白钊成，张家礼

(西南林业大学 园林园艺学院，云南 昆明650224)

当前城市绿化水平的提升主要是在规划层面，兴建大规模的绿地公园，对城市的生态进行大修大补，而对于与城市居民关系最密切的城市街道空间缺乏必要的关注[1]。出现这些问题最直接的原因是绿化覆盖率、绿地面积这些遥感尺度下的绿化指标主导了城市绿地建设[2]。

近年来，越来越注重城市与人的关系，以人为本进行城市规划的前提是需要改变绿化指标测算的“非人性”，从人本尺度下衡量“看到的绿色”。日本政府于2004年通过“景观绿三法”，使绿视率(Visible Green Index, VGI)成为城市街道绿化品质评价体系的常规指标[3]。但由于缺乏足够的技术手段，绿视率指标的计算需要借助相机拍摄、网格法计数等繁琐的人工步骤，在实施中缺乏效率，而随着街景地图与图像识别技术的发展，这一测度指标才逐渐便捷化[4-5]。

在街道绿化研究重视人本尺度的背景下，目前已有较多的研究通过测度绿视率来描述城市街道的绿化品质，但绿视率与传统绿化覆盖率之间的对比分析鲜有研究[6-8]。通过对城市空间绿化品质不同尺度的测度，全面展现城市绿化水平，进一步探讨基于地理空间的遥感尺度与基于人眼信息的人本尺度之间的信息差异，从而分析城市绿地规划视角从“顶视”转向“人视”的合理性，提出更注重居民感受的绿化品质提升策略。

1 研究区域及数据获取

1.1 研究区域

以杭州市中心城区作为研究对象，具体范围是以秋石高架、留石高架、五老峰隧道、之江路围合的区域，包括了上城区、下城区、西湖区、拱墅区、江干区的部分或全部范围，总面积为123.79 km2。

作为首批国家生态园林城市(2017年)，杭州2020年底建成区绿地率已达37%，从遥感视尺度来看，城市总体的绿化品质较高。从人本尺度来看，因中心城区部分街道建设年代久远，街区的绿化情况较差，在2020年发布的《新时代美丽杭州建设实施纲要(2020-2035年)》中也对居民的绿化感知提出了更高的要求[9]。从政策文件上来看，依照2种尺度评价的杭州市城区绿化品质表现出差异，人本尺度逐渐受到重视，因此具备比较研究的价值。

1.2 数据来源及处理

1.2.1 路网数据 数据来自于Open Street Map(OSM) 上获取的矢量路网数据及属性数据，道路等级共划分为快速路、主干道、次干道、支路及其他道路5类。对下载的路网数据进行清洗数据、合并多车道、空间拓扑等预处理，最终获得总计959.46 km的单线道路。同时，利用ArcGIS软件以50 m的间距设置道路点，作为街景图像采集的基础，总共生成20 558个绿视率测算点。

1.2.2 街景图片 由于腾讯地图与高德地图均停止了街景地图的更新服务，因此选取百度地图作为街景数据的来源，研究区域范围内的街景地图最新更新至2020年6月。

通过调用百度API服务接口，使用Python编写网络爬虫程序，以ArcGIS软件等间距生成测算点的经纬度坐标来批量获取街景图片。为了模拟人眼的视角，设置街景采集的垂直角度为60°，水平视角为120°[10]。设置街景图片的大小为1 024*512像素，在抓取图片时，为了获取完整的街景信息，分别获取水平方向上0°、90°、180°、270°，即测算点东、南、西、北4个方向街景图片[11]。剔除爬取街景不理想的，共获得20 341个有效点位上81 364张街景图像。

1.2.3 遥感影像 欧洲航空局(ESA)的哨兵2号(Sentinel-2)卫星拍摄的影像数据空间分辨率较高，涵盖了13个频段的光谱数据。并且相较于其他卫星系统具有更加锐利平滑的地物边缘，因此研究选取其拍摄的L1C级多光谱数据(MSI)用于绿化覆盖率的计算[12]。

遥感数据下载杭州市植被茂密时期无云天气状况下的的L1C级影像(2021年4月18日)，由于L1C级影像并未进行过大气校正与辐射定标，因此利用Sen2cor软件对其进行校正以正确反映地表反光率。校正后的影像导入SNAP软件再进行重采样、掩膜裁剪等预处理，最终得到1幅覆盖研究区域、分辨率为10 m的无云遥感影像。

2 研究方法

2.1 基于图像识别技术的街道绿视率测算

以图像识别技术识别爬取到的街景图像，通过利用计算机视觉工具包GluonCV，运用全卷积神经网络(Fully Convolutional Network, FCN)的DeepLabv3+模型，调用预训练的开源数据集ADE20K，来识别街道环境的图像[13]。经过识别，图像内不同的景观类型即被赋予不同的标签(label)，使用NumPy算法对植物标签进行遍历检索，遍历乔木、灌木、草本3类景观标签所占图像全像素的面积，即为该图像的绿视率。街道某一点上的绿视率数值为该点4个方向上绿视率的平均值，因此定义公式如下：

(1)

式中：i代表东南西北4方位的方向，j代表乔木、灌木、草本3个要素，取值为1～3，Pij表示测算点P的i向方位上要素j占图像全像素的比例。

根据公式，计算得到各个测算点的绿视率数值，利用ArcGIS的空间连接功能对道路上全部的测算点位进行赋值并可视化，分析其在空间上的分布。

图1 某测算点绿视率分析计算示意

2.2 归一化植被指数计算

归一化植被指数 (Normalized Vegetation Index,NDVI)常被用于遥感影像的绿化覆盖率计算[14]，计算方式为：

(2)

式中：NIR为近红外波段的反射值(Near Infrared)；R为红光波段的反射值(RED)。NDVI的取值范围为[-1,1]，正值的区域表示有植被覆盖，且随覆盖度增大而增大。

使用SNAP软件的NDVIProcesssor工具对预处理后的卫星遥感影像进行植被覆盖计算，在结果呈现阶段调整红光波段和近红外波段的比例因子以达到最佳的分割效果。由于分割后的绿化覆盖以栅格化图片的形式展示，因此需要导入ArcGIS进行裁剪、栅格转面等处理才能进行数值化的计算。

2.3 空间相关性分析

由于绿化覆盖率是一个区域内的指标数值，而街道绿视率是某一个测算点上的指标，为了使二者能够在同层级、点对点进行比较研究，需要将绿化覆盖率以点的形式表达，代言该点所在某一个区域的绿化覆盖水平。为了保证计算的科学性，需要确定绿化覆盖率测算的区域范围。《城市居住区规划设计标准(GB50180-2018)》规定了500 m居民生活圈的绿地可达性，因此以500 m×500 m的网格作为植被覆盖率的测算区域，并将测算区内植被覆盖率的数值通过ArcGIS的空间连接方法赋值于该区域内各个绿视率测算点中，并生成相应的属性字段。生成后的点位数据同时具有绿视率和绿化覆盖率2个指标数值，因此可以通过GeoDA的双变量空间自相关分析对每个街道的VGI和NDVI进行直观比较。根据Anselin提出的双变量空间自相关分析(Bivariate Moran’s I)进行计算[15]，公式如下：

(3)

式中：Ii表示空间单元的2个变量之间的局部空间关系；wij为两个邻接单元i和j的空间权重矩阵；zi、zj是空间单元中2个观测值、的方差标准化值。

根据计算结果Ii可得出4种聚类模式，高-高型表示高绿化覆盖率和高绿视率的区域，低-低型表示低绿化覆盖和低绿视率的区域，高-低型表示高绿化覆盖和低绿视率的区域，低-高型则表示低绿化覆盖和高绿视率的区域。

3 结果与分析

3.1 绿视率评价结果与分布因素

根据以往的研究，当绿视率≥25%时，人们对街道环境中的绿色信息感知明显，而当绿视率≤15%时，人们对环境中绿色信息的感知较差[16]。根据前人研究并结合研究区的实际情况，将道路环境绿视率划分为5个等级，分别是：绿视率很低(0≤VGI<15%)、绿视率较低(15%≤VGI<25%)；绿视率一般(25%≤VGI<45%)；绿视率较高(45%≤VGI<70%)；绿视率很高(70%≤VGI)。总的来看，杭州市中心城区的街道绿视率呈现出西南侧最高，向东、向北逐渐递减的趋势(图2)。研究区内绿视率在空间分布上差异较大，从行政片区来看，杭州市中心城区平均绿视率为28.33%，其中最高的西湖区为34.05%，最低的下城区为24.20%。西湖风景名胜区内外的绿视率数值也有较大区别，风景区内的平均绿视率为43.97%，明显高于风景区外的26.38%。距离河道的远近同样对绿视率产生影响，研究区域内滨水路段的绿视率远高于非滨水的街道，分别为33.86%和26.77%。从不同等级的道路绿视率来看，两者成反比，道路等级越高，其绿视率越低。具体表现为：城市快速路的平均绿视率值最低，为11.71%，而街巷道路或支路的绿视率值最高，达到了30.36%(图3)。

从评价的结果来看，街道绿视率的差异主要受到街道的功能、宽度等自身属性以及街道距离山体、水体、风景区等自然景观要素距离的影响。城市快速路与城市干道这类街道更多的是交通功能，为了保证良好的车行视线通常以视线引导性的绿化为主，更高等级的交通干线则采用高架与隧道的形式，因此绿视率较低。服务性的道路多为街巷道路与城市支路，与居民关系密切，更多考虑居民日常活动，绿视率较高。例如，文一路隧道—德胜快速路全路段平均绿视率数值为8.39%，而处于居民区的街巷道路“直大方伯(街巷名)”则达到了38.00%。街道所处的地理位置不同其街道绿视率亦有较大区别，研究区域内街道绿视率变化趋势与城市的山水布局走势一致。天然的山林加上绿化营造使得道路的绿视率相对更高，三台山路、八盘岭路、葛岭路、玉皇山路等绿视率平均值为54.36%。

图2 杭州市中心城区街道绿视率空间分布

图3 不同场景街道绿视率对比

3.2 绿视率与绿化覆盖率的空间分布关系

3.2.1 总体空间分布关系 通过SNAP软件对哨兵2号遥感影像的分析处理得到绿化覆盖信息(图4)，从图像可知，绿化覆盖率可以全面地展示城市大尺度空间的整体绿化水平。与绿视率在空间上的分布信息相比，绿化覆盖率难以展示某一点位、某一街道的绿化水平。绿视率则相反，可以精确描述城市街道空间人眼所及的绿化品质，但对于道路以外的绿地空间则难以描述，在空间分布上存在“留白”。两者描述的尺度都具有盲区，但缺失的信息展现出互补的特点。据此，综合2个指标可以更全面地描述城市空间的绿化品质。

绿化覆盖率的总体分布特征与绿视率大体类似，也呈现由西南向东、向北逐渐减小的态势。为了方便与绿视率进行类比，同样以行政区、西湖风景区为界，分区域进行测算(图5)。结果显示，绿化覆盖率与绿视率在各区域的分布大致相似，但在部分场景区域中仍存在分异，并不呈现同步变化的趋势。

图4 杭州市中心城区绿化覆盖率空间分布

图5 不同场景的绿化覆盖率对比

3.2.2 基于测算点的空间相关性 使用GeoDA基于街道点位进行绿视率与绿化覆盖率在同一层级的比较，分析两者是否存在相互关系。经过结果可知(图6)，绿视率与绿化覆盖率2个指标不存在相关性，在大部分点位上两者的关系并不显著。

在空间相关性分析中，低-低型与高-高型分布较多。低-低型表示低植被覆盖率与低绿视率，这类点位多分布于研究区域的东侧与北侧的待开发地块以及老旧居住区附近，原本绿地空间较少，并且缺乏道路绿化。高-高型表示高植被覆盖率与高绿视率，这类点位多分布于西湖风景区以及城市公园附近，具备良好的绿地基础，景区道路也是城市规划的重点。因此，道路绿化品质较好(图7)。

图6 绿化覆盖率与绿视率的空间相关性

图7 “低-低型”与“高-高型”点位示例

高-低型和低-高型是遥感尺度与人本尺度具有差异的类型，杭州市中心城区绿化覆盖值与绿视率的差异性分布格局为：低-高型的点位较多，高-低型的点位较少。低-高型表示低绿化覆盖值与高绿视率，该类型点位多分布于滨水道路，这类道路具有较高的绿化，但由于水体面积较大导致整体区域绿化覆盖率不高。高-低型表示高绿化覆盖值与低绿视率，这类点位主要分布于公园附近的主干道、施工围挡路段等，这些道路交通属性远高于服务属性，绿化种植水平不高，但得益于周边绿地，因此显示出来较高的绿化覆盖特征。

图8 “低-高型”与“高-低型”点位示例

3.3 街道绿化品质提升策略

以往城市以遥感尺度评价绿化水平，导致城市绿地规划热衷于大块绿地，街道绿化的地位较低，但这恰恰忽视了人的感受，导致绿化覆盖率高却“看不到”绿化的现象。而街道绿视率的提升，不仅可以提高居民的绿化感知，也可以提高绿化覆盖率。虽然研究区域内存在绿视率高而绿化覆盖率低的情况，但多是受到水体面积的干扰。因此，城市绿化的发展需要更加注重人本尺度，提高街道绿化品质。

通过对2个指标差异较大的街景图象的分析，发现绿视率低的道路主要分布在老旧居住小区或工业园区周围，道路多为没有绿化带的单幅路或快速路、主干道，且大多基础设施落后或有实体挡墙遮挡等。因此，需要重视陈旧地块的更新，完善基础设施，对于单幅路需要扩宽道路、拆墙透绿或通过立体绿化的方式提升街巷绿视率；对于主干道则需要丰富绿化层次，乔灌草结合打造立体的街道景观。

4 讨论与结论

本研究基于街景数据与卫星遥感影像，利用遥感解译与机器学习的方法，从2个尺度分别对杭州市中心城区的街道绿化进行了测度，得出如下结论。

(1)研究区内绿视率在空间分布上差异较大，呈现自西南向北、向东递减的趋势，这些差异主要受到街道的功能、宽度以及距离山、水等自然要素距离的影响。

(2)绿视率与绿化覆盖率在空间分布上并无相关性，传统的绿化覆盖率不能完全代言街道的绿化品质，或与居民对城市绿化的感知相悖。绿视率高而绿化覆盖率低的点位多分布于滨水道路，主要由于狭长的绿化形式以及水体面积干扰等因素引起。绿视率低而绿化覆盖率高的点位多位于老旧小区周边道路，主要由于道路本身绿化水平较低以及受到遮挡等因素引起。

(3)通过对2种不同尺度测度绿化品质的比较，增加人本尺度的规划考虑可以引导城市街道绿化品质的研究从平面走向立面，更好地为城市规划者提供重要参考。

以往学者对于人本尺度街道绿化率的测度仅仅局限在街景图像的获取，但并没有考虑人眼的视角，其测度结果也只是作为街道绿化品质的表征，并未展现与传统绿化覆盖率之间的关系，缺乏街道绿化品质提升策略支持。目前，本研究还存在一些不足，例如虽然采用了设置视角的方式模拟了人眼的观察范围，但街景采集车的视点位置处于道路中央，与行人仍有差别。同时由于遥感影像栅格的限制性，绿化覆盖率采取500 m×500 m的研究单元，容易造成误差。因而未来还需要对技术手段、研究方法进行改进，以便开展更加准确深入的研究。