文章信息
Yunqin, L. I., YABUKI, N., & FUKUDA, T. (2022). Integrating GIS, deep learning, and environmental sensors for multicriteria evaluation of urban street walkability. Landscape and urban planning (中科院一区Top).
论文摘要
背景：城市街道的可行走性（WoUS）有益于公共健康和城市宜居性，但对可行走性的定量和综合评价仍未达成共识。研究空白：然而，新兴的深度学习、传感器网络和地理信息系统技术表明有可能克服以前的局限性。
方法：因此，本研究探索了一种对WoUS进行多标准评价的新方法，包括物理和感知的步行能力。在采集了覆盖待分析街道的街景图像、交通流量数据和环境传感器数据后，我们从四个标准（步行指数、街道质量、交通流量和物理环境）中自动计算出物理步行能力。我们首先利用GIS对步行得分、噪音和光线进行二维分析，然后利用语义分割对绿化、围墙和相对步行宽度进行三维构成计算，利用多物体追踪对车辆密度进行计算，利用分析层次过程对指标加权分布进行计算。感知的步行能力由步行需求层次模型来评估，包括可行性、可及性、安全性、舒适性和愉悦性。
结果：作为一项实证研究，我们在大阪大学内进行了一项物理和感知步行能力评价的实验。结果表明，以感知的WoUS为基准，自动化的物理WoUS结果揭示了数据整合和处理的优势，是可行的、可靠的和经济的。这是从各种步行相关变量中构建WoUS综合研究方法的初步尝试。
研究意义：这个框架可以支持设计者作为一种辅助工具，从各种标准中产生定量和定性的判断，并推荐可行走的行人路径，以激励人们走得更远、更长、更频繁，而不是提供基于寻路算法的最短路径。
文章下载链接
链接: https://pan.baidu.com/s/1_wdqYL85mpCcMlZ0mwivSw?pwd=63bp 提取码: 63bp
研究框架
图1：研究框架
在相关工作的基础上，我们为街道步行能力的评价制定了一个多标准方法框架（图1），该框架同时考虑了物理和感知的步行能力。
图2：DeepLabv3+的分割样本和工作流程，用于从街景服务和全景相机中提取分割的横向和鱼眼街景图像。
必须收集四种类型的数据：路网数据、POI数据、街景图（SVI）和测量数据。对于绿化和相对步行宽度，我们使用四个水平方向的SVI，并总结每个组成部分的百分比，计算每个地点的平均值，代表该地点的平均状况。然后将树木的百分比作为绿化（Ye等人，2019），将人行道与道路的比率作为相对步行宽度（Li等人，2020）用于评价。由于水平视角的SVIs错过了大部分天空像素，而这些像素在开阔度计算中是必须的，因此我们使用鱼眼SVI来代替（Gong等人，2018；Xia等人，2021）。按照Liang等人（2017）的工作，我们从分割的全景SVIs中获得分割的鱼眼SVI结果，鱼眼天空比率被计算为开放度（公式（4））。
结果
图3：物理的和感知的街道步行性结果
图4 最短路线和宜步行路线的比较
有了反映每条街道步行能力的物理和感知的WoUS结果，就可以开发出适合多标准评价的人类尺度的步行能力分析工具，不仅是最短路径，而且是可用的步行路径。这就是所提出的WoUS评价方法的潜在应用之一。
讨论和结论
以前的WoUS步行能力评估方法在变量选择上存在偏差，而且很少有全面的街道级步行能力评估的例子（Hall & Ram，2019；Zannat等人，2019；Nagata等人，2020）。环境审计在平衡不同步行能力因素的权重方面难以达成共识（Frank等人，2010年；Hall & Ram，2019年）；主观评价侧重于用户打分，这很耗时，也很费力（S. Lee & Talen，2014；Zannat等人。2019年）；计算机辅助审计和传感器监测侧重于基于GIS的物理测量，这就很难获得代表实地行人感知的结果（Yin，2017年；Zhou等人，2019年；D'Orso & Migliore，2020年；Nagata等人，2020年）。 本文提出的步行能力评价框架有几个优点。
(1) 它将可量化的客观和主观变量作为物理和感知的WoUS结合到一个包含多个标准的单一指标中，具有更全面的步行能力评价结果，避免了有限数据源对WoUS的片面评价。此外，多种数据源，特别是环境传感器数据被整合，物理WoUS变量从行人的角度获得关于交通和环境的感知信息。
(2) AHP方法平衡了物理WoUS中的各种变量，并将它们整合为一个物理WoUS指标。
(3) 所提出的物理WoUS方法比以往基于感知数据的主观评价更具有成本效益。
(4) 主观WoUS可用于验证物理WoUS，这有助于优化现有的基于GIS的物理WoUS评价框架，并通过进一步增加可量化的步行能力相关变量，缩小物理和感知WoUS的差距。