生成式AI驱动的街景分析(SAGAI)：基于视觉语言模型的城市场景评估与制图新范式

针对传统街景评估方法耗时费力、难以规模化的问题，Joan Perez和Giovanni Fusco团队开发了基于生成式AI的SAGAI工作流。该系统整合OpenStreetMap几何数据、Google Street View影像和轻量化LLaVA模型，通过自然语言提示实现街景分类、商业特征检测等任务，在尼斯和维也纳案例中验证了其自动化生成空间指标的潜力，为城市可步行性、安全性等研究提供了开源解决方案。

　　

城市街景作为公共空间的核心载体，其评估对理解可步行性(walkability)、商业活力等城市功能至关重要。然而传统方法面临两难困境：基于矢量数据的形态分析仅能评估街道骨架(mass skeleton)，而人工实地调查或影像判读又存在效率瓶颈。更关键的是，建筑立面、街道家具等"街道表皮"(streetscape skin)要素——这些直接影响人类空间感知的微观特征——长期缺乏自动化评估手段。

为突破这一局限，Joan Perez与Giovanni Fusco团队在《Geomatica》发表了创新性研究，提出SAGAI（Streetscape Analysis with Generative AI）工作流。该系统首次将生成式视觉语言模型(Vision-Language Models, VLM)引入街景分析领域，通过四大模块实现自动化评估：基于OpenStreetMap的采样点生成、Google Street View影像批量下载、LLaVA模型视觉推理，以及空间指标聚合制图。研究选用轻量化的LLaVA v1.6-Mistral-7B模型，在4-bit量化格式下实现零样本(zero-shot)学习，支持通过自然语言提示完成城市-乡村场景分类、商铺计数等任务。

关键技术包括：1) 40米间隔的街道网络采样策略；2) 四方向(0°/90°/180°/270°)街景影像采集；3) 基于CLIP视觉编码器的图像预处理；4) 低温度采样(low-temperature sampling)控制输出稳定性；5) 点/街道双尺度空间聚合。案例选取法国尼斯Paillon河谷与奥地利维也纳Penzing-Wolfersberg区，共处理3846个采样点的近1.5万张影像。

模块化工作流验证

通过对比两个形态迥异的城市区域，研究发现：在任务T1（城乡二分类）中模型准确率达92.73%，能清晰区分尼斯密集城区与河岸自然带；任务T2（商铺检测）在尼斯商业走廊识别中表现尚可(73.33%)，但对非典型商铺易误判；任务T3（人行道宽度估计）精度最低(54.05%)，主要因模型将绿化带误判为步行空间。

空间制图应用

图4显示，街段级聚合有效平滑了单点噪声，突显尼斯L'Ariane住区与维也纳核心商业带的高密度特征。图5的商业热力图成功捕获尼斯Auchan购物中心等关键节点，但维也纳因模型对中型商铺识别率仅45%导致信号破碎。

方法学突破

研究证实：1) 零样本VLM可规避传统CNN模型需定制训练的局限；2) 轻量化部署在Colab免费层即可实现1300张/小时的处理速度；3) 模块化提示架构支持通过修改自然语言指令切换分析任务。作者特别指出，多数错误源于场景歧义而非模型缺陷，如将北美式绿化带误判为人行道，反映训练数据的地域偏差。

在讨论中，研究者规划了三方面改进：集成Mixtral 8×7B等大模型提升细粒度识别；开发小样本(few-shot)学习模块适应地域特征；利用Mapillary等多源影像支持时序分析。这些演进将使SAGAI更好地服务于15分钟城市(15-minute city)等规划理论的实证研究。

该研究的核心价值在于：首次实现无需预训练的街景质量自动化评估，将传统需数周的人工审计压缩至2.5小时计算。开源代码库特别强调可解释性，每个预测均可追溯至原始视觉依据，为城市形态学与计算机视觉的跨学科研究树立了新范式。随着VLMs性能提升，这套方法有望拓展至犯罪风险图谱、建筑遗产保护等更广泛领域，成为连接物质空间分析与人类感知研究的关键桥梁。