深度学习揭示街景影像在城市感知制图中跨平台一致性

《Computers, Environment and Urban Systems》:Deep learning reveals cross-platform consistency in street view imagery for urban perception mapping

【字体: 大 中 小 】 时间:2026年07月26日 来源:Computers, Environment and Urban Systems 8.9

编辑推荐:

  研究人员开发了一种双尺度分析框架,以评估百度街景(Baidu Street View, BSV)与谷歌街景(Google Street View, GSV)影像的跨平台一致性。该框架整合了全卷积网络(Fully Convolutional Networks,

  
研究人员开发了一种双尺度分析框架,以评估百度街景(Baidu Street View, BSV)与谷歌街景(Google Street View, GSV)影像的跨平台一致性。该框架整合了全卷积网络(Fully Convolutional Networks, FCN)结合ADE20K的语义分割、VGG-16感知建模、堆叠集成制图(stacking ensemble mapping)、SHAP解释与Mantel结构分析。研究结果显示,两大平台在关键语义要素与情感得分上具有强一致性;自然、建成与交通特征对情绪响应的因果路径在双平台上保持一致;语义结构与情感结构间存在空间耦合,表明城市形态配置塑造街道级感知体验。
研究背景方面,个体对城市建成环境的感知因影响居民健康、出行行为与心理感受而受到关注,街景影像(Street View Imagery, SVI)作为模拟人眼视角的数据类型,为微观城市感知提供新支撑。当前主流SVI来源包括GSV与BSV,前者覆盖广,后者在中国时空分辨率更高,但二者在采集设备、清晰度与拍摄角度上存在差异,制约跨平台数据的一致性分析与联合应用。现有研究多依赖单一平台(尤其GSV),且集中于语义识别层面,对公众情感感知维度及跨平台对比关注不足,缺乏在同一城市尺度下对BSV与GSV在语义与情感信息一致性的系统评估。为此,研究人员以香港为实证区(全球少数BSV与GSV广泛共存城市),在统一深度学习模型结构与分类标签下,检验两平台在建成环境描绘与主观感知模拟中的相对可比性与可迁移性。
该研究发表于《Computers, Environment and Urban Systems》。研究人员开展的研究为:构建跨平台双尺度(采样点尺度与像素尺度)一致性及模型解释框架,对BSV与GSV并行建模。结论表明,两平台在植被、建筑、天空三类主导语义要素比例上Pearson相关系数达0.720–0.756,在美丽、安全、活力、压抑、无聊、富裕六维情感得分上VGG-16驱动下Pearson r为0.59–0.67,像素尺度绿视率移动窗口相关常超0.9;SHAP解释显示树木对“美丽”正向贡献、汽车卡车负向贡献的机制双平台相似;Mantel检验揭示语义—情感结构全局对应。意义在于填补多源SVI“结构—感知”双水平对比空白,证明商业街景源可在统一管线互换使用,为异构数据融合与全球城市感知研究提供可复制协议。
关键技术方法上,研究人员基于OpenStreetMap路网以50 m间隔生成香港采样点,每点取16方向全景拼合;以ADE20K训练FCN提取150类语义并归并为植被/建筑/天空等组,以MIT Place Pulse 2.0监督VGG-16输出六维情感分(0–1);采样点尺度用Pearson相关,像素尺度用6×6移动窗口Pearson相关与双尾t检验;以随机森林+SHAP解释语义对情感的边际贡献,Mantel检验测语义—情感矩阵关联;空间无缝制图采用7种基模型(ANN、CatBoost、ExtraTrees、Gradient Boosting、LightGBM、Random Forest、XGBoost)加随机森林元学习的Stacking-2集成,输入12个Landsat 8遥感指数(NDVI、EVI、SAVI、MNDWI、GNDVI、IBI、AWEI、NDWI、RVI、DVI、BSI)及SRTM坡度;鲁棒性补充SegFormer/DeepLabv3+配ADE20K/Cityscapes、ResNet50/CLIP背骨。样本队列为香港2019–2022年BSV 24,232张与GSV 24,407张全景。
研究结果如下。
4.1 采样点尺度一致性分析:通过配对BSV与GSV同点语义比例与情感分计算Pearson相关,得出建筑、天空、植被相关分别为0.756、0.720、0.753;六维情感VGG-16下r约0.59–0.67,ResNet50正但波动大,CLIP弱正;空间分布上中环、铜锣湾建筑比超0.45,新界东植被一致高,证明主导语义与情感空间格局双平台高度吻合。
4.2 像素尺度一致性分析:4.2.1 空间无缝“植被”制图——BSV/GSV各驱Stacking-2,绿视率R2=0.985、r=0.992,GSV RMSE 0.014略优于BSV 0.022;4.2.2 空间无缝“美丽”制图——Stacking-2下BSV略优(R2>0.980,RMSE 0.032),BSV在感知预测更稳;4.2.3 移动窗口相关——绿视率窗口r常>0.9且p<0.01,美丽r空间波动大、局部负向、显著性弱,说明结构量比主观量跨平台更鲁棒。
4.3 基于SHAP的模型解释分析:分别建BSV/GSV随机森林以150语义要素预测美丽分,SHAP值显示树木正向(边际效应饱和)、天空/卡车/汽车负向,墙篱负向;GSV中天空低占比微正、人行道微正,卡车负效强于BSV,证明自然—建成—交通对审美因果路径跨平台对齐。
4.4 Mantel检验分析:语义矩阵与情感矩阵显著对应,美丽正联树木负联道路天空,压抑正联道路负联树木,活力正联建筑负联树木,安全正联道路负联天空树木,富裕正联建筑负联天空; arterials(主干道)安全富裕高,expressways(快速路)压抑高,special roads(步道等)美丽高,collectors(集散路)三项最低。
讨论部分指出,绿化干预利心理健康但忌“单调绿化”,建成形态利活力富裕但过度围合降舒适,道路主导升压抑故需交通静化;方法上语义一致可跨背骨复现,情感一致较弱仅作比较指标非本地校标;局限为缺香港人工标注与居民调查、时相光照不可完全匹配,结论应读作档案错配下跨源一致而非平台因果。未来需建本地街景基准与感知问卷、控时相重校准。
结论部分翻译:本研究考察了BSV与GSV在语义分割与模型衍生情感感知间的一致性,两数据集在采样点与像素尺度均呈强一致,支持多源SVI用于城市感知研究;堆叠集成提升无缝图连续性与边界精度;随机森林+SHAP表明自然要素(尤树木)增强“美丽”等正向感知,交通与人工要素普遍降低感知质量,该语义—感知路径在BSV与GSV间广泛相似,暗示跨平台情感建模可迁移;Mantel检验显示语义与情感结构全局对应,整体表明城市形态空间配置与视觉情感体验密切相关。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号