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 黄鎔 张灵珠

随着中国城市发展步入后半程，当前城市设计正在进入以存量设计为主导类型、以品质提升为主要任务的新阶段[1]。在此背景下，切实、有效地提升城市空间品质已成为城市建设新阶段的工作重点之一。2015年中央城市工作会议和2017年城市双修都明确指出改善人居环境、提升空间品质是当前工作的重点。在国家发展思路转变的同时，地方政府对于城市空间品质的追求也日益提升，相关品质导向的设计实践不断涌现。既有立足宏观层面，将品质营造融入各层级城市更新与设计的探索，也有聚焦微观层面的微更新和微改造尝试[2]。

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，越来越多的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[3]。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[4]，其影响和应用非常广泛，常被用于探究建成环境对于居民通勤或活动的影响。之后，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）这2个变量[5]，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，其用途不限于单纯的自然和生态环境改善，还具有城市触媒效应，可作为富有活力的城市公共空间来激活片区、重塑风貌[6-7]。随着这一现象在业界与学界成为共识，绿道已作为城市更新中重要的部分成为越来越多研究和设计实践中被讨论的对象[7]。在最近几十年中，由于高密度城市中心区空间有限，将现有城市空间转变为绿道已成为一种流行的解决方案，这方面著名的例子有纽约的高线公园（High Line）、亚特兰大环线项目（The Atlanta Belt Line）和首尔的高线公园（Seoul High Line）等。城市绿道作为重要民生工程，理应更多从人本视角出发，开展人本尺度的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，提升市民在日常生活中的幸福感和获得感。然而，传统城市绿道适宜性分析仍面临着一些问题和挑战：一方面，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，进而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，覆盖全国范围细粒度的建成环境多维度探索成为可能，推进了对于城市设计更加精细化的定量研究需求。一方面，新分析技术不断涌现，GIS技术与 Geodesign理念在城市设计领域的逐渐运用提供了量化分析手段，智能化算法支持下的空间分析有望为空间本底识别与选线效能评估提供科学化支持；另一方面，道路网络、兴趣点、建筑底图等高精度开放数据的出现为传统不可测数据的测量提供了新的机会[8]，多源数据支持下的用户画像也有助于针对性地开展精准设计。这些新数据与新技术能提供人本尺度的精细化空间特征抽取，从而测度以往难以精准评估的各类空间品质，为人本城市设计提供新的可能[9-10]。

在此背景下，以往难以有效运用于实践的5D要素的量化分析也逐渐涌现[11]。例如，相较于传统测量方式，位置服务数据（location based service, LBS）定位数据可提供大范围、全时段的人群行为活动信息[12]；采用兴趣点数据（points of interest, POI）可对街道主导功能和功能多样性进行分析[13-15]；结合街景数据（street view images, SVIs）与机器学习，绿化可见度、街景品质等可以被更高效、更精细化的评价[16-18]；街道基础数据和空间设计网络分析（spatial design network analysis, sDNA）软件的结合让大规模且精准的街道网络可达性测度成为可能[19-20]。

综上所述，多源城市数据的快速涌现，为采用5D理念测度建成环境品质提供了深入分析的可能。既有研究大多专注于建成环境品质的单一维度，仅有少数研究者综合了 2个或多个维度进行街道品质测度[21]，一次性整合建成环境五要素的系统性分析则更为少有。针对这一研究现状，本研究计划立足使用者的人本视角，借助新数据和新技术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。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，即“在哪做”，和路段特征画像，即“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的LBS、POI、路网基础数据、美团营业时长数据、SVIs、精细化建成环境数据等多源数据。其次，从数据集中提取代表5D理论的 8个关键变量。此外，由于是面向实施的项目，还将路段的最大连续非机动化断面宽度作为可建设性指标（表1）。再次，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。最后，利用雷达图绘制典型路段的特征画像。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Research design framework

表1 关键维度的定量化测度路径Tab. 1 Quantitative measurement approaches of key dimensions

2.2 研究案例：上海苏州河两岸片区

研究范围为苏州河两岸静安区南部区域，东起河南北路，西至江宁路，南至北京西路，北至交通路，总用地面积约440 hm2。其中，研究范围内苏州河北岸岸线长4.7 km，南岸岸线长1.6 km（图2）。静安区面积小，人口密度高，约6.4万人/km2，居上海市各区首位。但至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。与此同时，该片区可规划的建设用地较少，绿地增量空间十分有限[22]。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[23]。

2 研究范围Study area

2.2.1 高密度开发

相关测度从服务区开发强度、基于LBS的活动密度及基于街景数据筛选的人行计数3个方面进行。其中，开发强度的计算基于建筑三维空间数据，计算街道100m缓冲区范围内的建筑容积率，即开发强度=缓冲区内总建筑面积/缓冲区面积。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。在绿道网络规划时，应考虑优先选择高密度开发的街道。

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。工作日共收集到20 405个数据点，周末共收集到15 436个数据点。如图 3所示，每个点代表一个大小为 30 m的网格，数值高低代表活动强度大小。接着利用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[13]，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。

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LBS positioning service data obtained from the Tencent platform, taking the weekend (18:00May 31, 2020) as an example

对于街道行人计数，使用的是香港城市大学、北京交通大学和同济大学研究者新近提出的方法，在天津的实证研究中显示与实地手工观测数据有较好一致性[24]（图4）。具体操作上，首先以30 m为采样间距生成街景采样点，同时计算每个采样点的经纬度以及采样点所在街道段的地理方位；其次设置街景下载参数，通过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；接着对街景进行裁剪，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。此外由于街景获取的是某一个时间点该采样点的行人数量，而每条街道段有多个采样点，行人在时空间上又是不断流动的，因此以每一个街道段采样点的平均值代替该街道段的行人计数。

4街道人行计数提取示例Example of pedestrian count detection

2.2.2多样性

多样性从基于POI数据的功能多样性和基于美团数据的日均营业时长2个方面进行度量。随着移动互联网的普及，网上数据与实体设施之间的关联度日益紧密，让这一数据源成为城市研究的重要资源。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，所有数据分为包括餐饮服务、教育、医疗服务和交通设施等在内的不同类别，可形成对于城市中各项功能设施（商业、商务、餐饮、公共服务等）的空间分布特征展示（图5）。

获取数据之后，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 000m内[25]的POI总数；2）采用广泛使用的熵指数[26]来衡量多样性，该指数已应用于许多建成环境研究中[13]，具体计算公式为：

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，多样性数值（Di）介于0 到1之间，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不同，差别较大，因此将店铺营业时长归纳为早上06：00营业至下午15：00，上午09：00—10：00营业至下午15：00—18：00，上午08：00—10：00营业至晚上18：00—21：00，上午09：00— 10：00营业至晚上21：00—22：00，早上06：00营业至晚上22：00—0：00，早上06：00营业至凌晨0：00—03：00，中午11：00—12：00营业至深夜03：00—06：00，24 h营业8类 （图6）。随后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。

6街道营业时长分布提取示例Example of street business hours distribution

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，它无形且难以测量。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定量测度方法[13,27]。本研究中，对街道空间视觉品质的测量包括 3个步骤。首先，在2020年5月，通过调用百度街景的API自动查询活动抓取覆盖研究范围2 485个样本点的街景图像，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Distribution of sampling points for capturing street-view images (SVIs)

其次，利用基于机器学习算法的卷积神经网络工具（SegNet）[28]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，其可操作性定义依次为：绿色植被、天空、建筑界面、机动车道、步行道、栅栏灯杆等街道设施及家具在街景图像中像素点的比例。随后通过邀请专家对于样本图片进行两两比对（5 000次/人×10人），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，可在ArcGIS中通过网络分析计算得到。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。sDNA采用标准路径中心线方法建构网络，与目前能获取的大多数地图兼容。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分析空间的“中间性”（betweenness），以表达行人选择该路段作为穿越性运动通道的潜力，判断研究范围内可达性最佳的街道路段。空间网络分析中，不同分析半径下的可达性结果对应着不同出行行为的出行潜力。考虑到诸多实证研究表明轨道站步行影响范围为500～800m[28]，因此本研究选用适合日常步行的800m作为分析半径。

2.2.6 可建设性

作为面向实施的项目分析，除了从经典5D理论中提取的5个维度因素外，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作为衡量街道慢行空间的可建设性指标。最大连续非机动空间是指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，这一宽度数值越大，在后续规划建设中的腾挪空间越大，越便利于相应慢行空间的设计。

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

3.1.1 关键维度的分析结果

为了方便比较，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，按其数值由高到低等分为5类，具体划分基于ArcGIS的分位数（quantile）方法。 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的路段对人们吸引力也更大，应优先考虑纳入慢行空间体系 （图8-1～8-3）。同时，功能多样性高、营业时长较长的街道，能够提供更为丰富的活动 （图8-4、8-5）。此外，较高的街道空间品质使人身心愉悦，可提升街道吸引力，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）。

8 影响绿道选线潜力的8类要素分布Distribution of eight elements affecting the potential of greenway suitability8-1 密度分析：建筑密度Density analysis: building density8-2 密度分析：活动密度Density analysis: activity density8-3 密度分析：人行密度Density analysis: pedestrian density8-4多样性分析：功能多样性Diversity analysis: functional diversity8-5多样性分析：营业时长Diversity analysis: business hours8-6 设计品质分析：视觉品质Design quality analysis: visual quality8-7 交通设施距离分析：距地铁距离Transport facilities distance analysis: distance to metro stations8-8 目的地可达性分析：路段可达性Destination accessibility analysis: road accessibility

最后，非机动车道断面宽度越大，在一定条件下越容易成为潜在慢行空间，如图9 所示，在研究区域内，苏州河北岸地铁汉中路站附近的恒丰路、恒通路、光复路，地铁曲阜路站附近的曲阜路、西藏北路、晋元路、乌镇路等路段，以及苏州河南岸的新闸路等路段的最大连续非机动化空间较宽，应当优先考虑纳入慢行空间体系。

9 非机动化断面宽度分布Distribution of non-motorized section width

3.1.2 基于层次分析法的权重测定

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。根据前述分析，选定6个维度的 9个因素构建指标层，通过两两判别矩阵比较指标之间的重要性程度分异，对重要性程度按1～9赋值，数值越高表示前者比后者重要程度越高，最终确定各因素权重并进行整数化处理（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Tab. 2 The evaluation of urban greenway construction potentials: impact weights of six dimensions and nine sub-items

3.1.3 绿道选线潜力评估

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Distribution of urban greenway construction potentials

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比较值得注意的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（天目西路—共和路路段，图11），其两侧建筑较高、开发强度大，街道两侧建筑界面多为商业型，与地铁站曲阜路站距离较近，空间本底情况较好，红线和非机动车宽度较窄，但步行通道较宽，步行可达性强，适合慢行。空间使用活力较高，活动量、街道活力以及经济活力较高，现状和规划的流量分布较低。空间感知街道品质较高，绿视率和街道空间围合度较高，而步行可见性略低。空间环境较好，开发强度和公交便利度较高，但绿地水体临近性以及日常生活便利度较差。总体而言，空间本底好、空间使用活力较高、空间感知品质以及环境优越，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。

11 城市绿道建设高潜力路段特征画像Characteristic portrait of high potential greenways

第二类街道绿道空间本底相对较差，空间红线和步行通道较窄，未设非机动车道，步行可达性较弱，不太适宜步行；而且空间使用活力差，活动量经济活力、现状和规划的流量分布差，街道活力一般（图12）。但空间感知街道品质较高，街道空间围合度较高，街道绿视率高。空间环境一般，开发强度、公交便利度较差，日常生活便利度差，但绿地水体临近性、社区级以上便利度较好。总体而言，其空间感知品质高，但空间本底情况、空间使用活力、空间环境及步行可达性较差，具有相对次高的更新潜力，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。

12 城市绿道建设中高潜力路段特征画像Characteristic portrait of medium-high potential greenways

4 讨论与展望

4.1 分析架构立足于经典理论与新数据新技术的深度融合

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，立足经典理论，借助新数据新技术，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，是数字化城市设计背景下的新探索。经典理论与新数据新技术的深度整合，可为人本导向的景观与城市设计实践提供有力支持。

4.2 微观尺度特征与大规模分析协同的人本城市设计探索

由于缺乏适当的数据和工具，以往城市绿道设计的研究与实践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。与依赖GIS叠置分析的传统适宜性评价相比，本研究提供了一种立足人本视角且更为全面系统的分析方法。

4.3 研究局限与下一步工作

本研究所提出的分析技术仍有一定局限性。首先，当前分析主要适用于绿道选线潜力评估和路段特征画像，对大尺度绿道选点并不适用，有待下一步研究探索。其次，多种互联网数据，例如LBS与POI数据的信度与效度存在进一步提升的空间。未来研究中可进一步整合多种来源的数据开展校准，以提升准确度。此外，本研究所使用的预训练深度学习模型无法通过街景图片中植物的空间特征来区分绿色植被的具体种类，未来计划开展典型植被的再训练，从而提供更精准的绿化特征识别。还需指出，当前研究中采用的AHP权重配置基于专家群体经验。相关结果与公众经验之间可能存在一些偏差，未来的相关分析应尝试收集居民对于这些评价指标的认识，对各要素权重进行纠正。

致谢(Acknowledgments)：

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(Sources of Figures and Table)：

文中图表均为作者绘制。