留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

城市出行天空可视指数

吴洁 程亮 楚森森 阮晓光

吴洁, 程亮, 楚森森, 阮晓光. 城市出行天空可视指数[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
引用本文: 吴洁, 程亮, 楚森森, 阮晓光. 城市出行天空可视指数[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
WU Jie, CHENG Liang, CHU Sensen, RUAN Xiaoguang. Sky View Index-Urban Transportation[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
Citation: WU Jie, CHENG Liang, CHU Sensen, RUAN Xiaoguang. Sky View Index-Urban Transportation[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447

城市出行天空可视指数

doi: 10.13203/j.whugis20200447
基金项目: 

国家重点研发计划 2017YFB0504205

国家自然科学基金 41622109

详细信息
    作者简介:

    吴洁,博士生,现从事遥感图像处理研究。1936063643@qq.com

    通讯作者: 程亮,博士,教授。lcheng@nju.edu.cn
  • 中图分类号: P208

Sky View Index-Urban Transportation

Funds: 

The National Key Research and Development Program of China 2017YFB0504205

the National Natural Science Foundation of China 41622109

More Information
    Author Bio:

    WU Jie, PhD candidate, specializes in remote sensing image processing. E-mail: 1936063643@qq.com

    Corresponding author: CHENG Liang, PhD, professor. E-mail: lcheng@nju.edu.cn
  • 摘要: 开阔的天空视野有利于营造舒适的城市出行体验,针对如何评价城市交通出行的天空可视能力这一问题,提出了城市出行天空可视指数(sky view index-urban transportation, SVI-UT)。采用4步走策略:街景全景照片获取;基于街景全景照片的天空视觉量计算;腾讯地图服务路径规划;城市出行天空可视指数各指标计算。以中国云南省昆明市中心城区为实验区,多角度衡量居民的城市出行天空可视能力。实验结果表明,SVI-UT为研究人在交通过程中对天空的视觉感知提供了一个新的理论和框架。从公共的街景和交通数据出发,提出了SVI-UT的定量计算框架,拓展了街景图像的实际应用。该指数可以从新的角度指导城市交通规划和城市建设,居民可通过选取SVI-UT值较高的线路和出行方式来提高出行舒适感。
  • 图  1  SVI-UT的定义

    Figure  1.  Concept of SVI-UT

    图  2  技术流程示意图

    Figure  2.  Diagram of Technical Flow

    图  3  天空视觉量计算流程

    Figure  3.  Sky View Calculation Process

    图  4  SV计算结果

    Figure  4.  Results of Sky View Ratio Calculation

    图  5  WebService API路线爬取流程

    Figure  5.  Flowchart of WebService API Route Crawls

    图  6  SV计算结果

    Figure  6.  Sky View Calculation Results

    图  7  到达不同目的地的差异分析(以SSVI-UT为例)

    Figure  7.  Analysis of Differences Observed Reaching Different Destinations (Using SSVI-UT as an Example)

    图  8  不同出行方式(步行和驾车)差异分析

    Figure  8.  Analysis of Differences Between Transportation Modes

    图  9  两种交通方式下5个不同地点的5个SVI-UT指标的城市级水平平均值

    Figure  9.  City-Level Mean Values of Five SVI-UT Indicators to Five Different Locations Under Two Kinds of Transportation Modes

    图  10  不同指标差异性分析(以市中心为目的地)

    Figure  10.  Analysis of Differences Between Indicators (with the City Center as the Destination)

    表  1  街景爬取参数

    Table  1.   Parameters for Tencent Map to Crawl Street View Image

    参数 解释
    尺寸 街景照片的大小:长×宽
    位置 坐标
    偏航角 相机与正北方向顺时针夹角,取值范围[0°, 360°]
    俯仰角 相机的俯角或仰角
    密钥 开发者密钥
    下载: 导出CSV

    表  2  API访问请求所需参数

    Table  2.   Required Parameters of API Access

    参数 解释
    From 起点,格式:纬度,经度
    To 终点,格式:纬度,经度
    Key 开发者密钥
    Output 返回格式: JSon/JSonP
    下载: 导出CSV
  • [1] Cheng Y H, Lin Y C. Expanding the Effect of Metro Station Service Coverage by Incorporating a Public Bicycle Sharing System[J]. International Journal of Sustainable Transportation, 2017, 12(4): 241-252 doi:  10.1080/15568318.2017.1347219
    [2] Sgouridis S, Helmers E, Hadhrami M A. Light-Duty Electric Vehicles in the Gulf-Techno-Economic Assessment and Policy Implications[J]. International Journal of Sustainable Transportation, 2017, 12(2): 92-106 doi:  10.1080/15568318.2017.1332256
    [3] Castronuño M, Castillomanzano J I, Fageda X. The Role of Road Safety in a Sustainable Urban Mobility: An Econometric Assessment of the Spanish NUTS-3 Case[J]. International Journal of Sustainable Transportation, 2017, 12(3): 205-217 http://www.zhangqiaokeyan.com/academic-journal-foreign_other_thesis/0204110440888.html
    [4] Singh S, Prathyusha C. System Dynamics Model for Urban Transportation System to Reduce Fuel Consumption and Fuel Emission[C]// The 1st International Conference of Urban Science and Engineering, Indian Institute of Technology Bombay, Mumbai, India, 2020
    [5] Caracciolo F, Amani P, Cavallo C, et al. The Environmental Benefits of Changing Logistics Structures for Fresh Vegetables[J]. International Journal of Sustainable Transportation, 2017, 12(4): 233-240 http://www.ixueshu.com/document/11e63c0cbd79e44b62ac86998d9625d2318947a18e7f9386.html
    [6] Cheng Y H, Chang Y H, Lu I J. Urban Transportation Energy and Carbon Dioxide Emission Reduction Strategies[J]. Applied Energy, 2015, 157(1): 953-973 http://www.sciencedirect.com/science/article/pii/S0306261915001658
    [7] Kubota Y. Study on the Visual Impact of High-Rise Buildings as Landmarks in the Urban Settings[C]//International Symposium on City Planning, Kobe Port Island International Conference Center, Hyogo, Japan, 2000
    [8] Temelová J, Slezáková A. The Changing Environment and Neighbourhood Satisfaction in Socialist High-Rise Panel Housing Estates: The Time-Comparative Perceptions of Elderly Residents in Prague[J]. Cities, 2014, 37(14): 82-91 http://www.sciencedirect.com/science/article/pii/S0264275113001856
    [9] Asgarzadeh M, Koga T, Hirate K, et al. Investigating Oppressiveness and Spaciousness in Relation to Building, Trees, Sky and Ground Surface: A Study in Tokyo[J]. Landscape and Urban Planning, 2014, 131: 36-41 doi:  10.1016/j.landurbplan.2014.07.011
    [10] Moughtin J C. Urban Design: Street and Square[M]. Urban Design : Street and Square, Architectural Press, 1999
    [11] Asgarzadeh M, Lusk A, Koga T, et al. Measuring Oppressiveness of Streetscapes[J]. Landscape and Urban Planning, 2012, 107(1): 1-11 doi:  10.1016/j.landurbplan.2012.04.001
    [12] Bakti I G M Y, Rakhmawati T, Sumaedi S, et al. Public Transport Users? WOM: An Integration Model of the Theory of Planned Behavior, Customer Satisfaction Theory, and Personal Norm Theory[J]. Transportation Research Procedia, 2020, 48: 3 365-3 379 doi:  10.1016/j.trpro.2020.08.117
    [13] Soltanpour A, Mesbah M, Habibian M. Customer Satisfaction in Urban Rail: A Study on Transferability of Structural Equation Models[J]. Public Transport, 2020, 12(1): 123-146 doi:  10.1007/s12469-019-00223-y
    [14] Zhang C, Liu Y, Lu W, et al. Evaluating Passenger Satisfaction Index Based on PLS-SEM Model: Evidence from Chinese Public Transport Service[J]. Transportation Research Part A: Policy and Practice, 2019, 120: 149-164 doi:  10.1016/j.tra.2018.12.013
    [15] Lunke E B. Commuters? Satisfaction with Public Transport[J]. Journal of Transport and Health, 2020, DOI:  10.1016/j.jth.2020.100842
    [16] 季珏, 高晓路. 北京城区公共交通满意度模型与空间结构评价[J]. 地理学报, 2009, 64(12): 71-81 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200912011.htm

    Ji Jue, Gao Xiaolu. Evaluating Urban Structure by Modeling Satisfaction Towards Public Transportation[J]. Acta Geographica Sinica, 2009, 64(12): 71-81 https://www.cnki.com.cn/Article/CJFDTOTAL-DLXB200912011.htm
    [17] Chen P, Shen Q, Childress S. A GPS Data-Based Analysis of Built Environment Influences on Bicyclist Route Preferences[J]. International Journal of Sustainable Transportation, 2017, 12(3): 218-231 doi:  10.1080/15568318.2017.1349222?tab=permissions&scroll=top
    [18] Ouali L A B, Graham D J, Barron A, et al. Gender Differences in the Perception of Safety in Public Transport[J]. Journal of the Royal Statal Society Series A (Stats in Society), 2020, 183(3): 737-769 doi:  10.1111/rssa.12558
    [19] Rosaria L, Ida C, Beh E J. Assessing Satisfaction with Public Transport Service by Ordered Multiple Correspondence Analysis[J]. Social Indicators Research: An International and Interdisciplinary Journal for Quality-of-Life Measurement, 2019, 143(1): 355-369 doi:  10.1007/s11205-018-1972-6
    [20] Cordera R, Nogués S, González-González E, et al. Intra-Urban Spatial Disparities in User Satisfaction with Public Transport Services[J]. Sustainability, 2019, 11(20): 1-22 http://www.researchgate.net/publication/336686220_Intra-Urban_Spatial_Disparities_in_User_Satisfaction_with_Public_Transport_Services
    [21] 李梦溪, 邱新法, 曾燕, 等. 城市天空开阔度矢量/栅格估算方法对比[J]. 中国沙漠, 2017, 37(4): 811-819 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGSS201704024.htm

    Li Mengxi, Qiu Xinfa, Zeng Yan, et al. Comparison of Vector/Raster Estimation Methods for Urban Sky View Factor[J]. Journal of Desert Research, 2017, 37(4): 811-819 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGSS201704024.htm
    [22] 张海龙, 祝善友, 王明江, 等. 基于3D建筑物数据的天空开阔度估算及其城市热岛应用研究: 以Adelaide为例[J]. 遥感技术与应用, 2015, 30(5): 899-907 https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201505010.htm

    Zhang Hailong, Zhu Shanyou, Wang Mingjiang, et al. Sky View Factor Estimation Based on 3D Urban Building Data and Its Application in Urban Heat Island: Illustrated by the Case of Adelaide[J]. Remote Sensing Technology and Application, 2015, 30(5): 899-907 https://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201505010.htm
    [23] 刘衍, 张沫岩, 陈睿昕, 等. 基于全景图的城市街区太阳日总辐射计算方法对比[J]. 建筑节能, 2020(7): 53-57 doi:  10.3969/j.issn.1673-7237.2020.07.010

    Liu Yan, Zhang Moyan, Chen Ruixin, et al. Comparison of Methods Calculating the Total Solar Radiation Daily Value in Urban Area Based on Panoramic Images[J]. Building Energy Efficiency, 2020(7): 53-57 doi:  10.3969/j.issn.1673-7237.2020.07.010
    [24] Susaki J, Komiya Y, Takahashi K. Calculation of Enclosure Index for Assessing Urban Landscapes Using Digital Surface Models[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(10): 4 038-4 045 doi:  10.1109/JSTARS.2013.2271380
    [25] Takei M, Ohara M. Experimental Study on Measurement of the Sense of Oppression by a Building : (Part-1) Psychological Analysis of the Sense of Oppression Caused by a Building and the Device for the Experiment[J]. Transactions of the Architectural Institute of Japan, 1977, 261: 105-114 doi:  10.3130/aijsaxx.261.0_105
    [26] Hwang T, Yoshizawa N, Munakata J, et al. A Study on the Oppressive Feeling Caused by the Buildings in Urban Space: Focused on the Physical Factors Corresponding with Oppressive Feeling[J]. Journal of Environmental Engineering, 2007, 72: 25-30 http://ci.nii.ac.jp/naid/110006278768
    [27] Ewing R, Handy S. Measuring the Unmeasurable: Urban Design Qualities Related to Walkability[J]. Journal of Urban Design, 2009, 14(1): 65-84 doi:  10.1080/13574800802451155
    [28] Stamps A E, Smith S. Environmental Enclosure in Urban Settings[J]. Environment and Behavior, 2002, 34(6): 781-794 doi:  10.1177/001391602237246
    [29] Chapman L, Thornes J E, Bradley A V. Sky‐View Factor Approximation Using GPS Receivers[J]. International Journal of Climatology, 2010, 22(5): 615-621 http://adsabs.harvard.edu/abs/2002IJCli..22..615C
    [30] Heo H K, Lee D K, Park C Y, et al. Sky View Factor Calculation in Complex Urban Geometry with Terrestrial LiDAR[J]. Physical Geography, 2020(8): 1-21 doi:  10.1080/02723646.2020.1778156?tab=permissions&scroll=top
    [31] Honjo T, Lin T P, Seo Y. Sky View Factor Measurement by Using a Spherical Camera[J]. Journal of Agricultural Meteorology, 2019, 75(2): 59-66 doi:  10.2480/agrmet.D-18-00027
    [32] Yin L, Wang Z X. Measuring Visual Enclosure for Street Walkability: Using Machine Learning Algorithms and Google Street View Imagery[J]. Applied Geography, 2016, 76: 147-153 doi:  10.1016/j.apgeog.2016.09.024
    [33] Middel A, Lukasczyk J, Zakrzewski S, et al. Urban Form and Composition of Street Canyons: A Human-Centric Big Data and Deep Learning Approach[J]. Landscape and Urban Planning, 2019, 183: 122-132 doi:  10.1016/j.landurbplan.2018.12.001
    [34] 王娅君. 东南亚若干首都城市街景图像汉字检测与时空分布分析[D]. 南京: 南京大学, 2017

    Wang Yajun. Chinese Text Detection and Spatial Temporal Distribution Analysis of Capital Cities in Southeast Asia Based on Street View Images[D]. Nanjing: Nanjing University, 2017
    [35] 钮心毅, 徐方. 基于视觉影响的建成环境空间开敞度定量评价方法[J]. 城市规划学刊, 2011(1): 91-97 doi:  10.3969/j.issn.1000-3363.2011.01.013

    Niu Xinyi, Xu Fang. Quantitative Evaluation of Spatial Openness of Built Environment Using Visual Impact Analysis[J]. Urban Planning Forum, 2011(1): 91-97 doi:  10.3969/j.issn.1000-3363.2011.01.013
    [36] Walker H K, Hall W D, Hurst J W. Claudication-Clinical Methods: The History, Physical, and Laboratory Examinations[M]. 3rd ed. Boston, MA: Butterworths, 1990: 565
    [37] Ye Q X, Gao W, Wang W Q, et al. A Color Image Segmentation Algorithm by Using Color and Spatial Information[J]. Journal of Software, 2004, 15(4): 522-530 http://en.cnki.com.cn/Article_en/CJFDTOTAL-RJXB200404007.htm
    [38] Cheng L, Chu S S, Zong W W, et al. Use of Tencent Street View Imagery for Visual Perception of Streets[J]. International Journal of Geo-Information, 2017, 6(9): 265-285 doi:  10.3390/ijgi6090265
  • [1] 郝雨时, 徐爱功, 章红平, 隋心.  车载POS公路线形特征识别与参数计算 . 武汉大学学报 ● 信息科学版, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
    [2] 田晶, 余梦婷, 任畅, 熊富全.  城市道路网元胞模式分析的网络景观指数分析法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1588-1594. doi: 10.13203/j.whugis20150640
    [3] 郑 宇.  城市计算概述 . 武汉大学学报 ● 信息科学版, 2015, 40(1): 1-13.
    [4] 何培培, 万幼川, 高贤君, 秦家鑫.  基于彩色信息尺度不变特征的街景影像匹配 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 867-872.
    [5] 邹海翔, 乐阳, 李清泉.  城市路网交通状态的改进Kriging估计方法 . 武汉大学学报 ● 信息科学版, 2012, 37(1): 101-104.
    [6] 应申, 李霖, 高玉荣.  利用可视引导的Agent模拟城市人流运动 . 武汉大学学报 ● 信息科学版, 2011, 36(11): 1367-1370.
    [7] 康志忠, 张祖勋, 张剑清.  城市街道景观三维可视化的快速实现 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 205-208.
    [8] 陶旸, 汤国安, 王春, 孙京禄.  DEM子集划分对地形信息量计算的影响研究 . 武汉大学学报 ● 信息科学版, 2009, 34(12): 1463-1466.
    [9] 黄正东, 李丹, 周玉红.  基于有向层次模型的城市常规公交出行路径优化 . 武汉大学学报 ● 信息科学版, 2008, 33(4): 358-362.
    [10] 刘岳峰, 张鑫, 孙华, 刘婷.  公交出行完整路线计算方法研究 . 武汉大学学报 ● 信息科学版, 2008, 33(4): 375-378.
    [11] 邓非, 张祖勋, 张剑清.  一种激光扫描数据与数码照片的配准方法 . 武汉大学学报 ● 信息科学版, 2007, 32(4): 290-292.
    [12] 陈云浩, 李晓兵, 李京, 史培军.  陆面日蒸发散量计算的两层阻抗遥感模型 . 武汉大学学报 ● 信息科学版, 2005, 30(12): 1075-1079.
    [13] 沈建武, 刘学军, 陈良琛.  城市大型商业设施交通影响分析 . 武汉大学学报 ● 信息科学版, 2002, 27(4): 432-435.
    [14] 熊汉江, 龚健雅, 朱庆.  数码城市空间数据模型与可视化研究 . 武汉大学学报 ● 信息科学版, 2001, 26(5): 393-398.
    [15] 朱英浩, 张祖勋, 张剑清.  顾及地形的城市三维可视化方法研究 . 武汉大学学报 ● 信息科学版, 1998, 23(3): 199-203.
    [16] 刘鼎文, 鲁家珍, 宋文尧, 张牙.  无越流补给承压含水层不完整井非稳定流单井排放诱发地壳形变的定量计算 . 武汉大学学报 ● 信息科学版, 1997, 22(2): 122-124,141.
    [17] 孙善芳, 唐治锋, 杨春淮.  城市景观的视觉分析与模拟控制方法 . 武汉大学学报 ● 信息科学版, 1994, 19(3): 254-258.
    [18] 邱卫根, 宁津生.  利用重复水准测量及重力测量计算水准面随时间的变化 . 武汉大学学报 ● 信息科学版, 1990, 15(3): 21-28.
    [19] 孙玉国, 边经卫.  计算机辅助襄樊市城市交通规划 . 武汉大学学报 ● 信息科学版, 1990, 15(1): 48-57.
    [20] 施品浩.  切比雪夫多项式逼近在大地测量计算中的应用 . 武汉大学学报 ● 信息科学版, 1980, 5(1): 35-59.
  • 加载中
图(10) / 表(2)
计量
  • 文章访问数:  632
  • HTML全文浏览量:  180
  • PDF下载量:  80
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-02
  • 刊出日期:  2021-05-05

城市出行天空可视指数

doi: 10.13203/j.whugis20200447
    基金项目:

    国家重点研发计划 2017YFB0504205

    国家自然科学基金 41622109

    作者简介:

    吴洁,博士生,现从事遥感图像处理研究。1936063643@qq.com

    通讯作者: 程亮,博士,教授。lcheng@nju.edu.cn
  • 中图分类号: P208

摘要: 开阔的天空视野有利于营造舒适的城市出行体验,针对如何评价城市交通出行的天空可视能力这一问题,提出了城市出行天空可视指数(sky view index-urban transportation, SVI-UT)。采用4步走策略:街景全景照片获取;基于街景全景照片的天空视觉量计算;腾讯地图服务路径规划;城市出行天空可视指数各指标计算。以中国云南省昆明市中心城区为实验区,多角度衡量居民的城市出行天空可视能力。实验结果表明,SVI-UT为研究人在交通过程中对天空的视觉感知提供了一个新的理论和框架。从公共的街景和交通数据出发,提出了SVI-UT的定量计算框架,拓展了街景图像的实际应用。该指数可以从新的角度指导城市交通规划和城市建设,居民可通过选取SVI-UT值较高的线路和出行方式来提高出行舒适感。

English Abstract

吴洁, 程亮, 楚森森, 阮晓光. 城市出行天空可视指数[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
引用本文: 吴洁, 程亮, 楚森森, 阮晓光. 城市出行天空可视指数[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
WU Jie, CHENG Liang, CHU Sensen, RUAN Xiaoguang. Sky View Index-Urban Transportation[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
Citation: WU Jie, CHENG Liang, CHU Sensen, RUAN Xiaoguang. Sky View Index-Urban Transportation[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 706-717. doi: 10.13203/j.whugis20200447
  • 城市交通系统是城市基础设施的重要组成部分。现有的交通研究倾向于关注交通系统的服务能力[1]、经济成本[2]、运输安全[3]、低碳排放-环境保护和建设可持续的交通系统[4-6]等。随着城市居民生活质量的提升,越来越多的人重视交通出行过程中的体验和舒适感。许多因素影响人们的舒适感,包括交通系统的性能和城市环境。其中,城市街道天空开阔度是影响城市环境质量的重要因素[7]。为满足人口增长的发展需求,开发城市垂直空间成为有效的手段,高层建筑在城市中迅速崛起[8]。这些建筑打断了观者的视线,使城市公共空间成为一个封闭的空间,给城市居民带来心理上的压迫感[9]。合理的天空视觉量可以给居民带来视觉上的安全感[10],天空视觉量过低会增加人的负面心理压力,甚至导致犯罪率增高[11],且会对城市环境质量产生负面影响,进而成为构造愉快的城市交通出行体验的障碍。因此,城市居民出行过程中的天空可视能力评价对交通规划和城市建设至关重要。

    有关人在交通出行中的体验研究多集中在3个方面:(1)通过建立多种指标体系评价乘客对公共交通的满意程度。通过收集乘客满意度数据,整合计划行为理论、乘客满意理论,从方便性、安全性、可靠性、舒适性等维度构建乘客满意度评价模型,定量评价乘客交通出行体验[12-14]。(2)综合道路空间区位等因素研究交通体验的关键影响因子。通过分析出行路径偏好,建立土地利用、道路通达性、绿化程度、人口和经济集聚度、道路密度、区位指标等因子与交通体验的潜在联系,辅助交通服务政策的制定[15-17]。(3)针对出行者自身因素导致的出行体验差异,探索个性化交通服务方案。从出行者所在的城市区域、出行者的年龄、性别等差异着手,进行舒适度、安全性等方面的满意度大数据分析,探索不同人群对交通出行体验存在的空间和性别差异,为交通服务的精确制定提供参考[18-20]

    近年来,天空视觉量逐渐被用于城市建设水平的评价,研究多集中于天空视觉的定量计算[21-23]。早期研究通过适当的物理参数来衡量城市空间心理压力[24]。文献[25]认为建筑物立体角和外形因素是衡量天空视觉的最佳指标,其他研究者也提出了一些物理变量,如配置因素[26]、景深[27]、树木和天空因子[10]及视线遮挡比[28]等。这些物理参数主要可以通过野外测量或对城市周边的一些采样点拍照来计算,不能快速有效地测量整个城市街道的天空视觉量。随着天空视觉因子(sky view factor,SVF)概念[29]的提出,诸多研究开始将这一概念用于城市尤其是街道层面的天空视觉量评价,大致可概括为两类:(1)侧重于SVF的计算方法研究,集中在利用多源数据进行SVF计算。例如,文献[30]采用激光雷达(light detection and ranging,LiDAR)数据计算城市复杂区域的SVF,此种手段成本较高,存在一定推广瓶颈;文献[31]利用球面相机精确拍摄全景照片以计算SVF,通过精度验证与误差分析证实了该方法的可行性。(2)利用SVF的计算结果建立SVF与城市空间形态的耦合关系,用于居民对城市视觉感知状况的评价。如文献[32]引入谷歌街景照片,采用机器学习算法从照片中提取天空区域,提出街道可步性评价指标,建立视觉郁闭度与街道可步性的关系;文献[33]对谷歌街景照片进行图像分割与分类,模拟行人对街道的视觉感知,将分割后的图像投影到球体上评估每个类别的面积比例,以描述城市空间形态。

    然而,现有研究尚未建立起街道天空可视程度与城市交通过程之间的联系。事实上,出行途中天空可视状况可以影响人的行为和心理感受,视野中可见天空面积越大,人往往可以获得更愉快的出行体验。不同出行路线上天空视觉量的变化以及出行方式的差异可能会影响居民的天空可视状况,从而影响出行舒适度的总体水平。本文提出了城市出行天空可视指数(sky view index-urban transportation,SVI-UT),旨在通过一系列指标来定量评价城市出行天空可视能力,为有关交通过程中人的视觉感知研究提供思路,并辅助制定更好的交通规划。

    • SVI-UT用于衡量城市中位于不同地理位置的居民到达不同的目的地沿街道所能看到天空的能力。SVI-UT的值取决于城市中沿街道天空可视状况以及居民的出行路线,建立了城市天空视觉量与居民出行路线之间的联系。图 1以天空可视总量(summation of sky view,SSVI-UT)为例具体展示了SVI-UT的概念。

      图  1  SVI-UT的定义

      Figure 1.  Concept of SVI-UT

      假定居民从不同的地点出发,前往不同的目的地。本文采用沿街道等距采样获取的全景照片提取天空视觉量。这些全景照片水平覆盖360°,垂直覆盖180°,与采用不同角度的照片相比,全景照片可以大大提高计算效率。天空视觉量越大,在给定的点上可见的天空面积就越大。图 1(a)展示了天空视觉量的计算结果。不同路线的天空视觉量由采样点的尺寸大小和颜色深浅表示,尺寸越大、颜色越深,表明可见天空面积越大。图 1(b)展示了路线1和路线2对应的SVI-UT计算值,可以看出路线1的SVI-UT值明显大于路线2。

      基于SVI-UT这个基本概念,本文定义了一系列指标来衡量SVI-UT。居民出行过程中天空视觉量有累积效应,即较长的交通路线意味着较长的出行时间及较高的天空视觉量。为了从多角度评价某路线上的天空可视能力,这些指标可分为考虑累积效应的指标和归一化的指标两类。

      1)沿途的天空视觉量越大,可见天空的时间或距离就越长。同时,路线选择也可能影响出行时间和沿途天空可视能力。具有累积效应的指标包括天空可视总量(SSVI-UT)、天空可视距离(distance of sky view,DSVI-UT)和天空可视时间(duration of sky view,TSVI-UT)。SSVI-UT代表出行途中的天空视觉量总和,从整体上表征居民出行途中的天空可视能力。DSVI-UT衡量一条出行路线沿途可以看见天空的距离的能力,指标取决于包含天空的全景照片的数量。TSVI-UT衡量一条出行路线沿途可见天空的持续时间的能力。

      2)归一化的指标用来排除不同路径距离和时间的影响,包括单位距离天空可视量(unit distance sky view,UDSVI-UT)和单位时间天空可视量(unit duration sky view,UTSVI-UT)。UDSVI-UT反映该路线每前进单位距离可以看到的天空面积;UTSVI-UT反映该路线每前进单位时间可以看到的天空面积。这些指标实际上代表了交通出行途中的平均天空可视情况。

      上述5个指标的定义涉及出行路线上采样点天空视觉量、行程总距离及时间,考虑到由于出行方式的不同,从同一起点到同一目的地的最佳路线存在差异,本文从驾车和步行两种出行方式角度进行指标的计算分析。以上指标结合交通工具及路线情况从不同角度反映SVI-UT。

    • 本文采用腾讯街景数据和腾讯出行路径数据进行街道层级计算分析,具体流程如图 2所示。

      图  2  技术流程示意图

      Figure 2.  Diagram of Technical Flow

    • 街景地图是一种实景地图服务,为用户提供城市、街道和其他环境的全景街景图像。街景采集系统主要包括街景车、拍摄相机、GPS设备、激光雷达扫描仪及后处理软件等。通过在街景车顶部安装多视点组合式鱼眼全景相机实现街景照片的拍摄。街景车每行驶一定距离,通过鱼眼相机拍摄实景,同时测量并记录拍摄点的精确位置、当前指向等信息。后期首先通过鱼眼图像校正技术及图像拼接技术对每个拍摄点除去重叠的部分,形成一张360°全景图像;然后对全景图像进行球面投影,映射到以图像采集系统为球心、焦距为半径的球面上,形成连续的球面街景图像;最后叠加在电子地图中呈现,供用户下载[34]。因此,采用下载的二维街景照片计算天空视觉量是属于三维层面的,能够模拟人视角。腾讯地图提供电子地图、卫星影像、地形图、街景地图等多种地图形式。本文选用腾讯街景地图作为街景数据来源,腾讯电子地图作为道路网来源。

      下载的腾讯街景照片网址中包含的参数包括街景照片的尺寸、位置、偏航角、俯仰角以及密钥,如表 1所示。

      表 1  街景爬取参数

      Table 1.  Parameters for Tencent Map to Crawl Street View Image

      参数 解释
      尺寸 街景照片的大小:长×宽
      位置 坐标
      偏航角 相机与正北方向顺时针夹角,取值范围[0°, 360°]
      俯仰角 相机的俯角或仰角
      密钥 开发者密钥

      由爬取参数可知,首先需要确定采样点的经纬度坐标。对腾讯电子地图获取的路网数据进行拓扑检查和双线道路的简化,以50 m为间隔将每条道路分割为离散点。50 m的采样间隔在保证照片覆盖度的同时平衡了数据量大小。人的正常视野范围为在某个固定视点,人眼能够看到的空间范围[35]。大多数人的视野范围为50°~60°[36],需要8张街景照片满足360°视角的全覆盖。街景车在采集数据时使用的相机水平和垂直视角范围为80°~140°,当相机俯仰角为0°时,视野范围与人正常视野大致相同,因此本文俯仰角设为0°,下载每个点0°、45°、90°、135°、180°、225°、270°及315°的8张街景照片并合成全景照片。

      本文使用Java编程实现街景照片的自动下载,通过PTGui软件自动寻找每张照片的控制点,合成全景照片作为天空视觉量提取的数据源。

    • 某点处天空视觉量(sky view,SV)被定义为该点照片中天空区域面积占整张照片面积的比例。SV的计算公式为:

      $${\rm{SV}} = \frac{{\mathop \sum \limits_{i = 0}^{{N_k}} \left| {{r_i}} \right|}}{N} \times 100{\rm{\% }}$$ (1)

      式中,Nk是在图像分割之后被分类为天空区域的数量;ri是第i个天空区域内的像素的数量;N是街景图像中的像素的总数。

      SV的计算需要进行街景图像的分割,采用文献[37]提出的彩色图像的分割算法,结合颜色和空间信息处理彩色图像,在街景图像中分割天空区域。对红-绿-蓝(red-green-blue,RGB)颜色空间的全景照片进行预处理,包括转为Lab颜色空间及形态学滤波,具体流程如图 3所示。

      图  3  天空视觉量计算流程

      Figure 3.  Sky View Calculation Process

      图像分割结束后,采用文献[38]提出的方法提取街景照片中的天空区域。SV提取示意图如图 4所示。P0P1P2分别为SV高、中、低的采样点。

      图  4  SV计算结果

      Figure 4.  Results of Sky View Ratio Calculation

    • 本文采用的出行路线信息数据由腾讯地图网络服务(WebService)应用程序接口(application program interface,API)获取。该数据基于HTTP协议,用户可以使用任何客户端、服务器和开发语言,按照腾讯地图WebService API标准,按需构建HTTP请求。本文使用的API为路径规划服务(Direction)API(http://lbs.qq.com/webservice_v1/guide-road.html),提供步行、骑车、驾车及公交4种出行方式的路线规划服务,根据历史数据结合实时路况精确估计出行时间。

      路径爬取过程如图 5所示。本文爬取工作日9时至10时的路径数据。表 2展示了API访问请求所需的参数。Direction API根据腾讯格式化坐标得到起始点之间的最优路径,即所需时间最短的路线。如果起点和终点不在道路上,API将自动将它们重新定位到最近的道路上。

      图  5  WebService API路线爬取流程

      Figure 5.  Flowchart of WebService API Route Crawls

      表 2  API访问请求所需参数

      Table 2.  Required Parameters of API Access

      参数 解释
      From 起点,格式:纬度,经度
      To 终点,格式:纬度,经度
      Key 开发者密钥
      Output 返回格式: JSon/JSonP

      本文起点的创建如下:按照主城区路网的拓扑关系,根据路网节点将主城区划分为若干区域,提取每个区域中心点坐标代表该区域居民出行的起始点地理位置。分别选择驾车和步行两种出行方式获取最优路线。每条路径的返回结果包括该路线的坐标点串、总距离和估计时间。本文使用Python语言进行路径的爬取和处理。

    • 本文根据SVI-UT系列指标的定义,采用两种类型的数据计算指标,即城市SV分布和出行路线信息数据。基于ArcGIS平台,以5 m为半径建立出行路线缓冲区,将城市SV分布数据与出行路线缓冲区进行叠加分析,如图 2(c)所示。SSVI-UT计算公式如下:

      $${S_j} = \mathop \sum \limits_{i = 1}^N {V_i}$$ (2)

      式中,S表示SSVI-UT;j表示不同的出发地;Vi表示第i个点的SV;N为采样点总数。

      由于本文设置采样点间隔为50 m且起点和目的地点均不为SV提取的采样点,因此,DSVI-UT的计算公式为:

      $$ D_j=50×(n+1) $$ (3)

      式中,D表示DSVI-UT;n为该路线上SV不为0的采样点的个数。

      UDSVI-UT和UTSVI-UT的计算公式分别为:

      $${d_j} = {S_j}/{l_j}$$ (4)
      $${t_j} = {S_j}/{m_j}$$ (5)

      式中,d表示UDSVI-UT;t表示UTSVI-UT;lj表示从起点j到终点的距离,单位为m;mj为所需时间,单位为min。

      每条路线具有不同的长度和所耗时属性,依据该属性,TSVI-UT计算公式为:

      $${T_j} = {D_j}/{v_j}$$ (6)

      式中,T表示TSVI-UT;vj为速度,由lj/mj计算获取。

    • 中国云南省昆明市位于102°10′E~103°40′E,24°23′N~26°22′N,是自然景观和人文景观荟萃之地。作为国际旅游目的地,城市出行舒适感的提升尤为重要。天空可视情况从一定程度上反映了昆明市城市建设现状,对昆明市交通规划的制定有指导意义。本文旨在研究昆明主城区(二环以内)的SVI-UT。

    • 为了更清楚地可视化和分析昆明市主城区的天空量分布状况,本文将SV按大小分为5类:无数据、天空量很少(< 10%)、天空量适中((10%,20%])、天空量较多((20%,30%])和天空量很多((> 30%)),根据以上分类规则进行制图。主城区内SV分布状况如图 6所示,高SV主要分布在主城区外围,市中心区域SV较低。

      图  6  SV计算结果

      Figure 6.  Sky View Calculation Results

    • 根据SVI-UT的定义和计算方法可以看出,SVI-UT与目的地和出行方式这两个因素有关。本节独立分析每个因素对SVI-UT的影响。考虑到居民分布状况及日常生活出行习惯,选取5个地点作为目的地分别进行路线规划:市中心翠湖公园、主城区北部的动物博物馆、主城区南部的昆明火车站,主城区西部的昆明体育馆和主城区东部的昆明饭店。

    • 考虑目的地这一维度的影响,从主城区内居民到5个目的地SVI-UT的整体情况出发,对SSVI-UT的差异进行分析,结果如图 7所示。

      图  7  到达不同目的地的差异分析(以SSVI-UT为例)

      Figure 7.  Analysis of Differences Observed Reaching Different Destinations (Using SSVI-UT as an Example)

      图 7(a)可知,主城区内居民到市中心的SSVI-UT呈现以市中心为核心,向外呈层次性、不规则性递增的趋势。整体而言,西北地区增幅较小,东北和东南地区增幅较大;低值区集中于最内层圆范围内,外层椭圆以外地区为较高值分布区。西北角和东南方向距市中心最远的地区呈现SSVI-UT最高值。

      主城区内居民到昆明站的SSVI-UT分布呈现环状分布逐层递增现象,图 7(b)弧线以上距昆明站较远的西北地区SSVI-UT明显高于弧线以下距昆明站较近的东南地区;低值集中区位于主城区南部昆明站附近地区,西北角仍呈现最高值。主城区内居民到昆明饭店、昆明动物博物馆和昆明体育馆的SSVI-UT分别如图 7(c)7(d)7(e)所示,均呈现以目的地为中心、以不同增幅向外逐级增加的特征。综上,距离因素对SSVI-UT的影响较大,总体而言,距离越远,值越大。由于主城区景观配置差异(高层建筑遮挡天空视野等)的影响,SSVI-UT的增长幅度不同。

    • 以单路线为例探索出行方式这一维度的影响,如图 8所示。可以看出,UDSVI-UT和UTSVI-UT有一定的相似性,且步行时二者分布特征呈现显著相关性,驾车时相关性较弱。以区域1和区域2到市中心的路线1和路线2为例进行分析,图 8中,①和②分别代表区域1和区域2,路线1和路线2代表相应的路径。图 8(a)图 8(b)的椭圆形区域表明,对于UDSVI-UT,区域1小于区域2,而对于UTSVI-UT,两区域相近。由图 8(f)可知两区域SSVI-UT差异不大。由图 8(c)可知,路线2距市中心繁华地带更近,在实时路况条件下可能存在交通拥堵等情况,导致驾车情况下路线2耗时偏长,且路线1较路线2距离略长,从而UDSVI-UT值区域1小于区域2,而UTSVI-UT值区域1与区域2相近。对于步行而言,步行速度较为恒定,二者的相关性更强。

      图  8  不同出行方式(步行和驾车)差异分析

      Figure 8.  Analysis of Differences Between Transportation Modes

    • 综合考虑目的地和出行方式两个因素对中心城区整体出行天空可视能力的影响。对于每个目的地,分别在步行和驾车两种情况下统计各指标在整个主城区范围计算结果的均值。如图 9所示,LOC1、LOC2、LOC3、LOC4、LOC5分别代表昆明体育馆、动物博物馆、昆明站、昆明饭店和市中心。就驾车而言,以昆明站为目的地,各指标均呈现最高值,且SSVI-UT、UDSVI-UT、UTSVI-UT这3个指标值远高于到达其他目的地的值。主城区内,居民前往昆明站的天空可视能力最强。

      图  9  两种交通方式下5个不同地点的5个SVI-UT指标的城市级水平平均值

      Figure 9.  City-Level Mean Values of Five SVI-UT Indicators to Five Different Locations Under Two Kinds of Transportation Modes

      就步行而言,若只考虑可视天空的持续能力,以昆明动物博物馆为目的地的DSVI-UT和TSVI-UT的均值均为最高,表明居民出行沿途可见天空的持续性最强,昆明站次之;但以昆明站为目的地的SSVI-UT、UDSVI-UT、UTSVI-UT均呈现最高值,且远高于以昆明动物博物馆为目的地的指标计算值。综合而言,以昆明站为目的地的天空可视能力最强。以昆明饭店为目的地的各项指标值均很低,主城区内居民步行到达昆明饭店的天空可视能力较弱。

      驾车前往5个目的地的SSVI-UT、UDSVI-UT、UTSVI-UT及DSVI-UT均大于步行;步行到5个目的地的TSVI-UT大于驾车。

    • 从以上分析可以看出,不同目的地和出行方式的选择对SVI-UT各指标有显著影响。结果表明,以主城区北部和南部(昆明动物博物馆、昆明站)为目的地,居民在出行过程中有更开阔的天空视野,而以东部(昆明饭店)为目的地看到天空的可能性较小。

      在城市建设方面,应加大对东部地区高层建筑分布和建筑物密度等方面的规划。在城市交通规划方面,居民日常锻炼可以选择北部和南部地区为目的地,增加开阔的天空视觉体验。对于那些前往东部地区的人来说,尽可能多地选择开车以获得较高的天空可视能力。

      此外,仍有一些时间因素可能影响分析结果,例如工作日和周末不同的出行模式,一天中不同时刻的不同可视模式等。例如,昆明市在工作日有3个出行高峰,分别是8时至9时、17时至18时和21时至22时。对于同一路线,在这段时间内出行时间会变长,导致UTSVI-UT计算结果变低。同时可能存在的一个极端情况是,一条路线的天空可视量很小,但由于严重拥堵使其具有了很大的TSVI-UT。虽然时间因素及路线的选择会影响出行时间,从而影响TSVI-UT的计算结果,但该指标用于衡量一条路线沿途可见天空的持续时间的能力,是评价城市出行天空可视能力的一个角度。本文只考虑工作日9时至10时,这段时间尽量减少时间因素的影响,上述极端情况是很少见的。

      此外,SVI-UT是通过5个不同角度的指标综合衡量的。对于上述由于严重拥堵造成的极端情况,完成出行路线所需的时间很长,虽然TSVI-UT指标值较高,但SSVI-UT及两个归一化的指标(UDSVI-UT和UTSVI-UT)计算值均较低,可以通过多角度评价该路线的天空可视能力,进而辅助指定合理的出行路线。因此,SVI-UT各指标均具有合理性。

    • SVI-UT各指标从不同角度对居民出行的天空可视能力进行评价,以驾车到市中心为例对各指标进行分析比较(见图 10)。如图 10(a)10(b)10(c)所示,SSVI-UT、DSVI-UT和TSVI-UT均呈现以目的地为中心、向外逐级不均衡增加的特征。SSVI-UT最高值集中于主城区东南部部分地区和西北角,DSVI-UT和TSVI-UT最高值分散于最外圈层,无明显的集聚特征。这3个指标值与出发地到目的地的距离均呈正相关,绘制散点图并统计R2值可知,这三者与距离的相关程度有所不同,DSVI-UT与距离的相关程度最高,SSVI-UT次之,TSVI-UT与距离的相关程度稍弱。整体而言,UDSVI-UT和UTSVI-UT的分布特征具有一定的相似性,且二者分布状况与主城区SV分布密切相关。如图 10(d)10(e)所示,主城区西部和东北部椭圆形区域内三者值均较高,低值区主要集中于主城区中部。

      图  10  不同指标差异性分析(以市中心为目的地)

      Figure 10.  Analysis of Differences Between Indicators (with the City Center as the Destination)

      综上,SSVI-UT、DSVI-UT和TSVI-UT受距离因素影响较大,受影响程度不同,指标值随距离的增加以不同程度增加;UDSVI-UT和UTSVI-UT与主城区SV分布的关系较密切,主城区外围尤其是东北地区这两个指标值均较高。

    • 随着城市化的高速发展,城市居民越来越追求交通出行过程中的舒适感,开阔的天空视野在出行体验中扮演着重要的角色。本文提出了城市出行天空可视指数(SVI-UT),用于衡量城市居民出行途中的天空可视能力,包括SSVI-UT、DSVI-UT、TSVI-UT、UDSVI-UT和UTSVI-UT等5个指标。

      本文的4个主要意义为:(1)SVI-UT是一个以人为中心的指标,为研究人在出行途中的天空视觉感知提供了一个新的框架;(2)从开源的街景和交通数据出发,提出了SVI-UT的定量计算框架,拓展了街景照片的实际应用范围;(3)以昆明市市区为例,天空视觉计算和分析框架可以应用于其他城市;(4)该指标可以从新的角度指导决策者进行城市交通规划和城市建设,通过选取SVI-UT值较高的线路和出行方式以提高居民出行的舒适感。对于SVI-UT值较低的线路,应注重高层建筑分布和建筑物密度等方面的规划。

      本文提出的SVI-UT有一些局限性值得改进:假设在步行或驾车时,人在给定点的可见视野范围与拼接的街景全景照片等效,SVI-UT的计算所依赖的采样点位置取决于街景车拍摄时的GPS位置,而居民的日常活动通常位于道路两侧,这种假设可能忽略了二者存在的可视范围差异,有待后续进一步研究与改进。

参考文献 (38)

目录

    /

    返回文章
    返回