包瑞清 （厄瓜多爾）亞歷克西斯·阿里亞斯·貝當(dāng)古

在公共領(lǐng)域，沒(méi)有什么元素比街道更重要，這是工作、購(gòu)物、外出就餐和從事日?；顒?dòng)的活躍場(chǎng)所，也是步行鍛煉的主要場(chǎng)所[1]。居民更有可能在具有吸引力的街道散步休閑，這有助于身心健康，而負(fù)面的視覺(jué)因素和街道空間結(jié)構(gòu)則阻礙居民參與到街區(qū)的體能活動(dòng)中[2-3]。

城市街道空間的景觀質(zhì)量提升、量化管理和城市微更新往往需要宏觀把握城市開放空間特征分布，進(jìn)而確定規(guī)劃區(qū)域、內(nèi)容和時(shí)序。目前對(duì)城市街道的研究涉及多個(gè)方面，依據(jù)相關(guān)研究方向，可分為身心健康[4-6]、體能活動(dòng)[3,7-10]、健康福祉[11-14]、感知安全[15-16]、視聽(tīng)質(zhì)量[17-18]、熱舒適性[19]、交通安全[20]、經(jīng)濟(jì)與種族[21-22]、街道犯罪[23]、可獲取的街道綠化與量化[6,24-25]，及視覺(jué)圖像與實(shí)際調(diào)查審計(jì)比較[26]和在線審計(jì)的可靠性[27]等。雖然其中Tang等結(jié)合圖像語(yǔ)義分割對(duì)北京歷史街區(qū)（胡同）進(jìn)行物理和感知的視覺(jué)質(zhì)量評(píng)價(jià)[17]，但在城市宏觀尺度下，基于視域景觀指數(shù)探索城市街道微觀尺度特征分布，尤其是鄰里尺度效應(yīng)等內(nèi)容鮮見(jiàn)。相較由平面類數(shù)據(jù)計(jì)算景觀指數(shù)，城市街道視域景觀往往從地面人視點(diǎn)觀察空間組成、結(jié)構(gòu)和特征，因此傳統(tǒng)宏觀調(diào)研的遙感影像、局部無(wú)人機(jī)航拍結(jié)合實(shí)地調(diào)查分析的方法則不完全適合。而海量的街道全景圖則使反映城市街道微觀尺度景觀特征的城市宏觀尺度分析成為可能。因此本研究提出城市街道視域景觀指數(shù)與鄰里尺度特征效應(yīng)，這部分研究的核心包括3部分內(nèi)容：1）視域景觀指數(shù)刪選，以及新指數(shù)的提出與計(jì)算；2）城市街道視域景觀特征提取和分布，以及視域景觀指數(shù)對(duì)特征分布的貢獻(xiàn)度和特征重要指數(shù)組成；3）鄰里尺度特征效應(yīng)及影響，包括比較層次聚類時(shí)不同鄰元數(shù)聚類結(jié)果變化特征，并以綠視率單指數(shù)聚類和15 min步行生活圈多指數(shù)聚類下特征信息熵空間分布變化，說(shuō)明鄰里尺度效應(yīng)的影響。

確定研究的核心問(wèn)題和研究?jī)?nèi)容后，在具體分析過(guò)程中嘗試改進(jìn)已有的景觀指數(shù)計(jì)算精度。1）在通過(guò)視域景觀指數(shù)提取城市街道特征時(shí)，雖然已有研究，例如Ye等通過(guò)街景4個(gè)方向的圖像語(yǔ)義分割來(lái)嘗試改進(jìn)視域下綠視率計(jì)算方法和精度[24]，但是并未根據(jù)不同景觀指數(shù)選擇不同全景數(shù)據(jù)類型來(lái)進(jìn)一步提升計(jì)算的精度，因此本研究提出根據(jù)全景圖不同數(shù)據(jù)類型，對(duì)應(yīng)提取視域景觀指數(shù)的方法。2）提出新的視域景觀指數(shù)，依據(jù)計(jì)算機(jī)視覺(jué)尺度不變特征轉(zhuǎn)換（scale-invariant feature transform, SIFT）提出關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)，優(yōu)化城市街道視域景觀特征的提取。SIFT可以在影像空間尺度中尋找局部性特征，這里的鄰域尺度為可以表征空間不同尺寸對(duì)象各像素單元（關(guān)鍵點(diǎn)）的計(jì)算半徑。

1 研究區(qū)域與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)域

西安市是中國(guó)陜西省省會(huì)、特大城市、關(guān)中平原城市群核心城市、中國(guó)西部地區(qū)重要的中心城市。西安市常住人口約1 020.35萬(wàn)人，是公認(rèn)的十三朝古都，是聯(lián)合國(guó)教科文組織于1981年確定的世界歷史名城。選取西安市（34°15′N，108°56′E）碑林區(qū)、蓮湖區(qū)、雁塔區(qū)、新城區(qū)、未央?yún)^(qū)和灞橋區(qū)6個(gè)行政區(qū)域作為研究對(duì)象，探索基于全景圖的城市街道視域景觀指數(shù)與鄰里尺度特征效應(yīng)及影響。

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1 數(shù)據(jù)分析工具

所有計(jì)算均由Python編程語(yǔ)言完成（使用Anaconda平臺(tái)下的Spyder解釋器），代碼托管于GitHub平臺(tái)代碼倉(cāng)庫(kù)。地圖則由QGIS軟件建立。

1.2.2 數(shù)據(jù)來(lái)源

本研究基于區(qū)域尺度進(jìn)行街道空間組成分析。首先，以西安6個(gè)行政區(qū)域界定研究范圍，提取百度道路數(shù)據(jù)；道路數(shù)據(jù)來(lái)源于中國(guó)專業(yè)IT社區(qū)CSDN（Chinese Software Developer Network）的開放數(shù)據(jù)。其次，沿道路每200 m設(shè)置一個(gè)采樣點(diǎn)，共獲取14 973個(gè)采樣點(diǎn)。最后，從百度地圖應(yīng)用下載對(duì)應(yīng)采樣點(diǎn)的全景靜態(tài)圖，去掉沒(méi)有數(shù)據(jù)的無(wú)效采樣點(diǎn)1 614個(gè)，實(shí)際下載的有效全景靜態(tài)圖數(shù)為13 359張。

1.2.3 數(shù)據(jù)預(yù)處理

從百度地圖應(yīng)用下載的全景靜態(tài)圖是等量矩形投影圖（圖1-1）。因此，本研究采用全景圖像語(yǔ)義分割方法PASS（panoramic annularsemantic segmentation）深度學(xué)習(xí)模型[28]，對(duì)等量矩形投影圖進(jìn)行像素級(jí)語(yǔ)義分割（pixel-wise semantic segmentation，圖1-2）。語(yǔ)義分割對(duì)象有27類，主要包括建筑、道路、植被、天空、車輛、設(shè)施、行人等。在城市街道空間的組成結(jié)構(gòu)分析過(guò)程中，需要根據(jù)不同的分析內(nèi)容對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使其滿足分析的要求，改善計(jì)算的準(zhǔn)確性。極坐標(biāo)格式全景圖（小行星視角360°全景，圖1-3、1-4），用于天空相關(guān)指數(shù)的計(jì)算，避免等量矩形投影圖受未閉合的天空形狀影響。等量矩形投影圖和極坐標(biāo)格式全景圖因?yàn)橥队白冃危瑢?duì)象像素所占比例不能最大限度地反映實(shí)際視覺(jué)下對(duì)象比例關(guān)系；而立方體格式全景圖[29]由前、后、左、右、上、下6張透視圖組成（圖1-5、1-6），用于語(yǔ)義分割對(duì)象占所有像素百分比的統(tǒng)計(jì)相對(duì)合理。

圖1 全景圖預(yù)處理數(shù)據(jù)類型Type of preprocessing data in the panoramic static image

2 分析與結(jié)果

2.1 視域景觀指數(shù)篩選及計(jì)算

2.1.1 視域景觀指數(shù)篩選

單個(gè)視域景觀指數(shù)可以反映該指數(shù)所體現(xiàn)的景觀學(xué)意義下城市街道特征，而代表不同景觀學(xué)意義的所有指數(shù)共同作用下的城市特征則是所有特征的組成體現(xiàn)。因此視域景觀指數(shù)篩選時(shí)，在應(yīng)用全景靜態(tài)圖數(shù)據(jù)這一條件下，盡量區(qū)分各個(gè)指數(shù)所體現(xiàn)出來(lái)的景觀學(xué)意義，基于此本研究篩選出9個(gè)視域景觀指數(shù)（表1）。

表1 城市街道視域景觀指數(shù)Tab. 1 Urban street view landscape indices

2.1.2 視域景觀指數(shù)計(jì)算

KPSF為基于計(jì)算機(jī)視覺(jué)尺度不變特征轉(zhuǎn)換提出的新視域景觀指數(shù)，如果有關(guān)鍵點(diǎn)鄰域尺度區(qū)間集合為

式中SKP為可探測(cè)到的所有關(guān)鍵點(diǎn)鄰域尺度，xk為各個(gè)關(guān)鍵點(diǎn)鄰域尺度大小，位于區(qū)間（i，j]；則集合K的基數(shù)fKPS表示為

式中fKPS即為KPSF。

計(jì)算KPSF，并將結(jié)果按照關(guān)鍵點(diǎn)鄰域大 小 劃 分 為（0，10]、（10，20]、（20，30]和（30，40]4個(gè)區(qū)間，描述為小尺度、中尺度、較大尺度和大尺度。計(jì)算結(jié)果顯示，當(dāng)圖像內(nèi)的對(duì)象為窗戶的角點(diǎn)、招牌的邊緣等實(shí)際當(dāng)中較為細(xì)碎的對(duì)象時(shí)，所提取的邊緣特征的鄰域尺度較??；當(dāng)對(duì)象為天空、成片的墻面等時(shí)，所提取的邊緣特征的鄰域尺度則較大。因此SIFT關(guān)鍵點(diǎn)鄰域尺度大小一定程度上反映了街道視域空間繁復(fù)的程度。如果圖像關(guān)鍵點(diǎn)某一區(qū)間的鄰域尺度頻數(shù)接近，則這些圖像在該區(qū)間具有相似繁復(fù)程度的空間對(duì)象。基于SIFT算法計(jì)算圖像各關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)（圖2），結(jié)果為：圖2-1區(qū)間（0，10]為581，（10，20]為155，（20，30]為55，（30，40]為32；圖2-2區(qū) 間（0，10]為97，（10，20]為23，（20，30]為36，（30，40]為20。為在圖中可視化頻數(shù)分布，將位于區(qū)間（0，10]的關(guān)鍵點(diǎn)標(biāo)識(shí)為藍(lán)色空圈；而不在該區(qū)間的所有關(guān)鍵點(diǎn)標(biāo)識(shí)為紅色圓點(diǎn)，圓點(diǎn)大小表明了關(guān)鍵點(diǎn)的大小。從結(jié)果來(lái)看，圖2-1的（0，10]區(qū)間頻數(shù)最大，次之為（10，20]，說(shuō)明街道視域空間對(duì)象較為細(xì)小且繁復(fù)程度高，這與圖2-2形成鮮明對(duì)照，因此說(shuō)明基于SIFT算法提出的新視域景觀指數(shù)能夠表征街道視域?qū)ο蟮奶卣鳌?/p>

圖2 不同視景關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)比較Comparison between the frequencies of keypoint neighborhood-scale intervals in different views

2.2 城市街道視域景觀特征與鄰里尺度的特征效應(yīng)

計(jì)算流程分為4部分。1）選擇視域景觀指數(shù)，包括GVI、SVF、GVP、ED、PARA、SHAPE、FRAC、CRI和KPSF，其中KPSF包 括 區(qū) 間（0，10]、（10，20]、（20，30]和（30，40]。2）確定以鄰元數(shù)為空間尺度配置模式，即各個(gè)采樣點(diǎn)相鄰采樣點(diǎn)的個(gè)數(shù)。配置區(qū)間為20個(gè)連續(xù)序列的鄰元數(shù)：5～50 m，每5 m一個(gè)間隔；50～150 m，每10 m一個(gè)間隔。該參數(shù)由層次聚類AgglomerativeClustering方法①的輸入?yún)?shù)connectivity（連接矩陣）控制，并由kneighbors_graph方法②輸入鄰元數(shù)計(jì)算。3）計(jì)算各個(gè)鄰里尺度層次聚類最優(yōu)簇?cái)?shù)，由KElbowVisualizer方法③計(jì)算，即計(jì)算每個(gè)點(diǎn)到其所屬聚類中心的平方距離之和，曲線拐點(diǎn)④即為最優(yōu)的簇?cái)?shù)選擇。聚類將所有采樣點(diǎn)按視域景觀指數(shù)劃分為多個(gè)簇（組），每簇內(nèi)的采樣點(diǎn)由視域景觀指數(shù)賦予相似的特征，增加簇間而縮小簇內(nèi)的特征異質(zhì)性，就是尋找最優(yōu)簇?cái)?shù)的過(guò)程；4）由最優(yōu)簇?cái)?shù)聚類指數(shù)獲得各鄰里尺度特征分布，并計(jì)算指數(shù)（特征）貢獻(xiàn)度，由SelectKBest方法⑤的方差分析法（analysis of variance, ANOVA）為指數(shù)打分計(jì)算（配置參數(shù)為f_classif），反映聚類簇標(biāo)簽與特征之間線性依賴程度，較高的分值表明該指數(shù)對(duì)聚類結(jié)果有較大影響，為所選指數(shù)中對(duì)城市街道視域景觀特征分布有主要影響的因子。

2.2.1 不同鄰里尺度最優(yōu)簇?cái)?shù)

從最終計(jì)算結(jié)果（圖3）可以觀察到，20個(gè)連續(xù)鄰里尺度的最優(yōu)簇?cái)?shù)集中于4，其次為5，只有當(dāng)鄰元數(shù)為15時(shí)，簇?cái)?shù)為3。同時(shí)可以觀察到，當(dāng)鄰元數(shù)增加，鄰里尺度增大時(shí)，不同鄰里尺度聚類的測(cè)量分值（配置參數(shù)為distortion，即計(jì)算從每個(gè)點(diǎn)到其指定中心的平方距離之和）拉開的距離開始減小。這表明視域景觀指數(shù)隨鄰里尺度的增加，在相同簇?cái)?shù)下，較高的鄰元數(shù)趨向于較低的分值，表現(xiàn)為簇間的異質(zhì)性相對(duì)不明顯，簇內(nèi)的異質(zhì)性有所增加，對(duì)特征集聚的效應(yīng)有所減弱。

圖3 最優(yōu)簇?cái)?shù)選擇Optimal cluster number selection

2.2.2 不同鄰里尺度景觀指數(shù)貢獻(xiàn)度

從最終計(jì)算結(jié)果（圖4）可以觀察到：不同鄰里尺度下GVI對(duì)聚類特征的貢獻(xiàn)度基本占絕對(duì)優(yōu)勢(shì)；其次為KPSF（10，20]、KPSF（0，10]和SVF；再者為CRI、KPSF（20，30]、PARA、KPSF（30，40]；對(duì)聚類特征貢獻(xiàn)度最小的是ED、GVP、SHAPE、FRAC。其中當(dāng)鄰元數(shù)小于40時(shí)，GVI和SVF占主導(dǎo)；鄰元數(shù)大于等 于40時(shí)，主 要 以GVI和KPSF（10，20]、KPSF（0，10]占主導(dǎo)。

圖4 指數(shù)貢獻(xiàn)度Metrics contribution

貢獻(xiàn)度的分值變化同最優(yōu)簇?cái)?shù)選擇分值變化均具有鄰里尺度效應(yīng)。隨鄰里尺度的增加而增加，但當(dāng)?shù)竭_(dá)一定尺度后，變化趨于平緩，同樣表明視域景觀指數(shù)隨鄰里尺度的增加，對(duì)特征集聚的效應(yīng)開始相對(duì)減弱。

2.2.3 不同鄰里尺度的特征聚類

在鄰元數(shù)不大于15時(shí)，分析所在采樣點(diǎn)所考慮的鄰近采樣點(diǎn)數(shù)量較少，鄰近采樣點(diǎn)往往具有相似的特征組成和結(jié)構(gòu)，并以GVI和SVF為聚類特征主導(dǎo)。因次，從聚類結(jié)果（圖5）可以得知，當(dāng)鄰元數(shù)較小時(shí)聚類結(jié)果具有明顯連續(xù)成片的分區(qū)特征。例如當(dāng)鄰元數(shù)為5時(shí)，可以明顯區(qū)分為西北區(qū)域、二環(huán)到繞城區(qū)間、老城（中心城區(qū)）和雁塔區(qū)、漢長(zhǎng)安城未央宮區(qū)域，及灞橋區(qū)紡織城區(qū)域。當(dāng)鄰里尺度增加，KPSF（10，20]、KPSF（0，10]對(duì)特征聚類的影響開始增加，并超過(guò)SVF，分析所在采樣點(diǎn)所考慮的鄰近采樣點(diǎn)數(shù)量較多，采樣點(diǎn)之間的特征組成和結(jié)構(gòu)變化增多，原來(lái)具有較大連續(xù)性集聚的特征分區(qū)，開始分解為較多分散的、小的集聚分區(qū)。對(duì)于特征的表述也從較小鄰元數(shù)的局部性特征向較大鄰元數(shù)的區(qū)域性特征轉(zhuǎn)變。

圖5 聚類結(jié)果示例Examples of clustering results

3 討論

3.1 基于全景圖不同數(shù)據(jù)格式計(jì)算城市街道視域景觀指數(shù)

Ye等在測(cè)量街道空間綠視率時(shí)，抓取谷歌街景水平視點(diǎn)4個(gè)方向上的圖像作為圖像分割數(shù)據(jù)[24]；Tang等下載騰訊地圖街景圖像做圖像分割，計(jì)算對(duì)象比例[17]。而使用全景圖的不同數(shù)據(jù)類型分別用于不同類型指數(shù)的計(jì)算，可以進(jìn)一步提升指數(shù)計(jì)算的精度：將等量矩形投影圖用于色彩豐富度指數(shù)、關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)的計(jì)算；極坐標(biāo)格式全景圖用于天際線變化指數(shù)的計(jì)算；立方體格式全景圖用于街道空間對(duì)象視域占比指數(shù)測(cè)量。

3.2 關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)應(yīng)用的可行性

圖像匹配是應(yīng)用計(jì)算機(jī)視覺(jué)解決許多問(wèn)題的一項(xiàng)基本研究，包括對(duì)象和場(chǎng)景識(shí)別、多個(gè)圖像中尋找三維結(jié)構(gòu)和運(yùn)動(dòng)追蹤等。Lowe提出的尺度不變特征轉(zhuǎn)換，可以不受圖像變形、噪聲等影響，有效提取圖像的特征[33]。為進(jìn)一步提取城市街道空間不同屬性的特征，依據(jù)尺度不變特征轉(zhuǎn)換關(guān)鍵點(diǎn)描述子定義關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)指數(shù)。所有街道特征指數(shù)聚類貢獻(xiàn)度結(jié)果進(jìn)一步證明了關(guān)鍵點(diǎn)鄰域尺度可以作為城市街道空間重要特征之一，通過(guò)確定相應(yīng)關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)大小，能夠有效識(shí)別不同特征的城市街道區(qū)域。

3.3 視域景觀指數(shù)受不同鄰里尺度的特征效應(yīng)影響和應(yīng)用示例

大量研究證實(shí)，地理學(xué)研究對(duì)象格局與過(guò)程的發(fā)生、時(shí)空分布、相互耦合等特性都是尺度依存的（scale-dependent）[34]，例如韓貴鋒等在地表溫度與植被指數(shù)相關(guān)性的空間尺度特征研究上，選取了30～8 000 m之間變化間隔的9個(gè)空間尺度[35]。但是受到數(shù)據(jù)可獲取性、數(shù)據(jù)分析方法和技術(shù)要求等各類因素的限制，對(duì)于涉及尺度相關(guān)的研究問(wèn)題或采取定性分析，或選取一個(gè)到多個(gè)非連續(xù)的部分尺度進(jìn)行數(shù)據(jù)分析。

在空間尺度配置的對(duì)象上，可初步分為2種情況：通常情況是對(duì)研究范圍精細(xì)度的劃分，例如以30或60 m單元格劃分研究范圍，每一單元格為最小研究對(duì)象[35]；再者是分析對(duì)象各個(gè)空間點(diǎn)的緩沖距離或者鄰元數(shù)。不同空間尺度配置方式會(huì)對(duì)結(jié)果造成影響，例如空間異質(zhì)性基于前者通常隨尺度增大而降低；而基于后者，通常隨尺度增大而增大。

3.3.1 通過(guò)不同空間尺度聚類區(qū)劃研究對(duì)象

在研究城市街道綠化時(shí)，通過(guò)綠視率量化的常規(guī)區(qū)間分區(qū)（圖6-1）不能很好分區(qū)實(shí)現(xiàn)精細(xì)化管理，但可以通過(guò)聚類的方法盡量將綠視率接近的位置歸為一個(gè)區(qū)域，便于宏觀統(tǒng)籌（圖6-2～6-4）。從箱型圖（圖7）觀察10-5（鄰元數(shù)-最優(yōu)簇?cái)?shù)）聚類結(jié)果的分離性，除簇1和簇4之外，分離性均較好。雖簇1和簇4具有類似的聚類特征，但是2個(gè)簇類分別位于不同的區(qū)域，表明這2個(gè)不同區(qū)域具有類似的綠視率指數(shù)特征。同時(shí)比較了鄰元數(shù)與最優(yōu)簇?cái)?shù)為25-4和140-4的綠視率指數(shù)單獨(dú)聚類結(jié)果，表明如果考慮的鄰元數(shù)增多，尺度增加，則區(qū)域細(xì)化程度升高，即空間異質(zhì)性增加。

圖6 綠視率及不同尺度下的聚類Green view index and clustering at different scales

圖7 綠視率指數(shù)值聚類分布Clustering distribution of green view index values

3.3.2 不同空間尺度15 min步行生活圈的熵值變化

計(jì)算多指數(shù)聚類特征15 min步行生活圈（半徑約1 100 m）的熵值結(jié)果（圖8），分析鄰元數(shù)分別為5、10和30下的多指數(shù)聚類特征信息熵分布。從結(jié)果來(lái)看，隨空間尺度的增加，信息熵整體增加，即空間異質(zhì)性增加。統(tǒng)計(jì)所有采樣點(diǎn)各個(gè)鄰里尺度下信息熵值分布與特征簇類數(shù)量的關(guān)系，其結(jié)果為：當(dāng)簇類數(shù)為2時(shí)，信息熵值域?yàn)閇0.027，0.693]；為3時(shí)，值域?yàn)閇0.112，1.099]；為4時(shí)，值域?yàn)閇0.336，1.386]；為5時(shí)，值域?yàn)閇0.778，1.607]。由此可見(jiàn)雖然各特征簇類數(shù)量的信息熵值域是相互交錯(cuò)的，但從基本趨勢(shì)可以判斷較高的信息熵相對(duì)具有較多特征簇類，反之具有較少特征簇類。多指數(shù)聚類特征信息熵的高低一定程度上反映了城市活力的高低或城市風(fēng)貌多樣（混雜）程度，對(duì)城市空間序列、風(fēng)貌景觀組織優(yōu)化、城市視覺(jué)等區(qū)域控制具有參考價(jià)值。

圖8 15 min步行生活圈多指數(shù)聚類特征信息熵Information entropy of multi-index clustering features within the 15-minute-walking living circle

同時(shí)，單獨(dú)提取了城市中的5個(gè)位置點(diǎn)，分別為西安建筑科技大學(xué)西門、鐘樓、大明宮南門、西安北站和曲江立交。觀察各個(gè)位置點(diǎn)信息熵隨鄰元數(shù)變化趨勢(shì)（圖9），結(jié)果表明：西安建筑科技大學(xué)西門、鐘樓、大明宮南門均位于二環(huán)以內(nèi)較為繁華區(qū)域，較之位于偏遠(yuǎn)區(qū)域的西安北站和曲江立交具有更高的信息熵；可以觀察到各位置點(diǎn)均表現(xiàn)出尺度依存的特征，信息熵隨鄰元數(shù)增加而逐漸增加，當(dāng)鄰元數(shù)約為30～50時(shí)趨于平穩(wěn)。因此在平穩(wěn)狀態(tài)下分析比較不同位置點(diǎn)視域景觀指數(shù)聚類信息熵，可以較為準(zhǔn)確地觀察城市街道視域景觀豐富程度的變化特征。

圖9 位置點(diǎn)信息熵變化曲線Information entropy change curve of location points

3.4 局限性

PASS全景圖語(yǔ)義分割的均交并比（mean intersection-over-union, mIoU）約為54.3%，全景圖的分辨率為1 024×512 px，同時(shí)用于拍攝全景圖的車輛占據(jù)了地面較大的空間，均會(huì)在一定程度上影響圖像語(yǔ)義分割和特征指數(shù)計(jì)算結(jié)果的精度。區(qū)域尺度全景圖是沿道路每200 m設(shè)置一個(gè)采樣點(diǎn)，較大距離的采樣點(diǎn)對(duì)區(qū)域尺度的特征指數(shù)聚類和特征的具體分布有一定程度影響。上述對(duì)分析結(jié)果精度有影響的因素?zé)o法完全避免，但是未來(lái)可以嘗試增加密集的采樣點(diǎn)，并通過(guò)算法的改進(jìn)和方法的調(diào)整使精度進(jìn)一步提升。

同時(shí)，百度地圖全景靜態(tài)圖各個(gè)節(jié)點(diǎn)拍攝時(shí)間存在差異，也并未提供具有時(shí)間序列的歷史圖像，限制了城市街道特征時(shí)間軸向的分析。

4 結(jié)語(yǔ)

本研究以全景靜態(tài)圖數(shù)據(jù)為分析的基礎(chǔ)，通過(guò)當(dāng)前計(jì)算機(jī)視覺(jué)發(fā)展的相關(guān)算法，解析反映城市街道的圖像內(nèi)容，包括語(yǔ)義分割、尺度不變特征轉(zhuǎn)換來(lái)計(jì)算綠視率、天空開闊度、地面視域占比、視覺(jué)（熵）均衡度、色彩豐富度指數(shù)，及天空形狀的周長(zhǎng)面積比、形狀指數(shù)和分維數(shù)，并提出關(guān)鍵點(diǎn)鄰域尺度區(qū)間頻數(shù)等指數(shù)。應(yīng)用能夠反映城市街道特征的視域景觀指數(shù)，由層次聚類連接矩陣的鄰元數(shù)變化作為空間尺度配置方式，探索不同鄰里尺度下視域景觀指數(shù)聚類后的特征空間分布變化及指數(shù)貢獻(xiàn)度；并列舉空間尺度變化下，基于單指數(shù)綠視率的特征區(qū)域提取和多指數(shù)聚類信息熵的特征分布變化，表明對(duì)城市街道視域景觀指數(shù)和鄰里尺度特征效應(yīng)的分析，可以為城市街道空間的景觀質(zhì)量提升、量化管理和城市微更新提供參照。

基于城市街道視域景觀指數(shù)分析城市街道特征分布是對(duì)城市街道建成環(huán)境的一種評(píng)價(jià)途徑，在進(jìn)一步的研究中，可以結(jié)合百度地圖應(yīng)用中的興趣點(diǎn)（point of interest,POI）數(shù)據(jù)，由協(xié)方差逆矩陣和AP聚類算法（affinity propagation, AP）計(jì)算分析行業(yè)分類服務(wù)的業(yè)態(tài)空間分布結(jié)構(gòu)，或計(jì)算POI密度曲線，以自然斷點(diǎn)法分類識(shí)別城市活力中心[36]。通過(guò)耦合建成環(huán)境街道特征分布和反映城市生活的業(yè)態(tài)空間分布及活力分布，能夠提取綜合的城市街道特征空間模式，權(quán)衡建成環(huán)境和生活服務(wù)的匹配關(guān)系。

致謝(Acknowledgments)：

該論文的完成是基于伊利諾伊理工大學(xué)（IIT）無(wú)人駕駛城市項(xiàng)目，非常感謝項(xiàng)目組中城市景觀組的Ronald Henderson、Nilay Mistry，以及工程組的Matthew Spenko、Boris Pervan、陳艤合（Yihe Chen）、Kana Nagai。

注釋(Notes)：

① 為機(jī)器學(xué)習(xí)庫(kù)scikit-learn提供的層次聚類模型AgglomerativeClustering（scikit-learn.org/stable/modules/generated/sklearn.cluster.AgglomerativeClustering.html）。

② 為機(jī)器學(xué)習(xí)庫(kù)scikit-learn提供的鄰元加權(quán)圖kneighbors_graph（scikit-learn.org/stable/modules/generated/sklearn.neighbors.kneighbors_graph.html）。

③ 為python庫(kù)Yellowbrick提供的最優(yōu)簇?cái)?shù)選擇工具KElbowVisualizer（www.scikit-yb.org/en/latest/api/cluster/elbow.html）。

④ 即斜率（求導(dǎo)）的變化最大值，使用Elbow方法（www.scikit-yb.org/en/latest/api/cluster/elbow.html）。

⑤ 為機(jī)器學(xué)習(xí)庫(kù)scikit-learn提供的特征選擇工具SelectKBest（scikit-learn.org/stable/modules/generated/sklearn.feature_selection.SelectKBest.html）。

圖表來(lái)源(Sources of Figures and Table)：

文中圖表均由作者繪制，其中圖1-1、1-3、1-5、2全景靜態(tài)圖下載自百度地圖（2021年4月）。