彭婧麟 張澍

一、引言

隨著中國城市化進(jìn)程的發(fā)展，交通擁堵、住房緊張等“城市病”不斷涌現(xiàn)，許多城市建立了實時監(jiān)測、定期評估、動態(tài)維護(hù)的城市體檢評估機制[1，2]。城市專用自行車道作為重要的體檢指標(biāo)，在綠色出行設(shè)施評估方面扮演著重要角色[3]。然而，由于部門獲取渠道不暢、人工調(diào)研成本較高等問題，增加了該指標(biāo)的獲取難度。街景數(shù)據(jù)憑借其開放性等特征，廣泛應(yīng)用于街巷視角的城市問題分析中，為專用自行車道的提取提供可能[4，5]。本研究通過OSM道路交叉口設(shè)置采樣點，爬取贛州市建成區(qū)百度街景數(shù)據(jù)，利用圖像識別技術(shù)、特征提取算法和隨機森林分類含有自行車道的圖像，對采樣點重新賦值，提取專用自行車道，應(yīng)用于城市體檢工作之中。本研究應(yīng)用的方法能夠應(yīng)用于贛州專用自行車道的提取工作，有助于為城市專用自行車道等體檢指標(biāo)提供數(shù)據(jù)和方法支撐。

二、研究區(qū)與數(shù)據(jù)

本研究選擇贛州市建成區(qū)作為研究區(qū)域。市轄區(qū)建成區(qū)范圍為市轄區(qū)內(nèi)實際已開發(fā)建設(shè)并集中連片、基本具備基礎(chǔ)設(shè)施和服務(wù)設(shè)施的區(qū)域，截至2020年底，市轄區(qū)建成區(qū)面積為202.48平方公里，人口197.52萬人。

本次研究選擇OSM（OpenStreetMap）道路數(shù)據(jù)作為贛州市建成區(qū)路網(wǎng)數(shù)據(jù)，選擇百度街景數(shù)據(jù)作為街景圖像數(shù)據(jù)源。對OSM路網(wǎng)進(jìn)行合并多車道、簡化路網(wǎng)和拓?fù)涮幚恚@取簡化后的道路網(wǎng)數(shù)據(jù)。本研究選擇道路端點采樣采集街景數(shù)據(jù)，即在道路交叉口設(shè)置采樣點，兩個相鄰交叉口均含有自行車道的，將兩個交叉口之間的路段視為含有專用自行車道。因此在簡化處理后的路網(wǎng)交叉口設(shè)置采樣點。而后，基于百度開放平臺街景API、采樣點坐標(biāo)采集贛州市建成區(qū)街景數(shù)據(jù)。

三、方法與結(jié)論

自行車道通常指地面劃線或物理隔離的自行車獨立路權(quán)的道路，不允許行人或其他車輛進(jìn)入，通常包含劃線自行車道、物理隔離的自行車道和混行自行車道。本研究主要針對地面劃線或設(shè)置物理隔離的專用自行車道進(jìn)行提取，這類自行車道具有顏色鮮艷或被花壇、柵欄等物理設(shè)施分隔的特征。Smith等人（2013）利用計算機圖像識別技術(shù)和隨機森林，分類街景圖像中的人行道[6]。本研究從街景圖像分類出專用自行車道的工作流程構(gòu)建基于此框架：分別收集訓(xùn)練和測試數(shù)據(jù)，利用圖像識別和特征提取算法分割每個街景圖像，同時基于MATLAB半自動方式注釋每個分割片段的真實標(biāo)簽。從圖像中提取特征集，包括水平、垂直幾何背景、RGB和HSV直方圖以及分割片段位置信息等。采用隨機森林對自行車片段進(jìn)行學(xué)習(xí)，分類出含有專用自行車道的測試圖像。最終，對采樣點重新賦值，提取完整的專用自行車道。本流程基于MATLAB和ArcGIS實現(xiàn)，完成對專用自行車道的提取工作。

而后，通過人工檢驗方式，對機器學(xué)習(xí)的專用自行車道識別結(jié)果進(jìn)行評價。通過圖片識別正確率、節(jié)點識別正確率、路段識別正確率對評估精度進(jìn)行評價，并采用路段識別正確率作為結(jié)果精度。進(jìn)而，選擇專用自行車道密度指標(biāo)，對贛州專用自行車道建設(shè)情況進(jìn)行評價。結(jié)果顯示：（1）本研究所應(yīng)用的方法針對專用自行車道提取的圖片識別正確率為77.24%，道路識別正確率為83.56%，精度較高，能夠應(yīng)用于專用自行車道提取工作中。（2）贛州建成區(qū)整體專用自行車道密度達(dá)到1.51 km/km2，達(dá)到《城市道路交通規(guī)劃設(shè)計規(guī)范》（GB502220-95）要求。

本研究通過對贛州建成區(qū)及各個組團(tuán)專用自行車道密度進(jìn)行計算，結(jié)合空間分布分析，分析其在城市體檢工作中的應(yīng)用。結(jié)果顯示：（1）贛州各個組團(tuán)專用自行車道建設(shè)情況存在較大差異，章貢區(qū)和蓉江新區(qū)相對較高，贛州經(jīng)開區(qū)和贛縣區(qū)相對較低。（2）章貢區(qū)、蓉江新區(qū)綠色出行設(shè)施和綠色出行占比較高，南康區(qū)、贛縣區(qū)在公交站點覆蓋率方面，贛州經(jīng)開區(qū)、贛縣區(qū)在專用自行車道方面相對薄弱，有待在城市建設(shè)中予以補足。

四、討論

結(jié)果顯示，本次研究中利用提取方法總體上能夠很好地應(yīng)用于提取專用自行車道。未來的自行車道的提取工作可以從合理利用多源數(shù)據(jù)、改善分類方法等方面進(jìn)行優(yōu)化?；ヂ?lián)網(wǎng)地圖在線標(biāo)記功能為用戶提供自愿分享和共享信息的接口，這類眾包數(shù)據(jù)可以作為專用自行車道可靠、廣泛的數(shù)據(jù)來源。無人機遙感數(shù)據(jù)也可以作為補充性數(shù)據(jù)匯入圖像數(shù)據(jù)集。同時，在道路節(jié)點中間段位置增加采樣點提高數(shù)據(jù)精準(zhǔn)性。在算法方面，采用改進(jìn)的圖像識別和特征提取算法增加特征集精確度，加入更多提取特征如車道寬度等用于自行車道分類。

同時，針對結(jié)果應(yīng)用方面，本研究在城市整體層面對專用自行車道密度進(jìn)行計算外，從空間分布、指標(biāo)關(guān)聯(lián)兩個角度對專用自行車道密度進(jìn)行分析，分析各個組團(tuán)綠色出行特征。由于本研究主要針對單個城市、單期數(shù)據(jù)進(jìn)行分析，缺乏其他城市、其他年份的指標(biāo)數(shù)據(jù)，有待從多時段、多城市對比等角度對贛州專用自行車道建設(shè)情況進(jìn)行系統(tǒng)性的分析。

參考文獻(xiàn)：

[1] 張文忠，何炬，諶麗.面向高質(zhì)量發(fā)展的中國城市體檢方法體系探討[J].地理科學(xué)，2021，41（01）：1-12.

[2] 石曉冬，楊明，金忠民，等.更有效的城市體檢評估[J].城市規(guī)劃，2020，44（03）：65-73.

[3] 中華人民共和國住房和城鄉(xiāng)建設(shè)部.住房和城鄉(xiāng)建設(shè)部關(guān)于開展2021年城市體檢工作的通知：建科函〔2021〕44號[A/OL]. （2021-04-30）[2022-01-07]. https：//www.mohurd.gov.cn/gongkai/fdzdgknr/tzgg/202104/20210430_250011.html.

[4] 葉宇，張昭希，張嘯虎，等.人本尺度的街道空間品質(zhì)測度—結(jié)合街景數(shù)據(jù)和新分析技術(shù)的大規(guī)模、高精度評價框架[J].國際城市規(guī)劃，2019，34（1）：18-27.

[5] 李澤，關(guān)睿，李雪，等.基于多源數(shù)據(jù)的老城街區(qū)建成環(huán)境對居民BMI指數(shù)的影響研究[J].住區(qū)，2021（02）：47-55.

[6] Smith V， Malik J， Culler D. Classification of sidewalks in street view images[C]// International Green Computing Conference. IEEE Computer Society， 2013.