道的空间立体感。此外，在快速路和主干道旁乔-草结构中的乔木具有纵向延伸感，草本植物的近地面景观视觉效果较为丰富，能够创造出视觉上的层次感。这些绿化结构不仅美化了城市景观，还为行人提供了更加舒适的游憩体验。

3.2 绿化结构对行人视觉感知的影响

在组合形式方面，乔木因其高度优势在视觉成像中占比较高，对行人的绿视率和开阔度视觉感知有显著影响。灌木常与栅栏、围墙等结合配置，使得围合度水平较高，对行人的围合度视觉感知水平有较高影响，在空间分隔与美化街道环境等方面具有重要作用。在功能性方面，乔木为行人提供必要的遮阴，而低矮灌木则因具有横向延展优势，常用于空间分隔。植被的具体位置和连续性会对视觉感知产生影响，街道物质空间形态不仅影响着行人对所处空间的视觉感知水平，也是行人获得良好视觉环境与游憩体验的前置客观条件。因此USGGS在组合形式、功能性、空间位置及分布形态等方面的共同影响下，塑造了城市街道的空间特性和行人的感知体验。
城市主干道以及快速路的行人视觉感知空间分布特征较为同质化，行人视觉感知空间分布的异质性现象集中出现在街道断面狭窄的生活型街道以及商业型街道。原因是该类型道路主要承担城市交通运输功能，沿线绿化结构单一。而附属于居住区、商业设施以及文化旅游区的街道多以生活型道路为主，这些道路更注重行人的步行游憩体验，通常会配置更高质量的街道绿化以提高行人视觉环境质量。生活型街道与商业型街道相较于通行属性更强的主干道以及快速路，拥有更高的研究价值。
综上，为打造视觉环境良好的城市绿化，本研究提出以下建议。1）规划层面：依据城市不同区域绿化结构空间特征和行人视觉感知差异，制定绿化配置策略。在居住区和商业区等绿化集中区域，完善绿化结构，增加乔-灌-草类型的多层次绿化水平；在文化旅游资源丰富的区域对绿化结构进行合理配置，为行人提供舒适的休闲环境以及美观的视觉体验；在离市中心较远、绿化结构单一的区域增加乔木和灌木的种植，丰富USGGS类型，满足居民对良好居住环境的需求。2）设计层面：对于生活型街道以及商业型街道，适当缩短行人与植物的距离，增加行人视觉环境中的植物面域占比，提升街道的游憩趣味性；在快速路和主干道旁，通过乔木与草本植物组合配置，增加人行道近地面绿化覆盖面积，为行人创造丰富的视觉层次感，从而使其获得更加舒适的游憩体验；在住宅集中的区域增加垂直绿化，提升街道绿化覆盖度。

4 总结

本研究使用天津市市内六区SVI，利用DeepLabV3+神经网络模型提取城市街道的物质空间要素，分析了USGGS行人视觉感知空间分布特征，明确了USGGS与行人视觉感知之间的关系，使用地理加权回归方法识别出现局域异质化现象的街道。研究结果表明城市街道环境质量的提升需要考虑行人视觉感知水平，合理的USGGS配置以及适当的种植点位能够更好地适应周围场所的属性，提升行人对USGGS的视觉感知水平，助推城市更新工作的精细化管理，在一定程度上提升城市人居环境质量。
本研究存在3点不足。1）由于依赖BSV图面数据，部分区域存在图像缺失或覆盖不全的问题，导致研究样本的代表性和全面性受限。未来需通过自采集的方式补充街景数据，尤其是针对重点研究区域的精细化采集，以提升数据库的完整性和分析结果的可靠性。2）当前方法对街道空间异质性的解析主要依赖视觉特征，缺乏对场所社会功能属性的深入结合。未来研究可融合兴趣点（POI）数据或结合实地调研，以更准确地量化场所功能属性，从而增强城市行人视觉感知空间异质性分析的精细度和解释力。3）本研究欠缺对于街道物质空间实际形态测度数据的分析与图面呈现，未来可以针对街道高宽比、街道断面宽度等物质空间测度，以本研究为基础进一步探索，为城市街道景观配置研究提供更加科学的定量化数据支撑。

文中图表均由作者绘制，其中图1底图来源于国家基础地理信息中心，审图号：GS（2024）0650号；图4-3、5-3、6-3街景图来源于百度地图，采集年份为2019年。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
唐婧娴, 龙瀛. 特大城市中心区街道空间品质的测度: 以北京二三环和上海内环为例[J]. 规划师, 2017, 33(2): 68-73.

DOI

TANG J X, LONG Y. Metropolitan Street Space Quality Evaluation: Second and Third Ring of Beijing, Inner Ring of Shanghai[J]. Planners, 2017, 33(2): 68-73.

DOI

[2]
KOZAMERNIK J, RAKUŠA M, NIKŠIČ M. How Green Facades Affect the Perception of Urban Ambiences: Comparing Slovenia and the Netherlands[J]. Urbani Izziv, 2020, 31(2): 88-100.

DOI

[3]
陈崇贤, 刘欣宜, 邱添, 等. 夜跑友好视角下城市街道环境视觉感知评价[J]. 风景园林, 2024, 31(4): 36-43.

DOI

CHEN C X, LIU X Y, QIU T, et al. Evaluation on Visual Perception of Urban Street Environment from the Perspective of Being Friendly to Nighttime Running[J]. Landscape Architecture, 2024, 31(4): 36-43.

DOI

[4]
胡一可, 张龙浩, 刘开鑫. 基于计算机视觉与街景图像的城市街道绿化泛类结构量化分析与分布机制研究[J]. 中国园林, 2024, 40(9): 22-28.

HU Y K, ZHANG L H, LIU K X. Quantitative Analysis and Distribution Mechanism of Urban Street Greening General Structure Based on Computer Vision and Street View Images[J]. Chinese Landscape Architecture, 2024, 40(9): 22-28.

[5]
张钰岑. 基于街景图像的郑州市街道空间特征量化研究与优化设计[D]. 郑州: 河南农业大学, 2024.

ZHANG Y C. Research on Quantification of Street Spatial Characteristics and Optimization Design in Zhengzhou Based on Street View Images[D]. Zhengzhou: Henan Agricultural University, 2024.

[6]
吴园园, 王爱霞, 秦亚楠, 等. 半干旱地区步行街道过渡季微气候生态性营造研究: 以呼和浩特市塞上老街、通顺大巷、大召前街为例[J]. 西部人居环境学刊, 2019, 34(3): 26-34.

WU Y Y, WANG A X, QIN Y N, et al. Research on Microclimate Ecology Construction of Pedestrian Streets in Transitional Season in Semi-arid Areas: A Case Study of the Saishang Old Street, Tongshun Avenue and Dazhao Street in Hohhot[J]. Journal of Human Settlements in West China, 2019, 34(3): 26-34.

[7]
张一. 景观环境视觉感知空间量化研究[D]. 天津: 天津大学, 2021.

ZHANG Y. Study on the Optimization Strategy of Children’s Living Space in Villages and Towns in Jiangxi Province from the Perspective of Healthy[D]. Tianjin: Tianjin University, 2021.

[8]
POLAT A T, AKAY A. Relationships Between the Visual Preferences of Urban Recreation Area Users and Various Landscape Design Elements[J]. Urban Forestry & Urban Greening, 2015, 14(3): 573-582.

[9]
邵钰涵, 刘滨谊. 乡村景观的视觉感知分析[J]. 中国园林, 2016, 32(9): 5-10.

SHAO Y H, LIU B Y. Analyzing the Visual Perception of Rural Landscape[J]. Chinese Landscape Architecture, 2016, 32(9): 5-10.

[10]
MAYELI M. Neurophysiology of Visual Perception[J/OL]. Biophysics and Neurophysiology of the Sixth Sense, 2019: 13-26[2024-11-14]. https://api.semanticscholar.org/CorpusID:151167935. DOI: 10.1007/978-3-030-10620-1_2.

[11]
刘思雨, 宋希法, 王玏. 乡村景观视觉感知特征与影响因素研究: 以湖南紫鹊界龙普梯田群为例[J]. 西北林学院学报, 2024, 39(4): 242-249.

LIU S Y, SONG X F, WANG L. Visual Perception Characteristics and Influence Factors of Rural Landscapes: An Example of the Longpu Rice Terraces in the Ziquejie of Hunan Province[J]. Journal of Northwest Forestry University, 2024, 39(4): 242-249.

[12]
王中德, 王小焱. 基于街景分析技术的滨江路空间品质研究: 以重庆三代滨江路为例[J]. 中国园林, 2024, 40(7): 45-51.

WANG Z D, WANG X Y. Study on the Spatial Quality of Riverside Road Based on Streetscape Analysis Technology: Taking the Third Generation Riverside Road in Chongqing as an Example Square[J]. Chinese Landscape Architecture, 2024, 40(7): 45-51.

[13]
黄志强, 李智轩, 郎嵬. 基于多源大数据的街道空间品质测度及其对街道活力的影响: 以广州历史城区为例[J]. 上海城市规划, 2023(6): 122-130.

HUANG Z Q, LI Z X, LANG W. Street Space Quality Measurement Based on Multi-source Big Data and Its Impact on Street Vitality: A Case Study of Guangzhou’s Historic Urban Area[J]. Shanghai Urban Planning Review, 2023(6): 122-130.

[14]
邵源, 叶丹, 叶宇. 基于街景数据和深度学习的街道界面渗透率大规模测度研究: 以上海为例[J]. 国际城市规划, 2023, 38(6): 39-47.

SHAO Y, YE D, YE Y. Measuring the Transparency of Street Interface Based on Street View Images and Deep Learning: Taking Shanghai as an Example[J]. Urban Planning International, 2023, 38(6): 39-47.

[15]
MA X, MA C, WU C, et al. Measuring Human Perceptions of Streetscapes to Better Inform Urban Renewal: A Perspective of Scene Semantic Parsing[J]. Cities, 2021, 110: 103086

[16]
刘滨谊, 杨轶伦. 城市街景动态环视旷奥度评价[J]. 风景园林, 2022, 29(8): 64-70.

LIU B Y, YANG Y L. Evaluation of Kuang-Ao Degree in Dynamic Circular Viewing of Urban Streetscape[J]. Landscape Architecture, 2022, 29(8): 64-70.

[17]
HE J, ZHANG J, YAO Y, et al. Extracting Human Perceptions from Street View Images for Better Assessing Urban Renewal Potential[J]. Cities, 2023, 134: 104189

[18]
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: 128028

[19]
王磊, 章璇, 韩昊英, 等. 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

WANG L, ZHANG X, HAN H Y, et al. Evolution of Urban Street Greening Structure Based on Time Series Street View Data: A Case Study of the Central Urban Area of Shanghai[J]. Landscape Architecture, 2024, 31(9): 42-50.

DOI

[20]
刘淼. 基于GIS和RS的天津城市绿色空间研究[D]. 天津: 天津大学, 2018.

LIU M. The Study of Green Space of Tianjin City Based on GIS and RS[D]. Tianjin: Tianjin University, 2018.

[21]
李智礼, 匡文慧, 张澍. 近70 a天津主城区城市土地利用/覆盖变化遥感监测与时空分析[J]. 遥感技术与应用, 2020, 35(3): 527-536.

LI Z L, KUANG W H, ZHANG S. Remote Sensing Monitoring and Spatiotemporal Pattern of Land Use/Cover Change in Built-Up Area of Tianjin in the Past 70 Years[J]. Remote Sensing Technology and Application, 2020, 35(3): 527-536.

[22]
天津市统计局. 天津市2020年第七次全国人口普查主要数据公报（第2号）[EB/OL].（2021-05-21）[2024-11-03]. https://stats.tj.gov.cn/ztzl_52045/wqhg/rkpchg/zk/html/fu0102.pdf.

Tianjin Municipal Bureau of Statistics. Main Data Bulletin of the 7th National Population Census of Tianjin Municipality (2020)(No.2)[EB/OL]. (2021-05-21)[2024-11-03]. https://stats.tj.gov.cn/ztzl_52045/wqhg/rkpchg/zk/html/fu0102.pdf.

Options
Outlines

/

〈 〉