郭茂祖，王偲佳，王鵬躍，李 陽(yáng)，趙玲玲

(1.北京建筑大學(xué)電氣與信息工程學(xué)院，北京 100044；2.建筑大數(shù)據(jù)智能處理方法研究北京重點(diǎn)實(shí)驗(yàn)室(北京建筑大學(xué))，北京 100044；3.北京建筑大學(xué)建筑與城市規(guī)劃學(xué)院，北京 100044；4.哈爾濱工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江哈爾濱 150001)

街區(qū)作為城市結(jié)構(gòu)的基本組成部分，是城市規(guī)劃和設(shè)計(jì)中的重要研究對(duì)象。城市街區(qū)的品質(zhì)、功能等方面的評(píng)估分析工作也是城市規(guī)劃和設(shè)計(jì)工作中必不可少的一環(huán)。城市規(guī)劃和設(shè)計(jì)領(lǐng)域中所定義的街區(qū)通常是指被道路包圍的區(qū)域，或借助其他自然特征或人文特征進(jìn)行劃分的區(qū)域。街區(qū)的品質(zhì)評(píng)價(jià)方法能夠以統(tǒng)一的測(cè)度指標(biāo)對(duì)各街區(qū)的品質(zhì)進(jìn)行客觀評(píng)估。街區(qū)品質(zhì)評(píng)估的結(jié)果可以作為街區(qū)品質(zhì)提升工作和后期街區(qū)建設(shè)規(guī)劃工作的基礎(chǔ)，有著重要的價(jià)值和意義。

已有的城市街區(qū)品質(zhì)評(píng)估方法側(cè)重于物質(zhì)空間及社會(huì)屬性[1]。目前對(duì)于城市街區(qū)品質(zhì)評(píng)估的研究，以及街區(qū)品質(zhì)評(píng)估體系的構(gòu)建、測(cè)度指標(biāo)的制定和品質(zhì)類別的區(qū)分等仍以定性研究[2,3]為主。街區(qū)品質(zhì)類別的確定主要由業(yè)內(nèi)資深專家基于業(yè)內(nèi)文字概念的定義、描述以及從業(yè)多年的經(jīng)驗(yàn)積累進(jìn)行主觀判斷，由于不同職業(yè)培養(yǎng)體系和不同文化背景下的業(yè)內(nèi)專家對(duì)于城市街區(qū)品質(zhì)類別的認(rèn)知和偏好略有不同，所以導(dǎo)致主觀判斷得出的街區(qū)品質(zhì)評(píng)估結(jié)果不統(tǒng)一，缺乏科學(xué)的評(píng)判標(biāo)準(zhǔn)。

針對(duì)這些弊端，有研究人員提出了基于街景的智能評(píng)價(jià)方法[4,5]和基于生物傳感器的感知評(píng)價(jià)方法[6]。在近幾年的研究中，Rundle等[7]利用街景圖像對(duì)紐約37個(gè)步行街區(qū)環(huán)境美感與其他物質(zhì)空間指標(biāo)進(jìn)行評(píng)價(jià)。Naik等[8]通過(guò)街景圖像評(píng)價(jià)美國(guó)21個(gè)城市街道空間的安全度。Ewing等[9]基于已有的指標(biāo)體系從不同維度對(duì)街景圖像的空間圍合度、意象性等量化評(píng)價(jià)進(jìn)行打分。韓君偉[10]借助數(shù)字?jǐn)z像和計(jì)算機(jī)圖像處理技術(shù)將視覺(jué)熵引入量化商業(yè)步行街道景觀視覺(jué)復(fù)雜性的研究中。龍瀛等[11]將大數(shù)據(jù)與街景數(shù)據(jù)結(jié)合，對(duì)北京和成都的街道空間進(jìn)行品質(zhì)分析，并得出評(píng)價(jià)指標(biāo)為人口密度、城市活力、界面特征、交通特征、開(kāi)發(fā)強(qiáng)度、可達(dá)性等。唐婧嫻等[4]通過(guò)計(jì)算機(jī)圖像識(shí)別、圖像分割技術(shù)和人口訪問(wèn)調(diào)查方法研究北京和上海的中心區(qū)街道品質(zhì)，得出街道環(huán)境設(shè)計(jì)要素為綠化率、街道高寬比、街道尺度、街道活力、街道圍合度、人性化尺度、通透性、整潔度、意象化等。樊鈞等[12]在對(duì)蘇州古城區(qū)街道空間慢行品質(zhì)的研究中，通過(guò)空間網(wǎng)絡(luò)分析、聚類算法等技術(shù)分析，得出評(píng)價(jià)指標(biāo)為興趣點(diǎn)、位置服務(wù)數(shù)據(jù)、街道尺度、組織結(jié)構(gòu)、綠化率、空間活力、設(shè)施均好性、街道五感等。這些方法合理降低了專家評(píng)估的主觀性，但因?yàn)橹粋?cè)重于某測(cè)度指標(biāo)中的某一方面，所以導(dǎo)致評(píng)估所參考的指標(biāo)不夠全面。

隨著開(kāi)源社區(qū)的發(fā)展，城市中累積的海量多源大數(shù)據(jù)為城市街區(qū)的研究提供了更寬廣的角度和思考，其中各街區(qū)品質(zhì)測(cè)度指標(biāo)數(shù)據(jù)主要包括實(shí)地調(diào)查數(shù)據(jù)[13,14]、地理信息數(shù)據(jù)[15,16]、街景圖片數(shù)據(jù)[17-19]、空間句法評(píng)價(jià)[20,21]等。

人工智能的飛速發(fā)展促使各領(lǐng)域研究人員將人工智能用于解決行業(yè)內(nèi)的部分問(wèn)題。在城市規(guī)劃領(lǐng)域中，過(guò)去專家常用人工方式評(píng)估街區(qū)品質(zhì)，但隨著數(shù)據(jù)逐漸增多，人工評(píng)估的時(shí)間成本和人力成本增大。另外，專家的從業(yè)經(jīng)驗(yàn)和個(gè)人觀念使得街區(qū)品質(zhì)評(píng)估帶有主觀性，從而無(wú)法嚴(yán)格執(zhí)行現(xiàn)有規(guī)范?；谌斯ぶ悄艿慕謪^(qū)品質(zhì)評(píng)估方法可有效緩解上述問(wèn)題，但目前使用人工智能的街區(qū)品質(zhì)評(píng)估方法與實(shí)際應(yīng)用的研究成果較少。本文綜合研究人員在各方面提出的街區(qū)品質(zhì)測(cè)度指標(biāo)，提出全面的城市街區(qū)品質(zhì)測(cè)度指標(biāo)，并綜合城市街區(qū)品質(zhì)評(píng)估的研究情況，提出使用衛(wèi)星圖像取代街景圖像作為輸入圖像，降低街景圖像采集位置與視角不統(tǒng)一造成的偏差；將非圖像型數(shù)據(jù)與圖像型數(shù)據(jù)提取的特征進(jìn)行融合，從多角度充分提取街區(qū)的品質(zhì)特征；針對(duì)小樣本和數(shù)據(jù)不平衡場(chǎng)景，本文使用樸素隨機(jī)過(guò)采樣方法削弱真實(shí)數(shù)據(jù)集的不平衡性對(duì)模型訓(xùn)練的影響，并使用隨機(jī)森林(Random Forest,RF)作為街區(qū)品質(zhì)類別的分類器，以提高街區(qū)品質(zhì)評(píng)估模型的適用性和泛化性。

1 相關(guān)工作

根據(jù)不同街區(qū)相關(guān)數(shù)據(jù)得到的特征，可分為非圖像型數(shù)據(jù)和圖像型數(shù)據(jù)，其中非圖像型數(shù)據(jù)以各項(xiàng)人工采集或傳感器采集的數(shù)值為主，如研究對(duì)象的數(shù)目或比值等，各項(xiàng)數(shù)值組合在一起形成一維特征向量，通過(guò)計(jì)算特征向量在多維度坐標(biāo)中的距離等進(jìn)行分析從而完成街區(qū)品質(zhì)評(píng)估；圖像型數(shù)據(jù)以彩色照片或灰度圖為主，經(jīng)由圖像特征提取得到特征矩陣，并經(jīng)過(guò)特征矩陣間的計(jì)算完成街區(qū)品質(zhì)評(píng)估。雖然非圖像型數(shù)據(jù)與圖像型數(shù)據(jù)在格式和計(jì)算方法上略有區(qū)別，但步驟和原理相近。

圖像型數(shù)據(jù)除像素矩陣形式外，還可基于圖像識(shí)別、語(yǔ)義分割等方法通過(guò)識(shí)別圖像中對(duì)象的種類數(shù)、數(shù)目、面積占比和在圖像中的位置等進(jìn)行信息提取，并將得到的圖像特征與數(shù)值特征進(jìn)行特征融合。特征融合問(wèn)題常見(jiàn)于多模態(tài)的研究中，較為常見(jiàn)的特征融合方法主要為拼接和對(duì)位求和。

針對(duì)真實(shí)數(shù)據(jù)集的不平衡性易導(dǎo)致提取到的特征向量類別不平衡，從而影響訓(xùn)練效果的問(wèn)題，有關(guān)研究常對(duì)數(shù)據(jù)集進(jìn)行過(guò)采樣和欠采樣等處理。常見(jiàn)的過(guò)采樣方法為樸素隨機(jī)過(guò)采樣、合成少數(shù)類過(guò)采樣技術(shù)(Synthetic Minority Over-sampling Technique,SMOTE)[22]、合成邊緣少數(shù)類過(guò)采樣技術(shù)(Borderline-Synthetic Minority Over-sampling Technique,Borderline-SMOTE)[23]、自適應(yīng)合成抽樣(Adaptive Synthetic Sampling,ADASYN)[24]等，欠采樣方法為樸素隨機(jī)欠采樣等。由于真實(shí)數(shù)據(jù)集的街區(qū)品質(zhì)類別標(biāo)簽須由人工標(biāo)注，人力、物力成本高，所以數(shù)據(jù)量較少。樸素隨機(jī)過(guò)采樣方法利用有放回的抽取方法，從少數(shù)類樣本中隨機(jī)采樣，以此代替現(xiàn)有的數(shù)據(jù)集，其優(yōu)點(diǎn)在于增加了少數(shù)類樣本的權(quán)重，但有可能造成過(guò)擬合。本文選擇樸素隨機(jī)過(guò)采樣作為城市街區(qū)品質(zhì)評(píng)估中的預(yù)處理方法。

城市街區(qū)的品質(zhì)評(píng)估問(wèn)題可轉(zhuǎn)化為分類問(wèn)題，其中專家標(biāo)注的街區(qū)品質(zhì)分為A、B、C 3個(gè)類別。真實(shí)數(shù)據(jù)集包含141個(gè)街區(qū)的數(shù)據(jù)，屬于小型樣本，且以非圖像型數(shù)據(jù)為主，故機(jī)器學(xué)習(xí)算法更適合用于以上問(wèn)題。基于機(jī)器學(xué)習(xí)的分類算法以支持向量機(jī)(Support Vector Machine,SVM)、決策樹(shù)、隨機(jī)森林為主。

2 城市街區(qū)品質(zhì)評(píng)估方法

本文使用衛(wèi)星圖像，通過(guò)指定顏色范圍的內(nèi)容識(shí)別與占比計(jì)算，提取各街區(qū)的綠化比率值，并與非圖像型特征進(jìn)行特征融合。融合后的特征進(jìn)行樸素隨機(jī)過(guò)采樣處理，減少數(shù)據(jù)的不平衡性對(duì)模型訓(xùn)練的影響。模型使用隨機(jī)森林對(duì)城市街區(qū)進(jìn)行分類，通過(guò)品質(zhì)類別的確定完成城市街區(qū)的品質(zhì)評(píng)估，具體結(jié)構(gòu)如圖1所示。

圖1 街區(qū)品質(zhì)評(píng)估模型結(jié)構(gòu)

2.1 基本定義

為全面、客觀、精確地對(duì)影響城市街區(qū)各品質(zhì)評(píng)估的因素進(jìn)行表達(dá)，本文以物質(zhì)空間實(shí)地調(diào)研、空間句法效能分析以及開(kāi)源數(shù)據(jù)獲取等方式構(gòu)建城市街區(qū)品質(zhì)的測(cè)度指標(biāo)：建筑風(fēng)貌、重要?dú)v史建筑數(shù)量、街道建筑高寬比、沿街建筑功能種類、小品服務(wù)設(shè)施種類、停車位數(shù)量、公交地鐵站點(diǎn)站距、停車干擾度、人行道寬度、沿街空間出入口數(shù)量、綠化覆蓋率、植被豐富度、道路交通可達(dá)性、街道交通潛力、沿街開(kāi)敞空間可達(dá)性、空間視線吸引力、公共交通步行可達(dá)性、公共基礎(chǔ)服務(wù)設(shè)施可達(dá)性、人流聚集度、功能密度、天空寬闊度、功能混合度和綠化占比，其中，綠化占比是由圖像提取的特征，簡(jiǎn)稱為圖像型特征。以上指標(biāo)參考近年來(lái)城市規(guī)劃專家關(guān)于街區(qū)品質(zhì)評(píng)估問(wèn)題所提出的評(píng)價(jià)體系與相關(guān)指標(biāo)[25-29]，從自然環(huán)境、人文環(huán)境和社會(huì)環(huán)境等方面綜合評(píng)價(jià)街區(qū)公共空間的品質(zhì)。

在城市街區(qū)品質(zhì)測(cè)度指標(biāo)中，由衛(wèi)星圖像計(jì)算得出的綠化占比與由街景圖像計(jì)算得出的綠視率在定義上相近，二者在街區(qū)綠化品質(zhì)的表達(dá)上存在互補(bǔ)作用。街景圖像是以人類視角在街道某一特定點(diǎn)位，以街道中線為基準(zhǔn)拍攝的圖像，主要由中間道路、兩側(cè)的綠化和建筑等設(shè)施組成。衛(wèi)星圖像的拍攝視角為俯視，其拍攝到的綠化情況與側(cè)視拍到的街景圖像綠化情況不同。街景圖像中的綠視率是以人為本的感官品質(zhì)指標(biāo)，而綠化占比注重公共空間內(nèi)客觀存在的綠化面積，兩者互補(bǔ)。故本文提出一種街區(qū)品質(zhì)評(píng)估的改進(jìn)方法，即利用衛(wèi)星圖像代替街景圖像，并將圖像特征與數(shù)值特征融合，基于隨機(jī)森林構(gòu)建街區(qū)品質(zhì)的分類模型。

2.2 特征提取與融合

首先將由物質(zhì)空間實(shí)地調(diào)研、空間句法效能分析以及開(kāi)源數(shù)據(jù)等方式獲取到的街區(qū)非圖像型數(shù)據(jù)進(jìn)行整理，驗(yàn)證是否存在缺省值并將缺省特征補(bǔ)零。

2.2.1 街區(qū)衛(wèi)星圖像分割與預(yù)處理

通過(guò)谷歌衛(wèi)星地圖獲取高清衛(wèi)星圖像，并結(jié)合街區(qū)輪廓矢量數(shù)據(jù)進(jìn)行框選和截取，獲得嚴(yán)格按照街區(qū)輪廓?jiǎng)澐值男l(wèi)星圖像并編號(hào)。由于模型輸入圖像須為規(guī)則圖形，故將原街區(qū)圖像取最小外接矩形并全白填充背景，避免無(wú)關(guān)內(nèi)容影響模型訓(xùn)練。此外，本文預(yù)先對(duì)截取的街區(qū)圖像進(jìn)行銳化處理，增強(qiáng)圖像中各邊界、輪廓線和其他細(xì)節(jié)，使其更加清晰。

2.2.2 街區(qū)衛(wèi)星圖像特征表示

圖像型特征主要通過(guò)圖像矩陣中各像素值的計(jì)算進(jìn)行提取，圖像型數(shù)據(jù)集中的街區(qū)衛(wèi)星圖為RGB三通道圖像，通過(guò)各通道間同一位置像素值的比較，確定此位置是否屬于綠化范圍，并計(jì)算代表街區(qū)綠化特征的像素?cái)?shù)在整體街區(qū)像素?cái)?shù)中的占比，即街區(qū)綠化占比。綠化占比作為樣本的圖像型特征，以首尾拼接的方式與多維數(shù)值特征進(jìn)行融合。

2.3 過(guò)采樣

使用樸素隨機(jī)過(guò)采樣方法對(duì)融合后的特征進(jìn)行預(yù)處理，并與SMOTE、Borderline-SMOTE和ADASYN等常見(jiàn)的過(guò)采樣方法進(jìn)行對(duì)比。

2.4 基于隨機(jī)森林的分類器模型

本文使用隨機(jī)森林算法作為分類器， 隨機(jī)森林是一種特殊的使用決策樹(shù)作為模型的bagging。首先，用bootstrap方法生成多個(gè)訓(xùn)練集，并分別對(duì)每個(gè)訓(xùn)練集構(gòu)造一棵決策樹(shù)，然后在節(jié)點(diǎn)尋找特征進(jìn)行分裂時(shí)，在特征中隨機(jī)抽取一部分特征，在抽到的特征中間找到最優(yōu)解，應(yīng)用于節(jié)點(diǎn)進(jìn)行分裂。

隨機(jī)森林的方法基于集成的思想，集成了多棵決策樹(shù)，并對(duì)樣本和特征進(jìn)行采樣從而避免過(guò)擬合。前文隨機(jī)過(guò)采樣方法可能引起的過(guò)擬合，將在隨機(jī)森林的分類器部分得到緩解。本文對(duì)融合后的特征進(jìn)行歸一化預(yù)處理，降低量綱對(duì)模型訓(xùn)練的影響，并利用隨機(jī)過(guò)采樣方法對(duì)小樣本類進(jìn)行過(guò)采樣，降低數(shù)據(jù)不平衡性。隨機(jī)過(guò)采樣后得到的平衡數(shù)據(jù)集輸入隨機(jī)森林模型進(jìn)行訓(xùn)練，其中訓(xùn)練集占比80%，測(cè)試集占比20%。具體如算法1所示。

算法1街區(qū)品質(zhì)評(píng)估算法

輸入：街區(qū)衛(wèi)星圖像picture， 街區(qū)非圖像型特征表示Jiequ；

輸出：基于數(shù)據(jù)融合的街區(qū)特征表示Fusion,各項(xiàng)特征的重要性，街區(qū)品質(zhì)的預(yù)測(cè)類別;

for picture ∈{picture1,picture2,…,picturen}

for pixel∈all pixels

計(jì)算屬于街區(qū)的像素?cái)?shù)

計(jì)算屬于綠化的像素?cái)?shù)

end for

計(jì)算綠化占比(綠化像素?cái)?shù)/街區(qū)像素?cái)?shù))

end for

for Jiequ ∈{Jiequ1,Jiequ2,…,Jiequn}

將樣本的picture和Jiequ特征首尾相連生成融合特征Fusion

構(gòu)建新數(shù)據(jù)集

end for

forn∈[少數(shù)類樣本個(gè)數(shù),多數(shù)類樣本個(gè)數(shù)]

從少數(shù)類中有放回地隨機(jī)抽取樣本

構(gòu)建平衡數(shù)據(jù)集

end for

for number ∈[1,100]

隨機(jī)劃分訓(xùn)練集和測(cè)試集

訓(xùn)練集歸一化

由訓(xùn)練集訓(xùn)練隨機(jī)森林分類器

由隨機(jī)森林對(duì)測(cè)試集進(jìn)行預(yù)測(cè)

end for

3 驗(yàn)證實(shí)驗(yàn)

3.1 實(shí)驗(yàn)設(shè)置

以北京市西城區(qū)展覽館路街道內(nèi)的各公共空間街區(qū)[30,31]為研究對(duì)象(圖2)，進(jìn)行城市街區(qū)品質(zhì)評(píng)估方法的實(shí)驗(yàn)驗(yàn)證。

圖2 展覽館路街道地塊

實(shí)驗(yàn)使用的真實(shí)數(shù)據(jù)集由5位建筑學(xué)專家通過(guò)實(shí)地調(diào)研和考察，按少數(shù)服從多數(shù)原則確定各街區(qū)最終的空間品質(zhì)等級(jí)，將各個(gè)街區(qū)按空間品質(zhì)分為A、B、C 3個(gè)等級(jí)。Jiequ數(shù)據(jù)集包含141個(gè)數(shù)據(jù)，每個(gè)數(shù)據(jù)代表一個(gè)公共空間街區(qū)，各品質(zhì)類別樣本個(gè)數(shù)及占比如表1所示。

表1 Jiequ數(shù)據(jù)集組成

本文使用網(wǎng)格法最終確定的隨機(jī)森林參數(shù)為n_estimators=21，max_depth=7，max_features=4，min_samples_leaf=1，min_samples_split=2，criterion=‘gini’，n_ jobs=-1。

3.2 結(jié)果與分析

3.2.1 使用圖像和非圖像數(shù)據(jù)進(jìn)行街區(qū)品質(zhì)評(píng)估結(jié)果對(duì)比

為了驗(yàn)證圖像與融合特征對(duì)街區(qū)品質(zhì)特征的表達(dá)能力是否更強(qiáng)，且是否有利于提高街區(qū)品質(zhì)評(píng)估的正確率，分別使用圖像特征和非圖像特征，與本文提出的融合特征進(jìn)行對(duì)比。該對(duì)比方法可以驗(yàn)證融合特征的可行性和有效性。一方面，本文使用梯度直方圖(Histogram of Oriented Gradient,HOG)和像素篩選作為圖像特征提取方法；另一方面，本文已將各項(xiàng)測(cè)度指標(biāo)作為數(shù)值向量的各維度，可直接作為非圖像特征進(jìn)行后續(xù)計(jì)算，因此無(wú)需進(jìn)行非圖像特征提取。

首先，本文僅使用非圖像特征進(jìn)行街區(qū)品質(zhì)評(píng)估，分別選取傳統(tǒng)機(jī)器學(xué)習(xí)中較常用的算法：Extreme Gradient Boosting(XGBoost)、邏輯回歸(Logistic Regression,LR)、隨機(jī)森林(RF)和支持向量機(jī)(SVM)進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果如表2所示，RF和SVM的正確率較XGBoost和LR提高約7個(gè)百分點(diǎn)。

表2 各機(jī)器學(xué)習(xí)模型對(duì)比結(jié)果

為探究圖像特征提取方法對(duì)街區(qū)品質(zhì)評(píng)估正確率的影響，本文選擇SVM作為分類器，并設(shè)置balanced參數(shù)，以此減少數(shù)據(jù)平衡性等其他因素的影響。在不進(jìn)行圖像特征提取的情況下，使用原圖像進(jìn)行街區(qū)品質(zhì)評(píng)估的正確率約為42.5%，使用HOG傳統(tǒng)特征提取方法進(jìn)行街區(qū)品質(zhì)評(píng)估的正確率約為58%，提高約16個(gè)百分點(diǎn)；使用像素篩選法提取圖像中的綠色像素(綠色通道值大于其他兩通道)，并進(jìn)行街區(qū)品質(zhì)評(píng)估的正確率約為63.5%，比原圖像法的正確率提高約21個(gè)百分點(diǎn)，比HOG方法正確率提高約5個(gè)百分點(diǎn)。

由以上兩組實(shí)驗(yàn)結(jié)果可知，使用圖像和非圖像數(shù)據(jù)進(jìn)行街區(qū)品質(zhì)評(píng)估的正確率不同，使用圖像型數(shù)據(jù)進(jìn)行評(píng)估的正確率相比非圖像型數(shù)據(jù)下降約20個(gè)百分點(diǎn)。因?yàn)榉菆D像型數(shù)據(jù)的各項(xiàng)指標(biāo)經(jīng)過(guò)專家篩選，所以其街區(qū)品質(zhì)表達(dá)能力更強(qiáng)，與街區(qū)品質(zhì)類別的相關(guān)性更強(qiáng)，但由于非圖像型特征不含空間關(guān)系等弊端，正確率僅為82.76%。因此，基于圖像特征和非圖像特征在街區(qū)品質(zhì)表達(dá)角度上的差異及其互補(bǔ)性，提出將兩種特征融合的街區(qū)品質(zhì)評(píng)估算法。由于街區(qū)數(shù)據(jù)集的不平衡性，本文使用不同的過(guò)采樣方法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表3所示。

表3 過(guò)采樣方法的對(duì)比結(jié)果

由表3可見(jiàn)，基于樸素隨機(jī)過(guò)采樣方法的街區(qū)品質(zhì)評(píng)估正確率高于SMOTE、Borderline-SMOTE和ADASYN方法，且在使用樸素隨機(jī)過(guò)采樣方法的前提下，以RF作為分類器的街區(qū)品質(zhì)評(píng)估正確率為90.98%，比以SVM作為分類器的正確率提高約4個(gè)百分點(diǎn)?？梢?jiàn)，本文提出的使用樸素隨機(jī)過(guò)采樣方法將融合特征平衡化，并使用RF作為分類器的街區(qū)品質(zhì)評(píng)估方法具有可行性。

3.2.2 使用混淆矩陣評(píng)價(jià)本文方法

從圖3的混淆矩陣可以看出，隨機(jī)生成訓(xùn)練集和測(cè)試集后，街區(qū)品質(zhì)評(píng)估模型的正確率保持在17，14和16，但對(duì)于品質(zhì)類別B和C的分類效果較差，容易混淆B類和C類從而造成分類錯(cuò)誤，說(shuō)明真實(shí)樣本中B類樣本和C類樣本具有一定的相似性，甚至在多維特征空間中兩種類別的空間存在交集。

圖3 本文方法中各品質(zhì)類別的混淆矩陣

3.2.3 各項(xiàng)指標(biāo)的重要性評(píng)估

本文使用RF模型輸出各項(xiàng)指標(biāo)的重要性并排序，重要性從高到低依次為綠化覆蓋率、空間視線吸引力、綠化占比、天空寬闊度、人行道寬度、道路交通可達(dá)性、植被豐富度、沿街開(kāi)敞空間可達(dá)性、重要?dú)v史建筑、街道建筑高寬比、人流聚集度、公交地鐵距離、停車干擾度、功能混合度、街道交通潛力、功能密度、停車位數(shù)量、公共交通步行可達(dá)性、沿街建筑功能種類、小型服務(wù)設(shè)施種類、公共廁所設(shè)施可達(dá)性、建筑風(fēng)貌和出入口數(shù)量。由圖像像素計(jì)算得出的綠化占比的重要性排在第3，可見(jiàn)其街區(qū)品質(zhì)的表達(dá)能力較強(qiáng)，在一定程度上提高了街區(qū)品質(zhì)評(píng)估的正確率。重要性排序的結(jié)果說(shuō)明以衛(wèi)星圖像提取的綠化占比作為圖像特征，有較大的重要性，其重要性僅次于綠化覆蓋率和空間視線吸引力?？梢?jiàn)，街區(qū)品質(zhì)與綠化和人類視野感受的關(guān)聯(lián)性較大，本文提出利用衛(wèi)星圖像獲取圖像特征并進(jìn)行特征融合的方法是合理且有效的。

綜上所述，本文提出的衛(wèi)星圖像代替街景圖像進(jìn)行城市街區(qū)綠化情況的特征表示方法，不僅符合城市規(guī)劃與設(shè)計(jì)領(lǐng)域?qū)τ诮謪^(qū)品質(zhì)評(píng)估在概念上的要求，而且確實(shí)有利于提高城市街區(qū)品質(zhì)評(píng)估模型的性能。隨機(jī)過(guò)采樣與隨機(jī)森林的結(jié)合，在本文研究的展覽館路街道內(nèi)街區(qū)數(shù)據(jù)集上達(dá)到了90.98%的正確率，相較未使用過(guò)采樣和多特征融合的方法提高了約8個(gè)百分點(diǎn)，表明本文提出的算法具有較好的實(shí)用性和泛化性。

4 結(jié)論

本算法以衛(wèi)星圖像取代街景圖像作為輸入圖像的新方式，經(jīng)實(shí)驗(yàn)證實(shí)可有效降低街景圖采集位置與視角不統(tǒng)一造成的偏差；針對(duì)已有研究注重指標(biāo)中的某一方面而忽略全面評(píng)估的情況，提出將非圖像型數(shù)據(jù)與圖像型數(shù)據(jù)提取的特征進(jìn)行融合，綜合多種數(shù)據(jù)形式對(duì)城市街區(qū)各項(xiàng)與品質(zhì)有關(guān)的因素進(jìn)行全面表征；使用樸素隨機(jī)過(guò)采樣方法削弱真實(shí)數(shù)據(jù)集的不平衡性對(duì)模型訓(xùn)練的影響，同時(shí)使用隨機(jī)森林作為分類器，利用隨機(jī)森林能有效降低過(guò)擬合的可能性，中和樸素隨機(jī)過(guò)采樣容易過(guò)擬合的問(wèn)題。

未來(lái)的工作將進(jìn)一步對(duì)圖像特征進(jìn)行挖掘，在數(shù)值特征和圖像特征數(shù)量增加的情況下，提出更有效的多模態(tài)特征融合方法。