芮麗燕（上海市建筑科學研究院有限公司，上海 201108）

城市綠色空間建設是城市生態(tài)的重要構成部分，在緩解城市熱島，固碳釋氧，改善城市微氣候，維持生態(tài)平衡等方面起著重要作用。目前，我國常用的綠化評價指標仍局限于傳統(tǒng)的二維平面綠化評價指標，例如綠地率、綠化覆蓋率等。但實際上，景觀綠化除了提供生態(tài)效益外，在人居環(huán)境舒適性體驗及情緒調節(jié)方面也具有顯著作用?？紤]到綠色空間對人的心理感知方面的影響，綠視率指標被提出來了。像一些高密度發(fā)展的城市也頻頻應用“綠視率”指標進行綠化規(guī)劃，如新加坡、東京等。

我國近些年來也展開了對綠視率的研究，由于綠視率的傳統(tǒng)測量方法比較繁瑣，所在早年綠視率研究不多、測量范圍也不廣。如今，在新數(shù)據(jù)環(huán)境下綠視率的獲取及識別技術也在進行創(chuàng)新，當前也需要對此進行總結。

1 綠視率概念

人在環(huán)境中所接收到的信息有 90% 是來源于視覺。環(huán)境綠量會影響人的心理感受，綠色自然環(huán)境會對人的神經系統(tǒng)產生積極的刺激，幫助人們舒緩緊張壓抑的情緒。1987 年，日本學者青木陽二提出可以將人眼視野范圍內綠色植被占比作為人對綠色環(huán)境感知的度量，定義為“綠視率”。根據(jù)相關研究與實踐，當綠視率高于 25% 時，會產生綠化較好的心理感受，當綠視率 ＞50% 時人能感知到更多的綠色并產生舒適的心理感受。

我國的綠化評價指標主要是以改善生態(tài)環(huán)境質量為目的。目前有關綠化評價指標有 20 多種，包括：綠地率、綠化覆蓋率、綠量、綠容率等。不同與以上這些綠化評價指標，綠視率指標是從人的綠意感受角度出發(fā)形成的新的綠化評價指標，更有利于評價和提升綠化環(huán)境的綠量感知度及滿意度，符合當下城市建設人性化的發(fā)展趨勢，契合社會健康的發(fā)展需求。表 1 為綠視率與目前常用的綠化指標比較。

表1 綠化指標比較

2 研究文獻分析

2.1 文獻發(fā)表數(shù)量及引證文獻

本文綠視率文獻發(fā)表及引證文獻量研究基于中國知網(wǎng)數(shù)據(jù)庫，具體文獻檢索過程如下，檢索主題“綠視率”，檢索類型 “期刊”，檢索時間范圍 “不限”。檢索時間截止到為 2021 年 4 月 21 日，找到符合主題綠視率的研究型和綜述論文共計 102 篇。其中，“綠視率”首次在國內被提到是在 1998 年居住區(qū)環(huán)境設計的文章中，當時該文就提高小區(qū)綠化的綠視率的重要性和常見措施方法。

國內關于綠視率研究的發(fā)文量統(tǒng)計如圖 1 所示。從整體來講，國內對綠視率的研究還較少。在 1998—2017 年，綠視率相關的發(fā)文量較低，每年的發(fā)文量＜10 篇。綠視率發(fā)文量有明顯增長趨勢是發(fā)生在 2018，從 2018 年到至今綠視率發(fā)文量達到 43 篇，占總發(fā)文量的 42%。相應的，引證文獻也從 2016 年開始有激增趨勢，2020 年引證文獻也達到了168 篇。根據(jù)圖 1 的變化趨勢可以說明雖然綠視率這個概念在早期就已經傳入了國內，但了解的人不多。而近年，由于概念和時代的契合性，已有學者陸續(xù)開展研究。

圖1 綠視率發(fā)文數(shù)量及引證文獻數(shù)量的增長趨勢

2.2 關鍵詞分析

本文利用 CiteSpace V（版本 5.7.R 5）的共現(xiàn)功能對102 篇文獻進行高頻關鍵詞分析，了解綠視率熱點研究領域。CiteSpace[1]是目前具有代表性的科學文獻分析軟件之一，可用于文獻數(shù)據(jù)挖掘和信息可視化展示。

如圖 2 關鍵詞共現(xiàn)圖譜所示，高頻關鍵詞除了“綠視率”之外還有“綠化覆蓋率”“綠地率”“風景園林”“城市道路”“居住區(qū)”“卷積神經網(wǎng)絡”“機器學習”和“南京”等。

圖2 關鍵詞共現(xiàn)圖譜

對于一個新的綠化評價指標，將綠視率與綠地率和綠化覆蓋率等常用指標比較研究的過程是必不可少的。通過街道的綠視率及綠化覆蓋率的測量和比較，發(fā)現(xiàn)綠化覆蓋率和綠視率指標呈正相關，但相關性較弱，表明綠化覆蓋率和綠視率這兩個指標確實是從不同角度出發(fā)評價綠化質量，并不可相互替代。

同時，隨著人工智能的發(fā)展，“卷積神經網(wǎng)絡”“機器學習”等技術也用于綠視率的研究中，成為綠視率研究中頻次較高的關鍵詞。通過機器學習圖像識別的方式可實現(xiàn)綠視率自動計算，從而使大范圍綠視率統(tǒng)計獲得了可能。

“南京”是對綠視率研究最早且關注最高的城市之一，早在 2003 年南京市綠化委員會就有發(fā)文表示提高主城綠視率的建設是建設綠色南京的重要環(huán)節(jié)。根據(jù)近年來南京街道綠視率的調研，南京街道綠視率整體水平較好，綠視率在30% 左右，主城區(qū)街道綠視率相對較低在 20% 左右。

根據(jù)詞頻分析，綠視率研究應用廣泛集中于城市街道、風景園林、居住區(qū)等領域。根據(jù)日本學者折原夏志的5 段評價劃分標準，綠視率＜5% 為綠化感知差，綠視率5%～15% 為綠化感知較差，綠視率 15%～25% 為綠化感知一般，綠視率 25%～35% 為綠化感知較好，綠視率超過35% 綠化感知好。如圖 2 所示，根據(jù)現(xiàn)有文獻調查顯示，我國目前已調研中的省、市、區(qū)、縣、街道的平均綠視率都達到了一般水平，更有接近 80% 的已調研區(qū)域達到全球主要城市平均綠視率 19.03% 的水平?？傮w來說，我國街道綠視率分布規(guī)律為南方地區(qū)、城市景觀資源好的地區(qū)街道綠視率較高，北方寒冷地區(qū)、老城區(qū)街道綠視率相對較低。相比城市街道綠視率調研結果，城市公園、園林等區(qū)域內的綠視率相對較高，平均綠視率在 50% 左右，如表 2 所示。而住宅綠視率因為住宅類型、綠化布局形式、空間設計等因素，綠視率水平差距較大，范圍可達 10%～30%，如表 3 所示。除了以上 3 個為主要應用領域外，綠視率還被用于評價一些特殊區(qū)域，例如醫(yī)院戶外環(huán)境設計、高架橋景觀空間、地下空間、商業(yè)空間等，表 4 總結了在其他空間的綠視率調研結果。

表2 生態(tài)空間綠視率調研

表3 居住空間綠視率調研

表4 其他空間綠視率調研

圖3 街道綠視率的調研

3 綠視率的測量方法

3.1 測點及時間選取

對于綠視率測點的選擇，通?？梢苑譃橄到y(tǒng)抽樣法和分層抽樣法。系統(tǒng)抽樣法是將調查區(qū)域看作一個整體，對區(qū)域進行均衡地劃分，從每個區(qū)域內抽取一個測點，該方法具有一定的普遍性和客觀性。目前在城市街道上常見的是以50～250 m 為間距劃分，根據(jù)道路長度決定，一般每條道測點≥5 個。住宅道路綠視率測點間距基于室外空間視覺尺度理論，通常是以 24 m 為間距劃分[5]。分層抽樣法是指根據(jù)項目特點針對主要研究區(qū)域進行劃分抽樣，該方法選取的測點更具有代表和針對性，但因為劃分過程中具有一定的主觀性，所以也容易造成人為誤差。

每個綠視率測點的數(shù)值為多個不同方向的綠視率平均值，一般取 4～8 個方向。測點拍攝的方向及角度通常按照道路的主要形態(tài)決定，在比較規(guī)整的街道上測量，通常按測點前后左右 4 個方向進行測量，將 4 個方向的平均值作為該測點綠視率。

3.2 圖像獲取

目前獲取綠視率的圖像的方式主要有兩種，一種是通過傳統(tǒng)現(xiàn)場圖像采集，另外一種是通過街景地圖進行采集。傳統(tǒng)的現(xiàn)場調研拍照方法需要將最接近人眼成像效果的焦距24 mm 相機固定在大約 1.5～1.6 m 處（成人視線高度），進行實景照片拍攝。街景地圖采集法通過利用谷歌、騰訊街景、百度街景地圖等平臺提供免費的 API 開發(fā)接口，下載和調用街景靜態(tài)圖片，該方法可在短時間內獲得采樣點 4 個方向的街道立面圖片數(shù)據(jù)，可以有效的避免了現(xiàn)場采集的繁瑣和安全隱患。

雖然相比之下，傳統(tǒng)的方法需要耗費大量的人力和時間，但在街景地圖難以覆蓋的區(qū)域，例如住宅區(qū)、生態(tài)公園等，還是需要依賴傳統(tǒng)的測量方法。所以考慮到綠視率指標的推廣，在街景無法覆蓋的區(qū)域如何利用現(xiàn)有技術去簡化綠視率傳統(tǒng)測量方法的繁瑣過程也是未來研究需要解決和突破的地方。

3.3 圖像處理與計算

綠視率圖像處理與計算方法也分為傳統(tǒng)人工和自動化圖像處理方法。傳統(tǒng)人工圖像處理方式可以通過像素或網(wǎng)格計算方法進行，需要借助 Photoshop、Matlab、GIMP 等圖像處理軟件對圖像進行處理。這兩種方法均需要人工操作（如手動框選、網(wǎng)格劃分等），這不僅導致人工誤差的出現(xiàn)，而且費時費力。

所以隨著計算機發(fā)展，綠視率的圖像處理方式也朝著自動化的方向發(fā)展。近年來，大量學者們也嘗試實現(xiàn)綠視率的自動、批量化計算。郝新華和龍瀛[13]通過圖像中植物 HSV范圍，彭銳和劉海霞[14]通過圖像中植物色調、飽和度、明度范圍，對照片中的每個像素進行色彩判斷，開發(fā)了自動計算綠視率的算法。但該方法也存在缺陷，這種基于 HSV 或HSL 色彩識別的方法容易受天氣、季節(jié)、光照和拍攝角度的影響，也容易將非自然的綠色物體，例如綠色汽車、綠墻壁等，納入到綠視率的計算中，導致計算產生較大誤差。

在深度學習和無人駕駛技術的蓬勃發(fā)展下，圖像語義分割技術極大地推動了綠視率自動化計算的發(fā)展。一系列用于圖像語義分割的開源模型，例如卷積神經網(wǎng)絡模型（CNN）、完全卷積網(wǎng)絡(FCN)等常見模型，通過數(shù)據(jù)集訓練后能被用于識別街景圖像元素，包括植被、道路、建筑、天空等，可以實現(xiàn)綠視率計算的自動化[8],[15]。目前常用于城市街景語義分割識別的數(shù)據(jù)集有 CamVid、CityScapes、Mapillary Vistas、Apollo Scape 、DD100k、Synthia、KITTY 等，如表 5所示。

表5 街景數(shù)據(jù)集

4 結 語

由于高度自然的視覺感受能減輕壓力、愉悅心情，對增強免疫系統(tǒng)功能和心理健康恢復等都有積極的作用。將綠視率用于衡量或評價城市街道、休憩空間及住宅景觀等期望獲得療愈功能的場所，具有重要意義。目前隨著人工智能技術的發(fā)展，綠視率測量計算的效率也大大提升，有利于對城市街道進行大范圍的綠視率評估。針對綠視率不足的區(qū)域，我們可以通過調整植物配置形式、增加立體綠化等方法提高綠視率。其次，針對居住區(qū)等空間的綠視率測量還需要優(yōu)化，例如圖像采集方式，在未來可考慮采用無人機等自動化照片采集方法，減少照片采集的時間和人力成本。在綠視率計算精準度上，目前，圖像語義分割識別方法是基于城市街景數(shù)據(jù)集訓練的。針對不同區(qū)域的綠視率測量，在未來可考建立更具有針對性的訓練數(shù)據(jù)集，提高識別和計算的精準度。