城市景观尽收眼底：一种利用众包技术从房地产影像中提取城市尺度视野感知的框架

《Landscape and Urban Planning》：City landscape in sight: A crowdsourced framework for unlocking urban-scale window view perceptions from real estate imagery

　　彭楚才|杨思杰|刘昂|向阳|周志祥|菲利普·比尔耶茨基新加坡国立大学建筑系，新加坡摘要通过住宅窗户所看到的城市景观会影响人们的生活质量，但关于城市尺度上实际窗景的感知研究仍较为缺乏。本研究提出了一种大规模感知映射方法，利用从中国武汉的房地产平台上收集的12,334张实际窗景图像，这类图像在以往研究中较少被使用，相比常见的渲染或模拟窗景具有优势。通过非沉浸式虚拟现实平台，我们从304名参与者那里获得了基于499张窗景图像的27,477组跨六个性感知维度（如偏好度）的配对比较数据。我们训练了一个混合神经网络模型，用于预测人们对所有众包窗景图像的感知并绘制其空间分布图。研究结果表明，整个城市存在显著的空间自相关性，呈现出明显的热点和冷点区域。楼层高度对人们的感知有重要影响：高楼层能提供更受青睐且视野更广阔的窗景，而低楼层的窗户则能为居民带来宁静且生动的景色。进一步分析表明，窗景的构成也至关重要：天空、树木和低层建筑占比较高时，人们会更喜欢这些景致并觉得更为生动；而高层建筑占比过高则会增加人们感到单调和压抑的感觉。重要的是，这些效应并非线性关系——某些元素的过度存在可能会改变它们对人们感知的影响。这项研究提升了人们对城市尺度上居民视觉体验的理解，提供了一种可移植的、以人为中心的方法，为改善窗景视觉质量的城市规划与设计提供参考。

引言窗户是连接居民与家外城市景观的重要通道（Abdelrahman等人，2023年；An等人，2019年；Du等人，2022年）。通过窗户，居民可以欣赏到各种城市景观——从绿地和水域到密集的高层建筑群——这些景观极大地影响着他们的生活体验和生活质量。在高层密集的城市环境中，由于直接接触自然的机会往往有限，良好的城市景观视野被认为有助于提升居民的心理和生理健康（Elsadek等人，2020年；Olszewska-Guizzo等人，2018年）。优质的景观视野与住宅中的更高生活满意度、更低的压力水平、办公室里更高的工作效率，以及医疗环境中的更快康复速度相关（Chang等人，2020年；Ko等人，2021年；Li和Sullivan，2016年；Lindemann-Matthies等人，2021年；Ulrich，1984年）。此外，更好的窗景视野通常也与更高的房价相关（Peng等人，2025年），这凸显了其在生活和房地产经济领域的重要性。作为城市舒适体验的重要组成部分，了解居民如何通过自家窗户主观地感知城市景观，对于未来以人为中心的城市设计与规划具有重要意义，这类评估可以通过实地舒适度调查和计算模拟来实现（Yang等人，2025b年）。需要指出的是，窗景质量是一个多维概念，不仅包括视野内容（即居住者透过窗户所看到的景象），还包括视野可见度（即能看到多少窗景）以及视野清晰度（即能否清晰地感知到视野内容）（Ko等人，2021年）。本研究主要关注视野内容，因为这一维度最便于通过众包的房地产图像进行大规模评估。

鉴于窗景带来的诸多好处，通过城市规划确保人们能够获得优质的窗景视野，是提升城市居民健康与福祉的有效途径。然而，尽管人们越来越认识到窗景的重要性，现有的研究在范围和深度上仍然有限。以往的研究往往只关注单一的感知维度，如偏好度或压抑感；要么局限于小规模数据集或基于模拟的环境，而非真实场景；而且缺乏覆盖整个城市的数据，无法为城市规划提供依据（Li等人，2022年）。因此，在理解城市范围内人们對窗景的多维度感知分布以及哪些城市景观因素会影响这些感知方面，还存在明显不足。

这些局限主要是由于获取大规模的真实世界窗景图像和人类感知数据存在困难（Li等人，2024年）。传统的调查方法或计算机模拟虽然可行，但效率较低，难以单独捕捉真实城市环境的详细视觉和空间特征（Lin等人，2022年；Schmid和S?umel，2021年）。与此同时，一些房地产 listings平台已成为获取大规模房地产数据的重要来源，这些数据包括房产图像（如公寓厨房照片、建筑设施和户型图）。其中一部分图像就是窗景图像，能够反映不同城市地点、不同建筑高度下的居民实际窗景情况。这类数据集为基于真实图像的大规模窗景研究提供了可能，有助于探究和绘制居民通过窗户所感受到的城市景观的主观体验。

在本研究中，我们利用众包的房地产图像，通过构建一个全面的框架来研究、建模和绘制城市尺度上的窗景主观感知。我们使用了从中国武汉的房产 listing 平台上收集的12,334张实际窗景图像，结合通过非沉浸式虚拟现实界面获得的在线配对调查数据（来自304名参与者的27,477组有效配对比较数据，基于499张选定的窗景图像），对人类的感知进行了建模。我们的框架能够预测并分析城市范围内窗景的六个性感知维度——偏好度（Prefer）、单调感（Monotonous）、宁静感（Quiet）、视野广阔度（Extensive）、生动性（Vivid）以及压抑感（Oppressive）。这是一个双重众包框架，如图1所示：房地产图像来自众多房地产经纪人及业主的众包，而人类感知数据则来自数百名参与窗景感知调查的参与者。所有这些数据都为我们建模窗景感知、进行城市尺度预测以及绘制其空间分布图提供了可能，从而找出潜在的热点和冷点，以及视觉构成（天空、树木、建筑物）与人类感知之间的关联。

总之，本研究做出了以下重要贡献：首先，我们建立了一个完全基于众包的框架，用于城市窗景感知研究，该框架同时利用了由房地产经纪人和卖家/房东上传的众包房地产图像，以及通过在线配对调查收集的众包人类感知数据。这种双重众包方法证明了房地产广告这一 rarely被利用的城市感知数据源在主观城市感知研究中的价值，拓展了其应用范围，使其不仅仅用于房产估值。以众包数据为主的研究方法体现了以人为中心的理念，提升了公共数据在这一领域的作用。其次，本研究在地理空间领域也有所贡献，更加重视这种较少被使用的用户生成地理信息（即自愿地理信息——VGI）。其次，我们开发了一种混合神经网络模型，用于预测感知结果，同时还构建了一个推理模型，用于分析建成环境特征（语义分割、土地覆盖、城市形态）如何影响多维度的主观体验。我们系统地绘制出了城市尺度上的感知空间格局，发现了显著的空间自相关性、明显的热点和冷点，以及不同楼层间的感知差异。此外，我们还发现了视觉构成与感知质量之间的非线性关系：天空和树木通常会提升人们的偏好度和生动性，但过度存在则会降低景观质量；而高层建筑则始终会增加人们的感觉单调和压抑。本研究的结果可为以人为本的城市规划提供依据，帮助了解建成环境特征与居民从窗户所能看到的视觉环境之间的关系。

数据收集与窗景研究中的研究方法要了解居民如何通过窗户感知城市景观，就需要找到能够兼顾真实性、规模性和感知丰富度的合适数据来源。窗景研究采用了多种数据收集方法，大致可分为五类：问卷调查、自我拍摄的照片、现场体验研究，以及两种模拟方法——带有控制变量的虚拟窗景和城市尺度模拟（表1，图1上部）。

研究框架、研究区域与数据收集本研究建立了一个全面的五阶段分析框架，用于绘制和理解城市尺度上的窗景主观感知（图2）。第一阶段（窗景图像编码器）涉及全景掩膜处理和图像特征整合，整合了语义分割技术（使用EISeg和SegNeXt）、卷积图像数据（ResNet50）以及计算色彩分析技术（OpenCV和scikit-image）。第二阶段（窗景感知调查）则是通过在线方式开展针对六个性感知维度的调查。

窗景感知预测性能表7展示了八种回归模型在六个感知指标上的五折交叉验证性能，给出了每折的测试R2值和RMSE值，以平均值±标准差的形式呈现。该混合神经网络通过其背侧和腹侧路径整合视觉特征，在所有指标上均表现出最佳性能，具有最高的R2值和最低的RMSE值。其平均测试R2值在0.491（单调感）到0.748（偏好度）之间，表现稳定。

对城市规划实践的启示这些研究结果为城市规划提供了实证支持。我们需要强调，这些计算结果旨在为规划决策提供参考，而非强制性的规定——它们为设计直觉提供了有力的实证支撑，而非确定的规则手册。识别出最优的城市景观构成以及横向和纵向的感知模式，能为创造有利于居民心理健康的城市环境提供 actionable的见解，这些见解应与其他因素一起加以考虑。

结论本研究建立了一个全面、可扩展且完全基于众包的框架，用于建模和理解人们对城市窗景的感知。通过整合由房地产经纪人和卖家上传的众包房地产图像、众包感知评估数据以及用于感知建模的混合神经网络，我们展示了双重众包框架（多种城市数据流）在窗景感知研究中的潜力。通过对12,334张真实图像的分析，我们实现了这一目标。

CRediT作者贡献说明彭楚才：撰写——初稿，软件应用，方法论，概念设计。杨思杰：撰写——初稿，可视化，软件应用，方法论，正式分析，数据整理，概念设计。刘昂：数据收集，数据整理。向阳：软件应用，数据收集。周志祥：验证，监督，资金筹集。菲利普·比尔耶茨基：撰写——审稿与编辑，监督，概念设计。

关于写作过程中生成式AI和AI辅助技术的声明在写作过程中，我们使用了Grammarly和ChatGPT来优化语言表达和检查语法错误。在使用这些工具/服务之后，作者们对内容进行了必要的审阅和修改，并对文章内容负全责。虽然这些工具有助于确保语言的准确性和清晰度，但所有的科学见解、结论和内容都是由作者们独立产生的。最终稿件经过了作者们的仔细审阅和修改，以确保其准确性和完整性。

利益冲突声明作者们声明自己没有已知的、可能影响本文研究成果的财务利益或个人关系。

致谢我们衷心感谢参与实验的各位参与者。同时，也要感谢新加坡国立大学城市分析实验室的同事们带来的有益讨论。本研究得到了中国国家留学基金委（项目编号202306760114）和新加坡国立大学研究奖学金（NUSGS-CDE DO IS AY22&L GRSUR0600042）的支持。此外，本研究还属于“用于城市分析的大规模3D地理空间数据”项目的一部分，该项目得到了新加坡国立大学在Start-Up Grant R-295-000-171-133项目下的资助。