葉宇 黃成成 李心恬 陳曉雨

1 研究背景與問題界定

1.1 人本視角街道綠視率：綠色城市設(shè)計背景下的重要指征

在中國快速城鎮(zhèn)化的背景下，土地資源緊缺與人口快速增長的矛盾日益突出，城市發(fā)展采取了高密度的發(fā)展戰(zhàn)略[1-2]。高密度發(fā)展實現(xiàn)了城市土地的集約利用，但也引起了許多城市環(huán)境問題，如熱島效應(yīng)、通風效率低下、生態(tài)環(huán)境污染等。綠色城市設(shè)計是指以生態(tài)優(yōu)先為原則，以創(chuàng)造人與自然和諧共生、可持續(xù)發(fā)展的環(huán)境為目標的城市設(shè)計[3]，能有效改善城市生態(tài)環(huán)境、優(yōu)化城市景觀風貌、提升人居環(huán)境品質(zhì)等[4]。在城市環(huán)境惡化的背景下，綠色城市設(shè)計已成為城市品質(zhì)化建設(shè)的必由之路。

城市綠化在改善城市地區(qū)環(huán)境品質(zhì)和生活體驗方面具有重要作用[5-6]，是綠色城市設(shè)計應(yīng)考慮的重要內(nèi)容。鳥瞰視角綠化覆蓋率（簡稱“綠化覆蓋率”）是傳統(tǒng)綠地規(guī)劃中衡量城市整體綠化水平最重要的指標，指綠化覆蓋面積在區(qū)域總面積中的占比，表征二維平面的綠量。隨著相關(guān)研究的開展，可感知綠化在保持居民身體健康[7]、提升居民生活品質(zhì)[8]和改善城市氣候環(huán)境[9]等方面的益處已逐步受到重視，人本視角街道綠視率（下稱“街道綠視率”）這一指標的重要性逐漸凸顯。街道綠視率用于測度街道的綠化水平，指人眼看到的綠化面積占整個視域面積的百分比，表征的是三維空間的綠量。除了關(guān)注視角的差異，綠化覆蓋率與街道綠視率的根本差別在于：前者從鳥瞰視角出發(fā)，反映宏觀綠化水平；后者則從人本視角出發(fā)，直觀地反映街道（人們?nèi)粘＝佑|頻率最高的公共空間）的可感知綠化水平[10]。二者相比，后者真正響應(yīng)了“以人為本”的新型城鎮(zhèn)化轉(zhuǎn)型需求。

在以往的研究中，街道綠視率主要利用相機獲取人眼視角的街道圖像，然后利用繪圖[11]、網(wǎng)格計數(shù)[12]和圖像處理[13]等方式分析綠色占比。盡管街道綠視率的重要性已得到確認，但上述測度方法效率低、精度低，難以在規(guī)劃實踐中大規(guī)模應(yīng)用。近年來，在新城市科學（New Urban Science）興起的背景下，街道綠視率的測度迎來了新的可能性：一方面可利用百度街景、谷歌街景等數(shù)據(jù)實現(xiàn)大批量、高精度街景數(shù)據(jù)的快速獲取；另一方面可利用機器學習技術(shù)準確地檢測并識別街景圖像中的可視綠化[14-15]。

高水平的可視街道綠化在人居環(huán)境提升方面的重要性已被證實，大數(shù)據(jù)和新技術(shù)的發(fā)展也已實現(xiàn)高精度、大規(guī)模的街道綠視水平測度。在城市規(guī)劃者和政策制定者開展高密度城市綠化相關(guān)工作時，納入街道綠視率這一指標已成為可能。

1.2 街道綠視率與綠化覆蓋率一致性表現(xiàn)的問題及情況界定

隨著街道綠視率重要性的逐漸凸顯及大規(guī)模測度的實現(xiàn)，街道綠視率與綠化覆蓋率是否具有一致性表現(xiàn)十分關(guān)鍵。若二者表現(xiàn)不一致，即高的綠化覆蓋率不能保證高的街道綠視率，則納入街道綠視率以完善綠色城市設(shè)計導控尤為必要。因此，本研究重點關(guān)注街道綠視率與綠化覆蓋率的一致性表現(xiàn)問題。同時，本研究還關(guān)注影響街道綠視率與綠化覆蓋率相對表現(xiàn)的因素，這有助于指導綠地規(guī)劃與城市設(shè)計以促成二者表現(xiàn)一致，甚至在綠化覆蓋率較低的情況下也能夠?qū)崿F(xiàn)較高水平的街道綠視率。此外，本研究也關(guān)注街道綠視率自身的影響因素，明確這些因素可為提升街道綠視率提供有效引導。

在研究街道綠視率與綠化覆蓋率一致性問題的過程中，為使問題的闡述更清晰，本研究按街道綠視率與綠化覆蓋率的相對高低將其一致性表現(xiàn)劃分為3類（圖1）：表現(xiàn)一致（A，可分為高綠視高綠化A1和低綠視低綠化A2）、低綠視高綠化（B）、高綠視低綠化（C）。其中，表現(xiàn)一致（A）意味著綠化資源與街道綠視資源相匹配，可認為是一種常規(guī)的表現(xiàn)；低綠視高綠化（B）意味著綠化資源較多，但在街道上能夠被感知的部分較少，街道綠視率存在較大的提升潛力；高綠視低綠化（C）則意味著在綠化資源不足的情況下仍可實現(xiàn)較高水平的街道綠視率，從人本視角來說是一種更優(yōu)的情況。上述3種表現(xiàn)可用于檢驗不同城市的綠化情況。

1 街道綠視率與綠化覆蓋率的3種一致性表現(xiàn)Three categories of relationships between green coverage and visible street greenery

1.3 現(xiàn)有研究進展與局限

在街道綠視率與綠化覆蓋率一致性表現(xiàn)問題的探究上，已有研究表明街道綠視率與用于綠化導控的綠化覆蓋率不一定表現(xiàn)一致，如新加坡、上海、杭州等城市的街道綠視率與綠化覆蓋率呈現(xiàn)較弱的相關(guān)關(guān)系[15-17]，可見對綠化覆蓋率的導控不一定能夠改善街道綠視率水平?，F(xiàn)有研究的局限在于：絕大多數(shù)對中國城市綠化水平的評估主要從綠化覆蓋率的角度展開[18-19]，但對于綠化覆蓋率與街道綠視率之間的普遍關(guān)聯(lián)以及將街道綠視率納入綠色城市設(shè)計和規(guī)劃中的必要性，目前尚未有學者進行深入研究?，F(xiàn)有研究聚焦于自然條件[20-21]、經(jīng)濟水平[22-23]、城市形態(tài)[24]等因素對街道綠視率與綠化覆蓋率的單獨影響，解析二者一致性表現(xiàn)影響因素的研究仍屬空白。就街道綠視率自身而言，現(xiàn)有研究大多關(guān)注道路寬度和綠化模式等微觀層面要素對街道綠視率的影響[25]，對宏觀層面要素與街道綠視率的相關(guān)性研究較為薄弱。

基于現(xiàn)有研究的局限，本研究明確了3個待解決的問題：1）中國城市街道綠視率與綠化覆蓋率的一致性表現(xiàn)情況；2）街道綠視率與綠化覆蓋率一致性表現(xiàn)的影響因素；3）街道綠視率自身的影響因素，以及街道綠視率的提升策略。

2 研究范圍

本研究選取北京、上海、廣州、深圳、成都、武漢、昆明和南昌8個城市的中心城區(qū)為研究范圍，以四級行政區(qū)（含鄉(xiāng)、鎮(zhèn)、街道等，下文統(tǒng)一稱“街道級單元”）為研究單元，共獲取454個街道級單元樣本（圖2）。在自然條件方面，受地理位置影響，廣州、深圳和昆明的緯度相近，因廣州和深圳靠近海洋，冬季比昆明更溫暖；南昌、成都、武漢和上海位于中國中部，緯度相似但經(jīng)度不同，氣候略有差異。在經(jīng)濟水平方面，北京、上海、廣州、深圳是中國一線城市，成都和武漢是新一線城市，昆明和南昌是二線城市，經(jīng)濟水平依次降低。在城市形態(tài)方面，由于規(guī)劃策略不同，城市形態(tài)具有一定差異。另外，上述8個城市的建設(shè)起步較早，居民人口眾多且有相對完善的綠化政策，在自然、經(jīng)濟、城市形態(tài)層面均存在一定差異，具有研究的代表性。

2 研究范圍及研究單元Research scope and units

3 研究方法與數(shù)據(jù)

本研究分2個部分進行，共包含4個步驟（圖3）。

3 研究框架Research framework

3.1 數(shù)據(jù)處理

數(shù)據(jù)處理包含綠化覆蓋率、街道綠視率和可能的影響因素3個維度的數(shù)據(jù)采集與計算。

3.1.1 綠化覆蓋率

綠化覆蓋率是指城市建成區(qū)域內(nèi)綠地垂直投影面積在區(qū)域總面積中的占比；歸一化植被指數(shù)（normalized difference vegetation index,NDVI），可以用來定性和定量評價植被的覆蓋情況及生長活力，可以反映建成區(qū)域與非建成區(qū)域的地物光譜信息。由于本研究的分析單元均處于中心城區(qū)，為城市建設(shè)用地，同時 NDVI 所反映的綠地的地物光譜信息圖面面積可近似等于其垂直投影面積，故本研究采用 NDVI 的計算結(jié)果作為綠地覆蓋率的數(shù)值，這也是國內(nèi)外相關(guān)研究估算綠化覆蓋率的常用方法[16-17,26-28]。本研究所使用的地物光譜信息數(shù)據(jù)來源于中國科學數(shù)據(jù)網(wǎng)，數(shù)據(jù)年份為 2019 年，分辨率為 30 m。為能更好地反映植被情況，本研究使用夏季數(shù)據(jù)（年度最大值）用于植被覆蓋度的計算。利用ArcGIS軟件對地物光譜信息數(shù)據(jù)進行柵格化，并利用像元二分模型和柵格計算器工具對各柵格像元的植被覆蓋度進行計算[29-30]，計算式為

式中，F(xiàn)C為柵格像元的植被覆蓋度；NNDVI為該像元的NDVI值；NNDVI，veg為遙感影像植被部分對應(yīng)的NDVI值；NNDVI，soil為遙感影像裸地部分對應(yīng)的NDVI值[29-30]。由于數(shù)據(jù)源相同，本研究以99.5%置信度截取各個街道級單元的NDVI上下限閾值分別近似代表NNDVI，veg和NNDVI，soil。以各街道單元內(nèi)的FC均值作為本研究中街道級單元的綠化覆蓋率（圖4）。

4 各街道級單元綠化覆蓋率估算結(jié)果Estimated results of green coverage of each subdistrict unit

3.1.2 街道綠視率

街道綠視率在百度街景數(shù)據(jù)基礎(chǔ)上利用機器學習方法計算獲得。本研究中的街道網(wǎng)絡(luò)數(shù)據(jù)下載自O(shè)SM（OpenStreetMap）網(wǎng)站，并通過百度地圖批量獲取近年來8個城市的高分辨率街景數(shù)據(jù)?？紤]到公共空間可感知的最大距離[31]和對采樣點數(shù)量的控制，本研究將采樣點間隔設(shè)為40 m（圖5），共獲得1 300 956個采樣點。根據(jù)環(huán)境心理學中的啟動理論[32]，人們在日常生活環(huán)境中的視線一般是平行順應(yīng)街道的，較少向上看或向下看。因此，首先利用Python采集各采樣點處4個方向的人眼視角圖像[14,33]，所采集圖像均為標準視圖，分辨率為600像素×900像素（圖6）。其次，將上述街景圖像通過DeepLab v3模型（該模型由Cityscapes數(shù)據(jù)集訓練所得）進行語義分割，提取不同空間要素（如建筑、綠化等），其中植被部分被標記為綠色（圖7），從而計算出每張街景圖像的綠視率。將4個方向街景圖像綠視率的均值作為采樣點的綠視率[14]。再次，通過ArcGIS空間連接功能計算每條街道內(nèi)所有采樣點的均值，以此作為該街道的綠視率。最后，以道路長度為權(quán)重對街道綠視率進行加權(quán)求和，并除以道路長度之和，求得各街道級單元的街道綠視率。

5 街景數(shù)據(jù)采樣點（上海）Streetscape data sampling points (Shanghai)

6 采樣點4個方向街景的標準視圖Illustration of a standard streetscape view in four directions of a random sampling point

7 語義分割街景圖像及綠化提取圖示Illustration of semantic segmentation of streetscape images and greenery extraction

3.1.3 其他可能的影響因素

街道綠化的影響要素包括自然條件[20-21]、經(jīng)濟水平[22-23]、城市形態(tài)[24]，因此本研究推測這3類要素也會對街道綠視率和綠化覆蓋率的一致性表現(xiàn)和街道綠視率自身產(chǎn)生影響。本研究使用的自然條件數(shù)據(jù)來源于天氣網(wǎng)，包括年均晴天數(shù)和街道級單元年均氣溫。經(jīng)濟水平數(shù)據(jù)包括人均生產(chǎn)總值（人均GDP）和距市中心的距離，其中，GDP數(shù)據(jù)來源于各三級行政區(qū)2021年的統(tǒng)計年鑒，由于無法獲得街道級單元的人均GDP，在計算中采用對應(yīng)的三級行政區(qū)的人均GDP計算；距市中心的距離通過ArcGIS計算街道級單元樣本的質(zhì)心與其所在城市中心（根據(jù)城市總體規(guī)劃確定）的距離，如果某城市存在多中心則取均值作為測度結(jié)果。在一般認知下，高層建筑會影響植被的生長[34]；有研究表明“小街區(qū)、密路網(wǎng)”的布局可能會導致公共綠色空間不足[35]，因而城市形態(tài)數(shù)據(jù)包括平均街塊面積和平均建筑高度，此類數(shù)據(jù)來源于OSM，并經(jīng)ArcGIS處理得到。其中，平均街塊面積統(tǒng)計的是各街道級單元內(nèi)由車行道路圍合形成的街塊的面積均值。

3.2 數(shù)據(jù)分析

數(shù)據(jù)分析包含基于四象限分類的定性分析和多元邏輯回歸分析，以及多元線性回歸分析。首先，基于四象限分類討論不同地區(qū)街道綠視率和綠化覆蓋率的一致性表現(xiàn)；然后，基于四象限分類的多元邏輯回歸，分析其他可能的影響因素對街道綠視率與綠化覆蓋率一致性表現(xiàn)的影響；最后，利用多元線性回歸分析包括綠化覆蓋率在內(nèi)的可能的影響因素對街道綠視率的影響。此部分數(shù)據(jù)分析將分別解決本研究的3個核心問題。

4 結(jié)果與分析

4.1 基于四象限分類的定性分析

本研究以所有街道級單元街道綠視率與綠化覆蓋率的中位數(shù)來分別劃分二者的高低水平，將各街道級單元樣本劃分為前文所述的3種相關(guān)類型（圖8）。

8 基礎(chǔ)四象限分析Basic four-quadrant analysis

各城市街道綠視率與綠化覆蓋率表現(xiàn)不一致并非偶發(fā)情況。其中，一線城市和新一線城市有一定概率會出現(xiàn)表現(xiàn)不一致（B、C）的情況，但概率較低，且出現(xiàn)高綠視低綠化（C）情況的概率高于低綠視高綠化（B），如北京、武漢。然而，二線城市昆明出現(xiàn)低綠視高綠化（B）情況的概率很高，昆明中心區(qū)的9個街道級單元都屬于這一類別。南昌也有相似情況，且南昌多數(shù)街道級單元呈現(xiàn)出綠化覆蓋率和街道綠視率均較低的情況（A）。因此，本研究發(fā)現(xiàn)中國一線、新一線城市的街道綠視率和綠化覆蓋率基本具有一致性，而二線城市則極有可能出現(xiàn)兩者不一致的現(xiàn)象。

由上述分析可推測城市發(fā)展水平對城市綠化有影響。為進一步證實上述影響，本研究將街道級單元人均GDP的高低在四象限分類圖中以點的大小來表征（圖9）。由此可知人均GDP較高的街道級單元，除北京的部分樣本處于高綠視低綠化（C），其余基本都落在第一、三象限（A），而處于低綠視高綠化（B）的街道級單元人均GDP基本上均較低。由此可從定性層面看出經(jīng)濟水平對城市綠化表現(xiàn)的影響。

9 人均GDP視角下的四象限分析Four-quadrant analysis from the perspective of GDP per capita

4.2 基于四象限分類的多元邏輯回歸

為進一步探究導致街道綠視率和綠化覆蓋率表現(xiàn)不一致的影響因素，本研究建立多元邏輯回歸模型，探究自然條件、經(jīng)濟水平和城市形態(tài)等因素對街道級單元樣本一致性表現(xiàn)的影響。

首先，利用方差膨脹因子（VIF）檢驗自變量之間是否存在多重共線性，各變量VIF結(jié)果均小于10，表明自變量間不存在多重共線性。其次，對各影響因素進行多元邏輯回歸分析。本研究更多關(guān)注自變量對因變量是否產(chǎn)生影響，對模型預(yù)測能力要求較低，調(diào)整性R2僅作為簡單的輸出說明。

回歸分析結(jié)果（表1）表明：在自然條件因素中，年均晴天數(shù)對表現(xiàn)一致（A）呈現(xiàn)顯著負向影響，即在晴天數(shù)較少的地區(qū)容易出現(xiàn)表現(xiàn)一致（A）的情況。緯度與氣候因素使晴天數(shù)較多的區(qū)域多集中于中國北方，而晴天數(shù)較少的南方地區(qū)多種植闊葉植物，因而綠化水平更容易反映在街道綠視率上。在經(jīng)濟水平因素中，人均GDP與表現(xiàn)一致（A）和高綠視低綠化（C）呈現(xiàn)顯著正相關(guān)。這可以解釋為，在較高經(jīng)濟水平的環(huán)境下，財政投入使城市中的綠色資源得到較好的導控，從而保證了較高的沿街可視綠化（即A），甚至部分城市可以在綠化覆蓋率較為一般的情況下達到較高的街道可視綠化水平（即C）。距城市中心的距離則與表現(xiàn)一致（A）呈現(xiàn)顯著負相關(guān)，越遠離城市中心的街道級單元，越傾向出現(xiàn)低綠視高綠化（B）的情況。實際上，遠離城市中心的地區(qū)綠化管控一般較為粗放，綠地常以大尺度的公園或郊野綠地形式呈現(xiàn)，以快速滿足綠化覆蓋率的導控要求，而難以實現(xiàn)較好的街道綠視率。在城市形態(tài)因素中，平均建筑高度對表現(xiàn)一致（A）有顯著的正向影響。在一般認知下，高層建筑會抑制植物生長，但本研究表明高層建筑不會抑制綠化資源向街道綠視資源的轉(zhuǎn)化。以往研究發(fā)現(xiàn)，經(jīng)濟水平越高的地區(qū)平均建筑高度越高[36]，因而平均建筑高度也可能作為地方經(jīng)濟水平的表征，從而對街道綠視率和綠化覆蓋率的表現(xiàn)產(chǎn)生影響。

表1 基于四象限分類的多元邏輯模型回歸結(jié)果Tab.1 Regression results of the binary logistic model based on four-quadrant classification

4.3 街道綠視率影響因素的多元線性回歸

4.3.1 變量及模型選取

為探究不同因素對街道綠視率的影響，本研究建立4個多元線形回歸模型對全樣本進行分析。在考慮綠化覆蓋率和自然條件因素（模型1）的基礎(chǔ)上，加入經(jīng)濟水平因素（模型2）、城市形態(tài)因素（模型3）來考察各類因素對街道綠視率的影響。采用IBW-SPSS P-P概率圖對因變量（街道綠視率）進行分布檢驗，其分布與正態(tài)分布累積概率基本保持一致，符合正態(tài)分布，因此可采用多元線性回歸模型進行擬合。

從模型的擬合信息（表2）看，4個模型的總體顯著性均為0.000，模型4的R2和調(diào)整性R2高于模型1、2、3。說明綜合綠化覆蓋率、自然條件因素、經(jīng)濟水平因素和城市形態(tài)因素解釋變量的模型（模型4）對于街道綠視率的解釋度更高。下面對模型4的回歸結(jié)果進行討論。

表2 街道綠視率影響因素的多元線性模型回歸結(jié)果Tab.2 Regression results of the multiple linear models for influencing factors of visible street greenery

4.3.2 模型回歸結(jié)果及分析

綠化覆蓋率對街道綠視率具有顯著的正向影響。城市綠化可分為沿街綠化和街塊內(nèi)的集中綠化，前者的綠化水平會直接反映在街道綠視率上，而后者也會在一定程度上呈現(xiàn)出對街道綠視率的影響，因此，高綠化覆蓋率有利于實現(xiàn)高街道綠視率。

在自然條件因素中，年均晴天數(shù)對街道綠視率有顯著負向影響，即年均晴天數(shù)越多，街道綠視率越低。晴天數(shù)較少的南方地區(qū)由于擁有更為茂盛的闊葉植物等原因，容易獲得更高的街道綠視率。自然因素是影響街道綠視率表現(xiàn)的重要方面，這也與以往城市尺度的街道綠視率研究結(jié)果相符[37]。

在經(jīng)濟水平因素中，人均GDP和距城市中心的距離對街道綠視率有顯著的正向影響。這可以解釋為經(jīng)濟水平更高的地區(qū)能夠獲得更多綠化財政投入，從而增加城市綠地，并實施更科學合理的城市設(shè)計。相較于規(guī)劃設(shè)計較為粗放的距城市中心區(qū)較遠的地區(qū)，越接近城市中心意味著能夠獲得越多的財政支持，從而獲得更為精細化的城市設(shè)計，由此獲得更高的街道綠視率水平。

在城市形態(tài)因素中，平均街塊面積顯著負向影響街道綠視率，即平均街塊面積越小，街道綠視率水平越高。其原因可能是小街塊形成的密集路網(wǎng)帶來了密集的人行綠道，這有利于小型城市綠地的布局。

5 討論與結(jié)論

5.1 街道綠視率和綠化覆蓋率的不一致現(xiàn)象存在一定普遍性

街道綠視率和綠化覆蓋率的不一致現(xiàn)象并非偶發(fā)，在社會經(jīng)濟水平發(fā)展相對較弱的城市和地區(qū)往往更易出現(xiàn)低綠視高綠化（B）現(xiàn)象。對于綠地的粗放管控，使城市為快速滿足綠化覆蓋率導控要求而建設(shè)大規(guī)模的集中綠地，最終忽視了街道綠化的營造。這一現(xiàn)象啟示我們：城市的綠化覆蓋率導控要求并不能保證街道綠視率水平，應(yīng)在綠色城市設(shè)計導控中加入街道綠視率的導控要求，以保證可視的城市沿街綠化水平。另外，探究不同城市中街道綠視率和綠化覆蓋率不一致現(xiàn)象的影響因素，是實現(xiàn)更為高效高質(zhì)的綠色城市設(shè)計的重要研究課題。

5.2 街道綠視率和綠化覆蓋率不一致現(xiàn)象成因探討

街道綠視率和綠化覆蓋率表現(xiàn)一致與否不僅受自然氣候等客觀因素影響，還受到可人為控制的經(jīng)濟水平影響。高經(jīng)濟水平的城市往往能夠更好地利用城市綠色資源，實現(xiàn)城市中街道綠視率和綠化覆蓋率的協(xié)同發(fā)展（A）。與市民日常生活息息相關(guān)的街道綠視率水平，并非完全受氣候因素控制，合理的財政投入能夠大幅度提升這一人本尺度的空間品質(zhì)。同時，距離城市中心較遠的區(qū)域往往存在低綠視高綠化（B）的情況，這啟示我們在城市外圍地區(qū)的綠地規(guī)劃和設(shè)計中，不應(yīng)過度依賴大面積的集中綠化，而忽略街道綠化環(huán)境的營造。

5.3 提高街道綠視率的方向

有效提高街道綠視率也將成為未來綠色城市設(shè)計的關(guān)鍵課題。本研究發(fā)現(xiàn)，綠化覆蓋率對街道綠視率存在正向影響。因此，加強城市綠化投入、增加沿街綠地面積，有利于提升街道綠視率。與此同時，也應(yīng)注意到經(jīng)濟水平、城市形態(tài)等因素同樣會對街道綠視率產(chǎn)生重要影響。一方面，經(jīng)濟水平會影響街道綠視率的表現(xiàn)，這意味著城市綠色資源在街道綠視率層面上存在分配的公平性問題[38]，需要政府進一步優(yōu)化和完善街道綠色資源的供給和布局。另一方面，城市形態(tài)對街道綠視率水平的影響不可忽視。采用小街區(qū)、密路網(wǎng)的規(guī)劃模式有助于增加街道密度和街道綠化的可視水平，且提供更多小型城市綠地來增加城市沿街綠化空間。未來可以進一步探索綠色城市規(guī)劃設(shè)計方法來提高街道綠視率表現(xiàn)。

5.4 研究局限與未來展望

本研究實驗設(shè)計仍存在提升空間。首先，影響因素選取與測度的準確性可進一步提升，如城市形態(tài)因素中平均建筑高度考慮了研究范圍內(nèi)所有建筑的平均高度，但街道綠化生長更多受到街道兩側(cè)建筑的影響，未來的研究中可考慮將街道兩側(cè)平均建筑高度作為因變量。其次，本研究中對街道寬度、建設(shè)時長等因素的影響考慮較少，如更窄的道路會使人視野中的綠化更多，從而提高街道綠視率，又如離城市中心較遠地區(qū)的行道樹處于建設(shè)起步階段，體量較小，街道綠視率會較低等。未來可考慮納入更多源的數(shù)據(jù)，如建立數(shù)字平臺開展多輪次實時監(jiān)測來排除影響，以進一步優(yōu)化研究。另外，本研究以中位數(shù)為標準劃分街道綠視率和綠化覆蓋率的表現(xiàn)類別，該分類標準有待優(yōu)化，可考慮采納專家意見劃分街道綠視率和綠化覆蓋率的高低等級以提高分類的準確性。同時，南北植物自身特征的差異也會對街道綠視率的分析結(jié)果產(chǎn)生影響，今后的研究可考慮結(jié)合植物特征增加折減系數(shù)再作比較。

本研究在數(shù)據(jù)采集方面也存在一定局限性。受限于數(shù)據(jù)收集可行性，本研究的樣本量較少，同時二線城市樣本量比例較低，可能會導致分析的偏差，在未來的研究中應(yīng)擴大樣本容量，更為均衡地采集不同等級的城市樣本，以提升分析的準確性。另外，在綠化覆蓋率的數(shù)據(jù)采集上，本研究沿用了國內(nèi)外許多實證研究的做法[16-17,26-28]——以NDVI數(shù)據(jù)所求得的植被覆蓋率來表征綠化覆蓋率。然而，NDVI更多地反映不同植被類型的特征，而綠化覆蓋率是指綠色空間垂直投影面積與用地面積之間的比值，二者并不完全一致，在未來研究中可考慮使用機器學習算法開展更精準的綠化覆蓋率計算。受限于百度街景數(shù)據(jù)的采集時間，本研究選取的街景數(shù)據(jù)主要為2017—2020年的數(shù)據(jù)，季節(jié)以夏季為主。對于北京、上海、武漢、成都、南昌5個緯度相對較高的城市，其夏季月份跨度定義為5—9月；對于廣州、深圳、昆明3個緯度較低的城市，其夏季月份跨度定義為3—10月。在上述時間段內(nèi)不存在街景數(shù)據(jù)的少部分道路則將逐年或逐月擴大時間跨度以補充數(shù)據(jù)。在未來的研究中可考慮利用機器學習等方式實現(xiàn)特定年份夏季街景數(shù)據(jù)綠視率的精準預(yù)測。

本研究討論的是街道綠視率與綠化覆蓋率的一致性，但二者在研究范圍上是存在差異的，前者僅關(guān)注街道這一公共空間，后者則包括街道、公園、廣場、居住區(qū)內(nèi)部等綠地的城市整體綠化。雖然街道綠視率的重要性不言而喻，但集中綠地的重要性也不可忽視。在未來的研究中，可通過自主影像采集來補充集中綠地的街道綠視率的測度，以更好地評估城市整體范圍內(nèi)街道綠視率與綠化覆蓋率的一致性。

圖表來源(Sources of Figures and Tables)：文中圖表均由作者繪制，其中圖2使用的城市邊界來源于高德開放平臺，審圖號：GS京（2022）1061號。