LA专题 | 叶宇黄鎔张灵珠 | 多源数据与深度学习支持下的人本城市设计：以上海苏州河两岸城市绿道规划研究为例

Original 叶宇黄鎔张灵珠风景园林LAVISION

2024-08-31

全文刊登于《风景园林》2021年第01期 P39-45

叶宇，黄鎔，张灵珠.多源数据与深度学习支持下的人本城市设计：以上海苏州河两岸城市绿道规划研究为例[J].风景园林，2021，28（1）：39-45.

多源数据与深度学习支持下的人本城市设计：以上海苏州河两岸城市绿道规划研究为例

叶宇

男 / 博士 / 同济大学建筑与城市规划学院副教授 / 高密度人居环境生态与节能教育部重点实验室（同济大学）计算性城市设计中心主任 / 研究方向为城市设计、城市大数据与城市形态学

黄鎔

女 / 同济大学建筑与城市规划学院在读硕士研究生 / 同济大学生态化城市设计国际合作联合实验室成员 / 研究方向为数字化城市设计

张灵珠

女 / 博士 / 同济大学建筑与城市规划学院助理教授 / 高密度人居环境生态与节能教育部重点实验室（同济大学）成员 / 研究方向为城市设计、三维空间网络分析及城市形态与活力

摘要

随着城市化进程步入后半程，高品质人居环境的营造日益受到关注，城市绿道也在此背景下作为空间品质提升的有效途径受到重视。但当前绿道规划更多从自上而下的宏观视角出发，在分析框架中未有效纳入人本尺度的各类空间与行为要素。针对这一情况，整合经典设计理论、多源城市数据与深度学习算法，以苏州河两岸片区为案例探索新数据环境下的精准分析框架，为高密度建成环境下绿道“在哪做”和“怎么做”提供科学化的分析路径。通过街景数据、位置服务数据、兴趣点数据、结构化网页数据、精细化建成环境数据等多源数据的整合，实现了高品质建成环境五要素理论（5D）中划定的密度、多样性、设计、目的地可达性与交通设施距离这5个人本尺度关键要素的系统性测度，结合现有街道的可建设性，进一步基于层次分析法开展选线潜力评估，并绘制各路段特征画像，为绿道选线和断面设计提供精准支持。这一新分析框架是将人本尺度的诸多要素与城市尺度分析相结合的有益尝试，也是对绿道规划设计在分析技术上的有效拓展。经典理论与新数据新技术的深度整合，可为人本导向的城市设计实践提供有力支持。

关键词

多源城市数据；深度学习；城市绿道；城市设计；上海

1 品质营造需求下量化设计分析范式的兴起

1.1 高品质、宜慢行的建成环境品质测度：3D和5D概念

建成环境作为城市设计在空间上的反映，是影响居民活动的重要载体。随着空间品质作为城市设计的重要目标日益受到关注，越来越多研究者尝试将量化分析引入其中，希望能更好地测度以往难以准确界定的“品质”概念，从而为品质营造提供更精细化的支持。典型的代表是罗伯特·塞韦罗（Robert Cervero）和卡拉·科克曼（Kara Kockelman）提出的“密度（density）、多样性（diversity）、设计（design）”的3D概念；其后，瑞德·尤因（Reid Ewing）与罗伯特·塞韦罗（Robert Cervero）又引入“目的地可达性”（destination accessibility）和“交通距离”（distance to transit），形成5D概念，被广泛应用于建成环境品质研究。

1.2 人本导向的城市绿道规划与设计：需求与难点

随着对于人性化、品质化城市空间追求的深化，城市绿道也作为空间品质提升的有效途径日益受到重视。城市绿道是可以串联公园、公共绿地等开放空间的线性开放空间，其功能有改善自然生态环境、城市触媒效应、激活片区、重塑风貌等。作为重要的民生工程，绿道建设理应更多从人本视角出发，开展精细化现状分析和选线情景模拟，以保证相关项目建设可以切实为市民服务。然而传统城市绿道适宜性分析仍面临着一些问题和挑战：传统城市慢行空间设计往往从自上而下的视角出发，缺少人本尺度出发的精细化空间本底识别与选线效能评估，难以保证相关慢行体系的城市效能最大化；另一方面，传统城市慢行空间设计难以定量化地把控每条路段上的空间与行为特征，难以有针对性地开展精准设计。

1.3 新城市科学涌现所展现的高品质建成环境5D理念测度新可能

伴随着新数据环境逐渐发展成型，新技术能提供人本尺度的精细化空间特征抽取，对街道空间品质的诸多要素进行系统性测度，弥补传统量化分析在规模与精度方面的不足。本研究通过探索新数据环境下的精准分析框架，实现高密度建成环境下绿道选线潜力评估——“在哪做”，和路段特征画像——“怎么做”。

2 研究设计

2.1 分析框架与关键指标

研究包括4个主要研究步骤：数据收集、关键特征提取、选线潜力评估与特征画像（图1）。首先，研究收集了苏州河两岸片区相关多源数据，从数据集中提取代表5D理论的8个关键变量；由于是面向实施的项目，将路段的最大连续非机动化断面宽度作为可建设性指标。针对上述6个维度9个因素，通过AHP层次分析法计算各个因素的相对权重，进而将各个指标整合后形成绿道适宜性总体评分，并利用雷达图绘制典型路段的特征画像。以上多维度的整合分析可提供对于绿道选线和断面设计的精准导控。

1 研究设计框架

研究范围为苏州河两岸静安区南部区域，总用地面积约440 hm²。至2016年底，静安区人均公园绿地面积为2.7 m²/人，在中心城区位列倒数第三。该片区可规划的建设用地较少，绿地增量空间十分有限。因此，在该区域展开城市绿道建设研究，有助于应对城市高密度开发建设所导致的环境品质下降、空间秩序混乱等问题。

2.2 研究案例：上海苏州河两岸片区

2.2.1 高密度开发

相关测度从服务区开发强度、活动密度及人行计数3个方面进行。

开发强度的计算基于建筑三维空间数据，计算街道100 m缓冲区范围内的建筑容积率。该街道周围开发强度高意味着街道建设的高完善性以及高绿化需求。

活动密度测量采用基于腾讯宜出行LBS位置服务数据开展分析，选取工作日与周末的6个代表性时间段，利用Python计算机语言抓取实时人群位置分布，利用ArcGIS对数据进行清洗、空间配准、核密度分析等预处理工作（图3），并采用空间合并工具，以50 m为缓冲区将LBS数据转换到街道路段上，以反映当前街道及其周边的使用强度情况。前述研究显示，对于上海的建成环境特征，这一缓冲区能较好反映实际情况。

2 研究范围

3 根据腾讯平台获取的 LBS 定位服务数据，以周末（2020 年5月31日 18：00）为例

街道行人计数是以30 m为采样间距生成街景采样点，调用百度及腾讯街景的API获取采样点在2018—2019年内的多期街景；裁剪使街道左右两边的2张图片尽量只覆盖行人区域；最后利用LDCF算法检测行人。

2.2.2 多样性

多样性从功能多样性和日均营业时长2个方面进行度量。

研究利用Python和高德地图API对研究区域内2 189个POI进行了提取，可形成对于城市中各项功能设施的空间分布特征展示（图5）。获取数据后，分2步测量功能多样性值：1）计算每个单元在日常步行距离，即15 min、1 000 m内的POI总数；2）采用广泛使用的熵指数来衡量多样性，具体计算公式：

其中，pi 表示街道单元内第i种POI类型占总数的比例，Ｒ是主要功能类别的总数，每个街道单元的多样性指数越大，代表设施混合度越好。

基于美团数据的日均营业时长可体现街道经济活力，由于各个商家营业时长差别较大，将其归纳为8类时间段（图6）；通过将店铺营业时长汇总到附近街道，比较各街道的整体营业时长情况。

4 街道人行计数提取示例

5 POI 提取示例

6 街道营业时长分布提取示例

2.2.3 良好的设计

如前文所述，街道的良好设计取决于街道景观的视觉品质，近来发展的街景图像和机器学习算法为街道空间品质提供了可行的大规模测度方法。首先，通过调用百度街景的API抓取覆盖研究范围2 485个样本点的街景图像（2020年5月），每个样本点间隔20 m，根据特定视角采集垂直于道路方向的前、后两张街景图像（图7）。

7 街景图像采样点分布

其次，利用基于机器学习算法的卷积神经网络工具（SegNet）提取街景图像中绿视率、天空可见度、建筑界面、道路机动化程度、步行空间、多样性这6个关键空间特征。随后邀请专家对于样本图片进行两两比对，所得到的结果在人工神经网络（Artifical Neutral Network, ANN）支持下开展评价模型训练，进而运用训练完成的评价模型实现大规模品质分数计算。

2.2.4 交通设施距离

本研究中交通设施距离是指各街道段中心点到达最近地铁站点出入口的距离，利用百度地图中提取的路网数据，基于ArcGIS中的网络分析得到，其距离越短，评分越高。

2.2.5 目的地可达性

基于sDNA可有效测度高密度建成环境下立体化空间的可达性，分析其与行人分布活动之间的关系。具体分析中，使用百度地图中提取街道路径中心线图作为基础网络数据，通过分析空间的“中间性”（betweenness）判断研究范围内可达性最佳的街道路段；考虑到诸多实证研究表明轨道站步行影响范围为500~800 m，因此本研究选用适合日常步行的800 m作为分析半径。

2.2.6 可建设性

作为面向实施的项目分析，现有街道的可建设性也对绿道规划与设计有较大影响。在实际出行中，非机动车道若频繁被机动车交通阻隔和打断，不仅会降低对步行和骑行者的吸引力，也会对步行安全和空间品质产生负面影响，因此选用最大连续非机动空间（街道断面中连续的人行道、绿化带以及非机动车道的最大宽度总和）作为衡量街道慢行空间的可建设性指标，这一数值与后续空间设计可操作性成正比。

3 分析结果

3.1 新数据与新技术支持下的绿道选线潜力精准评估

为便于比较，将与城市绿道适宜性相关的6个维度9个子项目的计算结果进行排序，基于ArcGIS的分位数（quantile）方法按其数值由高到低等分为5类。图8显示了研究区域内从建成环境五要素出发的8个变量得分，这些变量衡量了每条路段作为城市绿道的选线潜力。一般而言，具有较高开发强度和活力（图8-1~8-3）、功能多样性高、营业时长较长的街道（图8-4、8-5）、具有较高视觉品质的街道更具吸引力，更适宜被纳入规划中的慢行空间体系。研究范围内各街道开发区强度没有明显的分布规律，且各路段差异显著（图8-6）。考虑到地铁站点的巨大拉动作用及步行可达性对步行流量的影响，在慢行空间体系塑造时，还应考虑优先选择这2个指标评分高的街道，有利于提升整个慢行空间体系可达性（图8-7、8-8），同时，连续非机动车道断面宽度大的街道，易成为潜在慢行空间（图9）。

8 影响绿道选线潜力的8类要素分布

9 非机动化断面宽度分布

通过邀请10余位建筑、规划与景观领域的专家运用层次分析评价方法（AHP）开展比选，计算上述影响城市绿道选线潜力评价的要素权重（表2）。

表2 城市绿道建设潜力评估：6个维度及 9个子项的影响权重

进一步对6个类别共9个指标的街道数据进行标准化处理，使其结果映射到数值1~5的区间，使各指标可比较，并根据上述AHP确定的各要素权重进行加权汇总：

其中：Di 为前述表1中的各类选线潜力影响因素，而Xi 则为对应的权重。

在此基础上可计算得出城市绿道网络综合潜力值，其程度可由高到低分为5类，由深绿至浅绿排列（图10）。苏州河北侧汉中路站附近的恒丰路、恒通路、汉中路等路段，曲阜路站的七浦路服装批发市场，以及武定路街道西侧的新闸路、泰兴路、武定路等路段具有较高的绿道建设潜力值，连贯并且具备与苏州河沿岸形成纵向联系的可能，慢行网络建设紧迫度更高，应优先考虑纳入绿道规划体系中。

10 城市绿道建设潜力值分布

3.2 新数据与新技术支持下的路段特征画像

这一数字化的分析模式不仅能用于选线潜力评估，还能快速生成各个路段的全面特征画像。为高密度建成环境下绿道“怎么做”提供科学化、系统性的特征展示，在后续每个路段的具体设计上有的放矢，从人本尺度特征出发，展现相应的导控策略。

此处选取前述城市绿道建设潜力评估中值得注意的2类情况进行个案展示。第一类是绿道建设潜力最高的街道，例如梅园路（图11），空间本底好、使用活力较高、空间感知品质好，此类街道只需进行街道层面的微更新，提升其步行可达性，即可直接纳入绿道规划体系。

第二类街道绿道空间感知品质高，但空间本底情况、使用活力、空间环境及步行可达性较差（图12），此类街道在后续开发中可优先考虑街道界面丰富度的提升以增加步行品质，提高街区渗透性以优化街道使用活力，并进一步建立与高潜力街道的联系，发展成连贯的城市绿道网络。

11 城市绿道建设高潜力路段特征画像

12 城市绿道建设中高潜力路段特征画像

4 小结

本研究将关键建成环境五要素这一经典理论认知与多源城市大数据和深度学习算法有效整合，提出了一个具有实践应用普适性的绿道选线潜力评估分析架构，为人本视角的城市绿道选线和特征画像提供了有效工具。以往城市绿道设计的研究与实践由于缺乏适当的数据和工具，往往从自上而下的视角出发，在GIS支持下开展生物保护、休闲和廊道、可达性分析等要素的大规模、平面化分析，难以纳入人本尺度的相关要素。本研究在新技术与新数据支持下，实现了大规模分析广度与人本尺度分析精度的兼顾，开展大规模分析而不丢失人本尺度的微观细节，是将人本尺度诸多要素与城市尺度分析相结合的有益尝试，也是对绿道规划设计在分析技术上的有效拓展，提供了一种立足人本视角且更为全面系统的分析方法。

致谢：

感谢陈胤徽、韩赟和殷若晨3位同学在数据分析与处理上的帮助。

图表来源：

文中图表均由作者绘制、拍摄。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献：

[1] 王建国，崔愷，高源，等.综述：城市人居环境营造的新趋势、新洞见[J].建筑学报，2018（4）：1-3.

[2] 罗小龙，许璐.城市品质：城市规划的新焦点与新探索[J].规划师，2017，33（11）：5-9.

[3] 翟宇佳，徐磊青.城市设计品质量化模型综述[J].时代建筑，2016，30（2）：133-139.

[4] EWING R H. Characteristics, Causes, and Effects of Sprawl: A Literature Review[M]//MARZLUFF J M, SHULENBERGER E, ENDLICHER W, et al. Urban Ecology. Boston: Springer, 2008: 519-535.

[5] CERVERO R, KOCKELMAN K. Travel Demand and 3Ds: Density, Diversity, and Design[J]. Transportation Research Record, 1997, 2(3): 199-219.

[6] HORTE O S, EISENMAN T S. Urban Greenways: A Systematic Review and Typology[J]. Land, 2020, 9(2): 40.

[7] TANG Z, YE Y, JIANG Z, et al. A Data-Informed Analytical Approach to Human-Scale Greenway Planning: Integrating Multi-Sourced Urban Data with Machine Learning Algorithms[J]. Urban Forestry and Urban Greening, 2020, 56: 126871.

[8] 叶宇.新城市科学背景下的城市设计新可能[J].西部人居环境学刊，2019，34（1）：1-11.

[9] 龙瀛，叶宇.人本尺度城市形态：测度、效应评估及规划设计响应[J].南方建筑，2016（5）：41-47.

[10] LONG Y, YE Y. Measuring Human-Scale Urban Form and Its Performance[J]. Landscape and Urban Planning, 2019, 191: 103612.

[11] 樊钧，唐皓明，叶宇.街道慢行品质的多维度评价与导控策略：基于多源城市数据的整合分析[J].规划师，2019（14）：5-11.

[12] 钮心毅，吴莞姝，李萌.基于LBS定位数据的建成环境对街道活力的影响及其时空特征研究[J].国际城市规划，2019（1）：32-41.

[13] ZHANG L, YE Y, ZENG W, et al. A Systematic Measurement of Street Quality through Multi-Sourced Urban Data: A Human-Oriented Analysis[J]. International Journal of Environmental Research and Public Health, 2019, 16(10): 1782.

[14] FRANK L D, PIVO G. Impacts of Mixed Use and Density on Utilization of Three Modes of Travel: Single-occupant Vehicle, Transit, and Walking[J]. Transportation Research Record, 1994, 1466: 44-52.

[15] VAN EGGERMOND M, ERATH A. Quantifying Diversity: An Assessment of Diversity Indices and an Application to Singapore[J]. FCL Magazine Special Issue Urban Breeding Grounds, 2016: 30-37.

[16] YE Y, RICHARDS D, LU Y, et al. Measuring Daily Accessed Street Greenery: A Human-Scale Approach for Informing Better Urban Planning Practices[J]. Landscape and Urban Planning, 2019, 191(11): 103434.

[17] YIN L, WANG Z. Measuring Visual Enclosure for Street Walkability: Using Machine Learning Algorithms and Google Street View Imagery[J]. Applied Geography, 2016, 76: 147-153.

[18] YE Y, ZENG W, SHEN Q, et al. The Visual Quality of Streets: A Human-Centred Continuous Measurement Based on Machine Learning Algorithms and Street View Images[J]. Environment and Planning B, 2019, 46(8): 1439-1457.

[19] 张灵珠，晴安蓝.三维空间网络分析在高密度城市中心区步行系统中的应用：以香港中环地区为例[J].国际城市规划，2019，33（1）：46-53.

[20] CHIARADIA A, CRISPIN C, WEBSTER C. SDNA: A Software for Spatial Design Network Analysis[EB/OL]. [2020-07-16]. https://www.cardiff.ac.uk/sdna/.

[21] 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.

[22] 袁芯.基于“城市针灸”原理的生态空间品质提升路径研究：以上海市静安区为例[J].上海城市规划，2018（2）：102-109.

[23] 杜立柱，杨韫萍，刘喆，等.城市边缘区“城市双修”规划策略：以天津市李七庄街为例[J].规划师，2017，33（3）：25-30.

[24] CHEN L, LU Y, SHENG Q, et al. Estimating Pedestrian Volume Using Street View Images: A Large-Scale Validation Test[J]. Computers, Environment and Urban Systems, 2020, 81: 101481.

[25] 樊钧，唐皓明，叶宇.人本尺度下的社区生活便利度测度：基于多源城市数据的精细化评估[J].新建筑，2020（5）：10-15.

[26] ZHONG T, LYU G, ZHONG X, et al. Measuring Human-Scale Living Convenience through Multi-Sourced Urban Data and a Geodesign Approach: Buildings as Analytical Units[J]. Sustainability, 2020, 12(11): 4712.

[27] 叶宇，张灵珠，颜文涛，等.街道绿化品质的人本视角测度框架：基于百度街景数据和机器学习的大规模分析[J].风景园林，2018，25（8）：24-29.

[28] BADRINARAYANAN V, KENDALL A, CIPOLLA R. Segnet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(12): 2481-2495.

版面预览

相关阅读：

《风景园林》2021-01刊首语 | 郑曦：大数据驱动的人居环境提升

《风景园林》2021-01目录 | 大数据驱动的人居环境提升

新刊速览 | 《风景园林》2021-01 大数据驱动的人居环境提升

《风景园林》2021-01专题导读 | 大数据驱动的人居环境提升

LA专题 | 来源 | 面向绿色基础设施的城市信息学

LA专题 | 成实张潇涵成玉宁 | 数字景观技术在中国风景园林领域的运用前瞻

LA作品 | 公园无人化管理与智慧化运营实践——龙湖G-PARK能量公园

完整深度阅读请参看《风景园林》2021年01期

扫描下方小程序码或点击阅读原文进入店铺购买

文章编辑 王一兰