通过将街景图像与生成式人工智能技术相结合，进行大规模冬季街道景观感知评估

《BUILDING AND ENVIRONMENT》：Large-scale winter streetscape perception assessments via integrating street view images with generative AI technique

评估冬季街道景观感知对提升寒冷地区步行友好性和居民身心健康至关重要。本研究提出基于生成式AI的评估框架，通过CycleGAN生成冬季街景图像，利用EfficientNet-B0模型预测居民对幸福、放松等四类感知的R2值达0.82-0.87，并揭示冬季特有元素（积雪覆盖、冰面反光）与感知的正相关性，为气候适应型街道设计提供数据驱动方案。

　　

杨叶|童莉

哈尔滨工业大学建筑与设计学院；工业和信息化部寒冷地区城乡人居环境科学技术重点实验室

摘要

评估街道景观的感知对于改善适宜步行的城市环境以及提升居民的身体和心理健康至关重要。然而，由于区域气候条件的影响，不同地点和季节的街道环境存在显著差异。尽管街道视图图像（SVIs）常被用于评估街道质量，但由于冬季SVI数据的稀缺，冬季街道环境对感知的影响尚未得到充分研究。本研究提出了一个基于生成式人工智能的冬季街道景观感知评估框架。研究人员收集了500张冬季SVI和6092张夏季SVI的数据集，并训练了一个CycleGAN模型来生成冬季SVI。验证结果显示，80.11%的生成冬季SVI被认定为具有真实的冬季特征。随后开发了一个EfficientNet-B0模型来预测四种感知类型：愉悦、放松、无聊和压抑。每种感知类型的R2值在0.82到0.87之间，与人类评估结果高度一致。通过相关性分析、OLS回归分析和MGWR分析，研究了冬季街道景观元素与感知反应之间的关联。研究结果表明，冬季特有的特征显著影响感知，并揭示了气候条件如何重塑感知元素之间的关系。研究结果还突出了单个街道景观元素的双重性质和空间异质性，感知效果会随着街道功能和区域气候背景的不同而变化。本研究通过克服季节性SVI数据的限制，推进了基于感知的街道景观评估，并提供了一个可复制的、数据驱动的框架，用于适应气候的街道环境设计。

引言

许多城市，尤其是位于寒冷气候区的城市，每年冬季至少持续三个月。冬季的气候条件——如持续的低温度、强风和减少的太阳辐射——导致树叶脱落以及持续的积雪和结冰现象。这些条件形成了独特的街道景观特征，并显著影响人类的感知，包括出行安全和热舒适度[1]。实证研究表明，冬季城市环境中的植被覆盖程度显著增强了从心理疲劳中的恢复[2,3]。进一步的研究表明，冬季街道景观具有独特的感知特征，使其区别于温带城市环境。例如，在温带城市中，安全性与照明水平（勒克斯）高度相关，而在寒冷城市中，它与道路抗滑指数相关性更强[4]。尽管越来越多的研究证实冬季景观配置通过影响居民的神经调节和心理状态具有治疗潜力[5]，但特定冬季街道景观元素与人类感知之间的关系仍缺乏系统性和定量性的探讨。

大数据采集和分析技术的发展为大规模空间尺度的城市环境感知评估带来了新的可能性。谷歌和百度地图提供了包含城市建成环境详细特征和质量的庞大SVI数据库。这些数据集使得大规模的街道景观评估成为可能，例如识别城市变化、估算天空视野系数、评估街道树木的遮荫程度以及评估与步行性相关的特征[[6], [7], [8], [9], [10], [11]]。带有地理标签的SVI已成为分析城市环境的主要数据来源。

同时，众包技术和人机对抗方法被用来收集和预测居民对城市环境的感知，如安全性、活力、无聊感、独特性和美观度[9]。最近，基于SVI的感知预测模型被开发出来，以量化视觉元素与街道景观因素感知之间的关系。语义分割模型（如PSPNet和SegNet [12]）被用来从SVI中提取像素级别的分类信息（例如建筑物、绿化、天空）。然后通过多元回归分析这些信息，以确定特定街道景观特征与感知环境质量之间的关联。例如，研究发现更绿色的街道景观与更高的幸福感和更低的压力水平呈正相关[13]。

大数据技术的发展使得街道景观感知的大规模评估成为可能。然而，对于独特的城市环境（如冬季街道景观），仍存在两个重要的研究空白。

第一个空白是冬季SVI的稀缺性。在全球开放的街道视图数据库（例如谷歌街景）中，展示典型冬季环境特征的图像（如枯萎的树木和积雪覆盖的表面）只占很小的一部分[14]，而且大多数图像是很久以前拍摄的。尽管手动捕捉街道级别的图像仍然是一个选项，但这通常耗时且劳动密集。

鉴于SVI已成为研究城市建成环境的主要数据来源，缺乏冬季特有的图像可能会导致对冬季街道景观研究的关注度下降。这也限制了在寒冷气候区和温带气候区之间进行比较研究的机会，从而忽视了长冬城市的居民感知需求。这种不平衡最终导致全球城市规划政策和实践中的不公平，因为它们未能公平地考虑多样化的气候背景。因此，开发可扩展的方法来获取高质量的冬季SVI对于填补这一空白至关重要。

第二个空白在于现有街道景观感知预测模型在不同气候区的应用性能下降。这一限制在寒冷、炎热或潮湿等极端环境中尤为明显。像Place Pulse这样的通用感知模型的标记系统是基于温带城市设计的，缺乏对寒冷地区特定元素（如积雪和结冰覆盖、热源可见性）的描述[4]。这种遗漏导致预测冬季街道景观感知的准确性降低。此外，冬季街道景观图像的有限可用性和低代表性加剧了模型欠拟合的问题。这些限制突显了迫切需要一个针对冬季街道景观的、具有与人类评分者相当准确性的季节性适应模型。

为了解决上述研究空白，本研究提出了一个基于生成式人工智能的框架，用于评估冬季街道景观感知，实现大规模生成冬季SVI、预测居民感知以及定量分析街道景观元素与感知之间的关系。研究包括以下三个组成部分：（1）生成冬季SVI；（2）评估和预测冬季街道景观感知；（3）街道景观元素与感知之间的相关性。

本研究的贡献如下：

1.

它建立了一个基于生成式人工智能的冬季街道景观感知评估框架，实现了大规模生成和感知评估。该框架扩展了基于SVI的街道环境研究范式，解决了特殊城市环境中街道景观数据的稀缺问题，并为在极端气候条件下研究城市建成环境提供了新的方法。

2.

它揭示了冬季街道景观元素与居民感知之间的详细关联，为冬季街道环境的最佳设计、政策制定和实施提供了科学依据。这有助于提升适应气候的设计策略，并促进寒冷气候城市居民的福祉。

章节片段

寒冷气候下的城市环境行为与感知

冬季街道环境对寒冷地区居民的感知有着显著影响。这些城市的冬季通常持续很长时间，夏季较短。瑞典每年有长达220天的时间温度低于0°C，在此期间近50%的成年人减少了户外活动[15]。芬兰的人口研究表明，居民仅将4%的总时间用于户外活动[16]。在其他地区也观察到了类似的行为变化

研究框架

本研究提出了一种三步方法，用于在冬季SVI有限的情况下评估居民对冬季街道环境的感知（图1）。

(1)

生成冬季SVI。

从典型的寒冷地区城市收集了具有冬季特征的SVI，并用它们训练了一个GAN来提取冬季特征。随后，将带有冬季特征的标注SVI与大量夏季SVI结合，实现了夏季场景向冬季场景的转换

生成SVI的验证

CycleGAN和Pix2Pix在生成冬季SVI方面的比较结果表明，Pix2Pix过于强调像素间的对应关系，而SVI中存在的不确定因素（如视角偏差、行人和车辆）进一步降低了其风格转移的准确性。因此，生成的图像出现了明显的伪影、模糊和纹理不对齐。其平均SSIM值为0.2895，平均LPIPS值为0.6424，FID值为277.95

讨论

分析SVI与人类感知之间的关系已成为一个重要的研究课题。本研究在以下几个方面做出了贡献：（1）采用基于CycleGAN的风格转移模型，从现有的夏季SVI生成大规模的冬季SVI。通过SSIM、LPIPS、FID和问卷调查验证了生成图像的质量。这种方法解决了冬季街道视图数据的稀缺问题，并显著扩展了冬季SVI的来源

结论

物理环境在塑造居民感知方面起着关键作用，尤其是在具有独特气候和空间特征的城市中。然而，有三个主要限制阻碍了这种感知的大规模准确预测：特殊环境条件下SVI的稀缺性、收集感知数据的难度，以及基于现有SVI数据集训练的深度学习模型的泛化能力较差。大多数现有研究试图改进

作者贡献

概念化和方法论：杨叶和童莉；撰写——初稿：杨叶和童莉；审阅和编辑：杨叶；可视化：童莉；指导：杨叶。所有作者都已阅读并同意发表的手稿版本。

资助

本研究得到了中国国家自然科学基金（项目编号52008128）和中国国家重点研发计划（项目编号2024YFC3807900）的资助。

数据可用性声明

本研究期间生成和/或分析的数据集可向相应作者提出合理请求后获取。

CRediT作者贡献声明

杨叶：撰写——审阅与编辑，撰写——初稿，指导，方法论，概念化。童莉：撰写——初稿，可视化，方法论，调查，概念化。