上海城市街道环境的大规模测度研究.pdf

44 TRAFFIC&TRANSPORTATION2023 年 7 月 第 39 卷第 4 期（总第 228 期）Jul.2023,Volume 39No.4(Serial No.228)收稿日期：2023-03-08基金项目：同济大学学科交叉联合攻关项目多源数据驱动的城市客运交通排放动态影响机制与调控方法研究（2022-5-YB-03）；上海市科委自然科学基金（21ZR1466600）；国家自然科学基金（72061137071）第一作者简介：骆 晓（1984-），男，汉族，江西九江人，博士，副教授，主要研究方向：交通环境分析。上海城市街道环境的大规模测度研究骆 晓1,2，甘素辉1（1.同济大学 城市交通研究院，上海 200092；2.同济大学 交通运输工程学院，上海 201804）摘 要：街道是城市活动多样且密集的公共开放空间，也是产生城市活力的重要场所。街道环境的大规模测度有助于整体把控城市街道的特征及痛点，然而已有研究较少考虑不同等级、功能街道的差异，在识别街道空间问题和指导实践层面上不够精准。以上海市主城区为例，基于路网、POI 和街景图片数据，采用空间句法、语义分割和冷热点分析方法，从道路等级、街道功能、街道网络形态和街道视觉要素 4 个维度大规模测度街道环境，对不同等级、不同功能街道的网络形态和视觉要素进行对比分析，为街道的转型和更新提出针对性建议。关键词：街道环境；大规模测度；空间句法；街景图片；街道更新中图分类号：U491文献标志码：A文章编号：1671-3400(2023)04-0044-07A Large-scale Measurement Study of Urban Street Environment in ShanghaiLUO Xiao1,2,GAN Suhui1(1.Urban Mobility Institute,Tongji University,Shanghai 200092,China;2.College of Transport Engineering,Tongji University,Shanghai 201804,China)Abstract:Urban streets are important open spaces with diverse and intensive activities.Large-scale measurement of urban street environment will contribute to understanding street characteristics and issues,further improving street spaces and enhancing urban vitality.However,only a few large-scale street environment studies have considered the differences of road hierarchies and street functions,which are not sufficiently accurate in identifying street space problems and guiding practice.In this research,a multi-dimensional evaluation system is constructed that integrating road hierarchies,street functions,street network form and street visual elements.Based on OSM,POI and street view image data,spatial syntax,semantic segmentation and spatial clustering methods are used to make a large-scale analysis of streets in the central area of Shanghai and then propose targeted suggestions for the transformation and renewal of urban streets.Keyword:Street environment;Large-scale measurement;Space syntax;Street view image;Street renew重视。富有活力的街道通常不仅仅服务于交通1，同时还具有多样功能。在快速城市化阶段，街道设计以机动车出行为主导；在城市化成熟阶段，车本位理念带来了交通拥堵、空气污染等诸多城市问题，国内外陆续发布的街道设计导则推动了城市街道向慢行空间、公共活动空间转变。伦敦健康街道设计导则2提出要减少机动化交通，营造更具吸引力、人本友好的街道，发布了以感觉友好、易于过街、遮阴休憩、停休场所等 10 项健康街道指标为核心的健康街道实施指南。多伦多完整街道设计导则3以完整街道为理念，从街道类型、使用者和转型的角度提供了相应的技术与案例参考。2016 年上海市发布上海市街道设计导则4（以下简0 引言 街道是城市活动多样且密集的公共开放空间，也是产生城市活力的重要场所，在城市规划设计中一直备受92023 年第 4 期 45 称导则），提出要以安全、绿色、活力与智慧为目标进行街道的转型和创新。在城市街道转型的进程中，大规模测度街道环境有助于整体把控城市街道的特征及痛点，进一步改善街道空间，提高城市活力。回顾街道环境分析相关研究，主要分为客观物质环境分析和环境主观感知两大类，其中：客观环境分析类研究通常是先构建环境分析指标体系，再对物质空间环境进行量化；环境主观感知类研究主要采用调研、认知地图以及心理测定等方法，从人的感知角度分析街道空间环境及其对居民心理、情绪的影响5。近年来，开放数据的出现与深度学习技术的应用为街道环境的大规模分析以及主客观环境的综合分析提供了坚实的基础。较多研究基于路网、POI 和街景图片等多源数据，围绕安全、便捷和舒适等多类指标测度城市街道的可步行性6-9。Zhang 等10基于 LBS、POI 及街景图片等多源数据，采用建成环境 5D 框架对上海市杨浦区的街道质量进行测度并聚类；寇瑞文等11和邓明语12研究发现绿化、天空及建筑等街道视觉要素和城市的犯罪率、安全感具有高度的相关性，是城市街道环境的重要组成部分。区分用地属性、街道类型可以在规划层面更加落实道路系统的功能定位，也可以在设计层面形成更加精细化的街道设计引导13。然而，已有大规模测度街道环境的研究较少考虑不同等级道路、不同功能街道之间的差异，在识别街道空间问题和指导实践层面上不够精准。本文以上海市主城区为例，基于路网、POI 和街景图片数据，采用空间句法和语义分割方法，从道路等级、街道功能、街道网络形态和街道视觉要素四个维度大规模测度街道环境。同时，采用空间聚类和冷热点分析等方法，对不同等级道路、不同功能街道的网络形态和视觉要素进行对比分析，对街道的转型和更新提出针对性建议。1 研究范围与数据1.1 研究范围 研究选取上海市主城区（外环内）作为研究对象，上海市主城区覆盖人民广场、外滩、陆家嘴及徐家汇等城市核心活动区，承载了城市居民与街道环境之间非常频繁、多样的互动，研究该区域的街道环境对城市规划及街道更新具有重要意义（见图 1）。1.2 研究数据 研究数据包括城市路网、POI 和街景图片等。1.2.1 城市路网 Open Street Map（OSM）是一个开放的、基于用户贡献的地图数据项目，用户可以通过编辑和更新地图数据来完善地图信息。OSM 路网数据具有较高的时效性、较强的可操作性和较高的分辨率等特点，是城市研究常用的路网数据来源之一14。城市路网数据来源于 Open Street Map（OSM），采集时间为 2022 年，是街道环境测度的基础。上海市主城区原始路网包括高速公路、城市快速路、城市主干道、城市次干道、城市支路、乡村道路、自行车道、人行道路、内部道路和其他 10 种道路类型。以原始路网为依据，研究结合城市综合交通体系规划标准15的城市道路等级划分，将上海市主城区范围内的道路划分为快速路、主干路、次干路、支路、内部道路和人行道路等 6 种类型。为便于分析应用，首先，提取道路中心线；然后，进行拓扑检查及修复，实现原始路网数据的简化与优化；最后，得到上海市主城区街道网络（见图 2）。1.2.2 POI 地图上的兴趣点（Point of Interest，POI）包括医院、公园、商店、餐厅等地理实体，凭借着覆盖范围广、获取简单等特点，被广泛应用于城市空间分析中16。高德地图的 POI 数据来源包括官方采集、用户反馈和第三方数据，具有较高的准确性和完整性。通过网络爬虫技术获取，采集时间为 2020 年，包含名称、坐标和分类图 2 简化后街道网图 1 研究范围骆 晓，甘素辉：上海城市街道环境的大规模测度研究2023 年第 4 期 46 3 个属性，用于划分街道的功能。以高德地图原始 POI数据为基础，结合导则中定义的街道功能类型，对POI 数据进行筛选和重分类。上海市主城区 POI 数据分为餐饮、购物、住宿服务、生活服务、医疗保健、体育休闲、风景名胜、政府机构及社会团体、公司企业、金融保险和商务住宅等 12 大类（见表 1）。1.2.3 街景图片 目前，常用的街景数据服务来源包括谷歌地图、腾讯地图和百度地图，对于国内城市来说，百度地图的数据覆盖率和可获取性更高。百度地图的街景数据是通过车载摄像采集，能够较全面地反映人本尺度下城市街道环境的特征17。本文的街景图片数据通过百度地图应用编程接口（API）获取，用于街道视觉要素分析。以上海市主城区路网为基础，以 100 m 为最大间隔生成街景采集点，通过设置水平视角、垂直视角等参数获取每个街景采集点“0、90、180、270”4 个方向的街景图片，共下载约 45 万张街景图片。为方便分析，研究将采集点 4 个方向的街景图片进行拼接（见图 3）。表 1 POI 类别及数量类别数量类别数量餐饮85 742风景名胜4 265购物7 845政府机构及社会团体37 939住宿服务16 631生活服务46 090公司企业197 494医疗保健19 723金融保险21 005体育休闲29 202商务住宅46 632图 3 街景图片示例 （a）0 （b）90 （c）180 （d）270（e）拼接后2 研究方法 相比于基础地理信息数据支持的 GIS 街道环境分析方法，融合城市的 POI 和街道全景数据的多维分析方法结合二维、三维信息进行更全面的测度，能够更真实地反映实际的街道环境，更接近城市居民的视角。基于城市路网、POI 和街景图片数据，从道路等级、街道功能、街道网络形态和街道视觉要素 4 个维度大规模测度上海市主城区的街道环境，在各维度计算结果的基础上进行空间统计和对比分析（见图 4）。2.1 道路等级划分 街道具有交通和生活两大主导功能，道路等级反映的是街道的交通服务水平。结合原始数据和城市道路分级，将上海市主城区的道路划分为快速路、主干路、次干路、支路、内部道路和人行道路 6 个等级。2.2 街道功能识别 街道功能反映的是街道对沿街活动的服务功能。城市居民在不同功能街道上的活动需求不同，街道环境也图 4 研究框架会存在差异，因此本研究在街道环境测度时对不同功能的街道有所区分。上海市街道设计导则4综合考虑沿街活动、街道空间景观特征和交通功能等因素，将街道划分为商业、生活服务、景观休闲、交通与综合 5 大类型。对于街道功能的划分，已有研究主要采用 2 类方骆 晓，甘素辉：上海城市街道环境的大规模测度研究2023 年第 4 期 47 法。第一类结合城市用地规划，街道功能与街道所在区域的用地类型保持一致，比如位于商业用地上的街道就划分成商业街道，该类方法快速简单但得到的部分结果与现实不符18；第二类是通过街道缓冲区内部各类 POI 的数量和占比来区分街道功能，该类方法较为精准，但缓冲区距离大小会对功能划分结果产生影响19。综合考虑已有两类方法的优缺点，通过统计街道段周边的不同类型 POI 的密度和构成实现对街道功能的识别。首先，采用边长为 100 m 的网格对上海市主城区进行划分；然后，统计各个网格内不同类别 POI的数量和占比，依据相应的规则识别网格的功能；最后，根据空间连接关系将网格功能赋予到对应的街道段上（见表 2、图 5）。2.3 街道网络形态识别 街道网络形态分析是营造城市公共空间的基础20。在量化街道网络形态的方法中，空间句法是主流，通常以整合度和选择度为度量指标21。整合度是指单一空间与其他空间之间的集散程度，空间的整合度越高，到达该空间就越容易，即可达性越高。整合度分为全局整合度和局部整合度，其中局部整合度表示在局部范围内空间的集散关系，而全局整合度表示全局范围内空间的表 2 功能识别规则网格功能识别规则商业餐饮、住宿服务、大型或综合购物等 POI数量占比大于 50%生活服务生活服务、小型超市、便利店、政府机构与社会团体等 POI 数量占比大于 50%景观休闲风景名胜、体育休闲等 POI 数量占比大于50%交通POI 数量较少或交通设施 POI 数量占比大于 50%综合商业、生活服务、景观休闲和交通各类功能 POI 占比无明显差异，功能多样图 5 街道功能集散关系。选取空间句法中的全局整合度指标，通过DepthmapX 软件计算，对上海市主城区的街道形态进行分析。2.4 街道视觉要素分析 相关研究证明，建筑、绿化及天空等街道要素会直接或间接地影响城市居民的情绪状态22，因而街道视觉要素是街道客观环境重要的组成部分。近年来，带地理标记的街景数据的可获取性和图像处理技术水平不断提升，越来越多的研究采用街景数据进行大规模的街道环境分析。选用基于 ADE_20K 图像数据集进行训练的全卷积神经网络模型框架对街道全景图片进行语义分割。该模型框架最多可以识别 150 类要素，在街道场景图片训练集和测试集上的准确率均较高23。为了保证模型的运行效率和运行结果的准确性，首先，将上海市主城区约11 万个有效采集点的街道全景图片进行缩放和标准化；然后，基于 CUDA 11.3 和 Pytorch 的深度学习环境，利用 Python 实现模型部署；最后，将预处理后的图片输入模型，计算得到街道图片中道路、建筑、绿化及天空的像素占比。3 大规模测度结果3.1 街道网络形态 采用空间句法，计算得到上海市主城区街道全局整合度（见图 6）。图 6 全局整合度 分别计算不同道路等级的街道全局整合度平均值，结果表明城市快速路、城市主干道等交通功能主导型街道的全局整合度高于城市支路、内部道路等生活功能主导型街道，即更容易到达；分别计算不同功能街道的全局整合度平均值，结果表明综合性街道和景观休闲街道的可达性明显低于其他功能的街道（见图 7、8）。3.2 街道视觉要素3.2.1 空间分布 通过语义分割方法分析上海市主城区街道全景图骆 晓，甘素辉：上海城市街道环境的大规模测度研究2023 年第 4 期 48 片，计算得到街道段视觉要素占比平均值结果，从大到小排序分别为道路占比（32.6%）、天空占比（20.9%）、建筑占比（17.4%）、绿化占比（16.3%）。分内环、内环与中环之间、中环与外环之间 3 个区域统计来看，内环区域的建筑视觉占比显著高于内环外区域，且环线越往外辐射，绿化和天空的视觉占比越高（见表 3）。结果表明，位于核心区的街道建筑视觉占比相对更高，而边缘区的街道道路和天空视觉占比相对更高，符合城市的建筑密度分布和规划特征。分行政区统计来看，黄浦区、静安区和虹口区的建筑视觉占比相对较高，其中黄浦区最高；而嘉定区、宝山区和浦东新区的道路和天空视觉占比之和相对较高，其中嘉定区的天空视觉占比最高；绿化视觉占比前三位分别是杨浦区、闵行区和普陀区。此外，在内环区域浦西的建筑视觉占比明显高于浦东，而绿化和天空视觉占比则相反（见表 4）。表 3 分环线街道视觉要素占比统计单位：%环线道路占比 建筑占比 绿化占比 天空占比内环32.020.914.919.3内环中环32.916.316.720.9中环外环32.815.217.322.3 采用 ArcGIS Pro 软件对街道段的各要素占比进行了空间自相关分析和高低聚类分析，莫兰指数和空间聚类指标计算结果显示 4 类街道主要视觉要素占比均存在显著的空间相关性和高 高聚集的分布特征。因此，为进一步挖掘视觉要素占比的空间分布特征，对街道段视觉要素占比值进行了冷热点分析（见图 9）。根据空间聚类结果，得到以下结论：道路占比高 高聚集区呈现明显的线状分布特征，主要集中在交通性干道及其交叉口附近；建筑占比高 高聚集区主要分布在黄浦区和南京路、陆家嘴、五角场和徐家汇几大商圈；绿化占比高 高聚集区主要分布在公园绿地和校园，例如杨浦区的新江湾城片区、浦东新区的滨江绿地和世纪公园；天空占比高 高聚集区与绿化占比高 高聚集区存在高度的一致性，即主要分布于公园绿地和校园，除此之外还有部分高 高聚集区沿交通性干道分布。3.2.2 分道路等级 分别计算不同道路等级的街道视觉要素占比平均值。从道路占比来看，从大到小排序分别为快速路、主干道、次干道、支路、人行道、内部道路，说明交通主导型街道建筑占比高于生活主导型街道；从建筑占比来看，从大到小排序分别为内部道路、支路、人行道、主干道、次干道、快速路，说明生活主导型街道建筑占比高于交通主导型街道；从绿化占比来看，从大到小排序分别为人行道、次干道、内部道路、主干道、支路、快速路，说明上海市主城区部分支路的沿街绿化有待进一步优化；从天空占比来看，从大到小排序分别为快速路、主干道、人行道、次干道、支路、内部道路，但总体差异不大（见表 5）。3.2.3 分街道功能 分别计算不同功能街道的视觉要素占比平均值。从道路占比来看，从大到小排序分别为交通性街道、综合性街表 4 分行政区街道视觉要素占比统计单位：%行政区道路占比建筑占比绿化占比天空占比杨浦区32.715.818.421.7闵行区32.714.617.522.4普陀区32.316.017.121.0浦东新区32.816.116.821.3长宁区33.516.916.120.8徐汇区33.316.216.121.2嘉定区34.013.115.924.9宝山区33.515.715.722.3虹口区34.419.014.519.8静安区33.119.214.420.5黄浦区29.625.413.818.2图 7 不同等级道路全局整合度平均值对比图 8 不同功能街道全局整合度平均值对比骆 晓，甘素辉：上海城市街道环境的大规模测度研究2023 年第 4 期 49 图 9 街道视觉要素占比冷热点空间分布（a）道路占比冷热点（c）绿化占比冷热点（b）建筑占比冷热点（d）天空占比冷热点道、生活服务街道、商业街道、景观休闲街道；从建筑占比来看，从大到小排序分别为生活服务街道、商业街道、景观休闲街道、交通性街道、综合性街道；从绿化占比来看，从大到小排序分别为综合性街道、景观休闲街道、交通性街道、商业街道、生活服务街道；从天空占比来看，从大到小排序分别为综合性街道、交通性街道、风景休闲街道、生活服务街道、商业街道（见表 6）。4 结语 本研究基于路网、POI 和街景图片数据，采用空间句法、语义分割和冷热点分析方法，从道路等级、街道功能、街道网络形态和街道视觉要素 4 个维度入手大表 5 不同等级道路视觉要素占比平均值对比 单位：%道路等级道路占比建筑占比绿化占比天空占比快速路34.015.814.422.5主干路33.416.316.021.6次干路33.416.116.721.3支路32.718.115.920.4内部道路31.419.116.620.0人行道路32.116.317.321.6规模测度了上海市主城区的街道客观环境，并对不同等级、功能街道的测度结果进行对比。根据研究结果，提出以下结论及建议。（1）从不同等级、不同功能的街道网络形态和街道视觉要素存在一定差异，在未来的街道转型和更新过程中应摒弃一刀切的设计模式，充分考虑街道的异质性，因地制宜等因素。（2）从分环线来看，位于核心区的街道建筑视觉占比相对更高，而边缘区的街道道路和天空视觉占比相对更高，符合城市的建筑密度分布和规划特征。（3）从分行政区来看，绿化视觉占比的前 3 位分别是杨浦区、闵行区和普陀区。在内环区域，浦西的建筑视觉占比明显高于浦东，而绿化和天空视觉占比表 6 不同功能街道视觉要素占比平均值对比 单位：%街道功能道路占比 建筑占比 绿化占比 天空占比交通性街道33.1216.616.1821.2商业街道32.3719.115.7620.1生活服务街道32.4619.215.4720.2景观休闲街道31.9117.416.8421.0综合性街道32.4916.516.8521.3骆 晓，甘素辉：上海城市街道环境的大规模测度研究2023 年第 4 期 50 则相反。（4）上海市主城区天空视觉占比高 高聚集区与绿化视觉占比高 高聚集区存在高度的一致性，且主要分布于公园绿地和校园，但是街道形态分析结果表明景观休闲街道的可达性并不高。因此，在优化城市综合交通系统过程中，应重点提升该类区域的可达性。（5）综合性街道拥有较高的功能混合度，且该类街道的绿化和天空视觉占比都较高，与城市居民对街道多样性的活动需求高度一致，应在城市街道的规划和设计过程中予以重视，充分发挥其提升城市活力的潜能。研究提出的街道环境大规模测度方法充分利用了城市多源大数据基础，可广泛应用于城市更快速、完善的街道环境分析。城市分析结果可从多个维度聚焦城市街道空间问题，精准指导街道的更新与转型。未来在研究内容层面将结合城市居民的主观感知，进一步探讨客观街道环境对城市活动和感知的影响机制；在研究方法层面将提高街道要素识别方法的精度，在街道视觉要素分析中考虑沿街座椅等设施，完善测度指标，以便开展更深入的研究。参考文献：1 简 雅各布斯.美国大城市的死与生 M.金衡山，译.2版.北京：译林出版社，2006.2 Transport for London.Guide to the healthy streets indicators:delivering the healthy streets approachR.London:Mayor of London，Transport for London,2017.3 Toronto City Council.Toronto complete streets guidelinesR.Toronto:Toronto City Council,2014.4 上海市规划和国土资源管理局.上海市街道设计导则 M.上海：同济大学出版社，2016.5 熊文，刘丙乾.国内外街道空间环境评价理论与指标体系研究 C/中国城市规划学会.活力城乡 美好人居：2019中国城市规划年会论文集（06 城市交通规划），北京：中国建筑工业出版社，2019：169-180.6 曹哲静，辜培钦，韩治远，等.面向街道的步行与骑行环境评估：以天津市为例 J.城市交通，2018，16（6）：43-53.7 聂煊城，陈奕言，陈筝.建成环境可步行性研究及测度发展综述 J.南方建筑，2022（4）：88-98.8 杨俊宴，吴浩，郑屹.基于多源大数据的城市街道可步行性空间特征及优化策略研究：以南京市中心城区为例 J.国际城市规划，2019（5）：33-42.9 陈志敏，黄鎔，黄莹，等.街道空间宜步行性的精细化测度与导控：基于虚拟现实与可穿戴生理传感器的循证分析J.中国园林，2022（1）：70-75.10 ZHANG L Z,YE Y,ZENG W X,et al.A systematic measurement of street quality through multi-sourced urban data:A human-oriented analysisJ.International Journal of Environmental Research and Public Health,2019,16(10):1782.11 寇瑞文，余洋，叶超.安全感视角下生活性街道环境要素与设计策略研究 C/中国风景园林学会.中国风景园林学会 2022 年会论文集，北京：中国建筑工业出版社，2023：185-191.12 邓明语.街道视觉环境与犯罪行为建模 D.重庆：重庆大学，2021.13 马俊来.面向规划衔接的完整街道详细分类方法 J.城市交通，2021，19（4）：100-111.14 朱慧儒，张金炳，张鹏岩，等.基于 POI 和 OSM 路网的住宅生活便利度评价：以郑州市主城区为例 J.地域研究与开发，2022，41（6）：81-87.15 中华人民共和国住房和城乡建设部.城市综合交通体系规划标准：GB/T 513282018S.北京：中国建筑工业出版社，2018.16 许泽宁，高晓路.基于电子地图兴趣点的城市建成区边界识别方法 J.地理学报，2016，71（6）：928-939.17 叶宇，张昭希，张啸虎，等.人本尺度的街道空间品质测度：结合街景数据和新分析技术的大规模、高精度评价框架 J.国际城市规划，2019，34（1）：18-27.18 王崇烈，陈冬冬，赵玮雯.北京城市活力分布特征及其与城市秩序关系探索 J.北京规划建设，2021（4）：18-22.19 司睿，林姚宇，肖作鹏，等.基于街景数据的建成环境与街道活力时空分析：以深圳福田区为例 J.地理科学，2021，41（9）：1536-1545.20 EWING R,CLEMENTE O,NECKERMAN K M,et al.Measuring urban design:Metrics for livable placesM.Washington,D C:Island Press,2013.21 毛媛媛，李凤仪，殷玲，等.基于网络形态的街道空间环境与“两抢一盗”犯罪的关系研究：以 HS 市原 DP 区为例 J.地理研究，2022（11）：2866-2883.22 CHEN C X,LI H W,LUO W J,et al.Predicting the effect of street environment on residents mood states in large urban areas using machine learning and street view imagesJ.Science of The Total Environment,2022,816:151605.23 YAO Y,LIANG Z T,YUAN Z H,et al.A human-machine adversarial scoring framework for urban perception assessment using street-view imagesJ.International Journal of Geographical Information Science,2019,33(12):2363-2384.骆 晓，甘素辉：上海城市街道环境的大规模测度研究