算法驱动型城市设计——大规模城市街道渗透率计算：Form Syntax

研究背景

随着当前城市规划与设计的精细化转型，人本尺度下的街道空间品质特征研究日益受到广泛关注。街道渗透率作为影响街道空间品质的关键要素之一，现有测度研究主要依赖于成本高、效率低的手工分析，难以大规模和高效开展测度。

针对这一问题，本研究整合计算性城市设计领域中有“厚度”的多源数据与有“深度”的算法，以上海中心城区为例，实现了街道界面渗透率的大规模、智能化测度。基于人工标注的结果与计算机的智能化识别在校核中显示有较高拟合度，证明了该方法的有效性。该研究一方面是经典城市设计要素与新数据新技术的深度整合，实现了以往难以定量、高效测度的城市设计要素的测度，可为人本导向的城市设计实践提供有力支持；另一方面让展现兼具大规模与高精度的宏观图解成为可能，所获得的更为深入的认知，也能推动设计实践对于新数据、新技术的进一步吸纳与反馈，共同助力于计算性城市设计的发展与深化。

街道渗透率的影响与测度研究

街道界面渗透率(Transparency) 是指街道界面中，门、窗、栅栏等开口面积的比例；它作为重要的街道空间品质表征指标，能够反映人在街道上时视线延伸的程度和室内外活动之间的交流程度。在街道层面，渗透率是影响街道空间品质的重要指标之一，能反映街道两侧建筑室内外互动的程度。既有研究表明，良好的渗透率能对街道步行环境产生积极影响——建筑室内布置或活动通过透明的门窗反映到街道，使得街道具有吸引力，进而影响街道行人步行速度和行人数量；街道上行人活动也主要集中在渗透率高的区域。

同时，新数据和新技术的快速发展也为街道空间设计的精细化研究提供了新可能。一方面开放大数据（如Open Street Map和街景图像）为大规模、精细化街道品质测度提供了数据基础。另一方面，计算机视觉技术被引入处理和模拟建成环境间的复杂交互关系，极大提升了数据分析的速度和准确度。在此背景下，街景图片与机器学习技术的结合使得大规模和精细化的各类街道品质特征测度与研究成为可能。
得益于技术的发展我们有望通过对大样本街景图像的标定（标出门窗洞口）和基于此的深度学习，探索街道界面渗透率的大规模、精细化测度路径，替代街道界面渗透率研究中仍在采用的主观判断，和小规模人工测度方法。

分析框架

本研究分析步骤由大规模图像获取、代表性图像的选取与标定、评价模型的训练与校核、大规模指标计算四个阶段构成。
进一步抽样研究显示，采用传统方法（以建筑底层界面为分母）的结果和当前方法（以整体建筑界面为分母）所得结果有显著相关性，斯皮尔曼（Spearman）相关系数为0.813 (p<0.01)。

代表性样本图像的筛选与标定

研究首先基于上海中心城区的百度地图路网，在剔除了街景图像缺失街道路段后，以40m的采样间距形成了243,402个街景采样点。经HTTP URL调用百度街景的API获得街景图片，图像分辨率设为800*600像素，每个采样点朝街道两侧视角抓取图片2张(图4)，共获取了486,804张图片。

图像标定基于makesense.ai开展。本次标定包括门洞（红色线框）、窗口（绿色线框）标签，采用多边形标注。标注的流程和示例见图 5和图 6。标注过程中卷闸门等日常会开启的门洞也予以了标识。另外，本研究标注时每个图形仅用了四个点表达，可减少模型预测负担且便于多种算法适配。

模型训练：基于Poly-YOLO算法的特征要素提取

研究通过在Tensorflow平台上部署Poly-YOLO算法对前述训练集（3500张标定图像）开展多轮次训练，每次随机抽取20%的样本被保留作为验证模型的数据，其他样本用来训练，不断重复直到训练模型错误率趋于稳定。最终图像识别领域通用的识别准确率指征，平均IoU指数（Mean Intersection over Union）为0.97，展现了较高的准确率。

街模型应用与结果校核

基于训练完成的街道渗透率特征识别模型，研究首先对整个上海中心城区48万余张街景图像开展了逐一分析的标定。机器学习结果如图，红色表示门洞，绿色表示窗口。随后我们从识别结果中随机选取了100张图像开展识别准确度校核。通过对其原始图像开展人工测量街道界面渗透率，并统计像素点数量。最后将这100张的机器学习结果与人工测量结果进行统计分析，计算二者的相关性。斯皮尔曼相关性系数为0.775 (p<0.01)，二者呈显著相关，说明两者一致性较好，证明了基于机器学习的街道界面渗透率测度方法的有效性。

上海中心城区分析结果

总体数值的分析结果来看，上海内环内的街道渗透率指标（2.6%）要显著高于中心城区的平均值（1.73%），说明内环内街道总体保持了更好的街道渗透率。从空间分布上来看，街道渗透率呈现出“内部高、中部高低混杂、外围相对较低”的总体格局。但也可以看到，内环以内也存在部分街道的渗透率较低的街道，如杨浦区北部、虹口区东北部、徐汇区南部和浦东新区东部。

通过对比分析发现，各城区的街道渗透率均值介于1.2%-3.6%之间，仅黄浦区（3.6%）高于内环内均值，而浦东新区（1.3%）、宝山区（1.2%）和宝山区（1.5%）三个相对外围的城区的街道渗透率数值最低。此外，各城区较高渗透率的街道在空间分布上呈现出连续和集聚的特征。这一特征在黄浦区、虹口区和徐汇区最为明显。

不同等级道路的街道界面渗透率分析能揭示道路等级与街道渗透率的关联性。图 12中横轴为街道界面渗透率高低（采样点位按1%生成），纵轴是不同渗透率的路段在整体路网中的占比。分析结果显示，街道渗透率大致规律随道路等级的降低而逐次升高。值得一体的是，各等级道路中“渗透率=0”的道路占比较高。

本研究基于街景大数据和机器学习算法，提出了兼具快速、大规模和高精度的街道界面渗透率测度与评价框架，并以上海市中心城区为例开展了实证运用。本研究聚焦这一以往分析成本很大、耗时费力的空间品质，利用新数据和新方法的支持，进行突破性探索，有助于推动精准化的街道更新实践的开展。上海中心城区的应用实践显示，该方法能够实现兼具大规模和精细化的街道要素测度和分析。机器学习结果与手工结果校核对比进一步证明了相关方法的有效性。

同时，本研究所开发的相关技术可运用于城市设计的多个方向。首先，该方法可与绿视率、空间尺度等指标一起，聚合形成系统性的街道空间品质指标，共同为街道整体性更新设计提供参考与指导；其次，城市层面街道界面渗透率测度，能够为面向品质提升的街道更新提供直观依据；此外，该分析技术更注重人本尺度的细节空间感受，能够结合多年份的街景数据实现街道界面渗透率的历时性监测，进而为城市设计中的导控指标设置提供更直接的指导。

此外，相关研究仍然存在若干局限性。一方面，传统渗透率是计算街道底层门窗洞口占底层界面的比值，而本研究中的基于机器学习的渗透率计算是街道底层门窗洞口占建筑的比值，两者之间存在一定差异。此外街景采样点与沿街建筑之间的距离并非一直恒定，而是有一定变化，也会对门窗洞口识别及面积数值的精准度产生影响

优秀项目

资料下载