基于全景分割视觉特征的人类感知街道层面城市绿化质量可解释性评估

《Journal of Environmental Management》：Interpretable assessment of human-perceived street-level urban greenery quality via panoptic segmented visual features

　　

摘要
街道层面的城市绿化塑造了行人的环境体验和心理福祉，因此准确的评估至关重要。然而，绿色视野指数等指标主要关注绿色像素的数量，往往忽略了影响感知质量属性。因此，感知绿化质量的自动评估仍然有限，无法解释驱动人类偏好的因素。本研究提出了一种可解释的机器学习框架，用于根据街景图像预测城市绿化感知质量。绿化质量被定义为基于专家评估的聚合感知评分（0-10）。使用全景分割（基于 ADE20K 数据集训练的 OneFormer 模型），从 1001 张图像中的绿化段中提取了九个描述绿化数量、颜色、空间结构和形态复杂性的视觉特征。开发了回归和二分类模型，使用两个代表中等和严格质量标准的感知阈值来预测感知绿化质量。使用特征重要性和 SHAP 值加法解释（SHAP）分析检查了模型的可解释性。回归模型的 R2 达到 0.60，而分类模型在中等质量阈值下的准确率为 82.7%，在更严格阈值下的准确率为 77.4%。绿化数量 consistently 成为主导预测因子，其次是平均鲜艳度。其他特征表现出阈值依赖性效应：多个结构和颜色相关属性（例如形状复杂性、空间分散度和平均亮度）在较低阈值下起作用，而在更严格的截断值下变得可以忽略不计。SHAP 结果显示，在较高阈值下特征贡献 increasingly 不连续，表明高质量绿化是通过有限的一组主导视觉线索来识别的，而不是通过多个属性的连续调节。结果证明，感知绿化质量可以使用可解释的视觉特征进行可靠预测，并阐明了感知标准如何在更严格的质量判断下简化，为城市设计和规划中评估街道层面绿化提供了一个可扩展的工具。

引言
快速城市化显著增加了城市绿化在当代城市中的重要性。城市绿色环境因其生态价值以及在促进居民心理恢复、身体健康和休闲福祉方面的关键作用而得到广泛认可 (Kajosaari and Pasanen, 2021; Ojala et al., 2019; Chen and Yuan, 2020)。在街道层面，绿化增加 consistently 与更高的行人满意度相关 (Lee et al., 2022, 2023)。街道沿线的绿色元素直接增强了步行体验，并通过减轻感知噪音和细颗粒物（PM2.5）间接改善步行体验 (Song et al., 2022)。这些发现强调了街道层面绿化在塑造宜人的城市步行环境中的关键作用。因此，了解人类对城市绿色环境的感知已成为学术研究和实际城市规划的核心 (Wang et al., 2023)。

越来越多的研究考察了有助于积极人类体验的绿化特征。基于一项全面的系统综述，Xie 等人 (2024) 将人类对植被景观的主观感知分为四个主要维度：感知偏好、感知安全、感知视觉美学和感知恢复效益。其中，感知偏好与其他维度 strongly 相关，并作为环境评估的整体指标。感知偏好反映了个体对环境信息的认知评估，已被广泛用作质量的综合衡量标准 (Galindo and Hidalgo, 2005; Kaplan, 1987)。补充这种偏好，感知安全捕捉了个体对环境安全和风险判断的情绪反应 (Fisher and Nasar, 1992; Appleton, 1996; Stamps III, 2005)。感知视觉美学促使个体参与并重新访问绿色空间， substantially 影响其使用频率和整体满意度 (Rogge et al., 2007; Kaplan et al., 2006)。感知恢复效益是指自然环境支持心理恢复和减少注意力疲劳的能力 (Han, 2009)。

实证研究确定了塑造这些感知的几个环境属性，包括自然度、季节变化和物种多样性 (Southon et al., 2018; Liu et al., 2022; Zhu et al., 2023)。然而，这些属性的主观感知往往受个人和文化背景的影响，这意味着物理特征并不总是被一致评估。在个人层面，物理指标并不总是与心理反应一致；例如，虽然个体可以感知不同城市绿地类型之间的生物多样性差异，但较高的生物多样性不一定对应更强的偏好评分 (Qiu et al., 2013)。文化和社会背景进一步放大了这种差异。景观专业人员通常 favor 那些外观 less manicured 的野生公园，而公众则 prefer 具有观赏特征和维护的传统公园 (Hu et al., 2022)。

特定的植被属性——如形态、高度、组合、纹理和密度——在塑造美学判断和公众偏好方面起着关键作用 (Li et al., 2019)。在这些属性中，植物颜色被 repeatedly 确定为感知偏好的关键驱动因素，通过颜色和谐原则发挥作用，包括丰富度、对比度和亮度 (Xie et al., 2024)。然而，过多的颜色可能会 reduce 感知和谐度，这表明颜色评估存在感知阈值 (Smith, 1997)。结构特征也很重要：具有 highly branched 树干和 dense 树冠的树木通常被评为 more visually appealing (Zhao et al., 2017)，且树木和花卉比例较高的环境与 enhanced 的压力减轻和健康恢复相关 (Wang et al., 2019)。此外，垂直分层和广泛的空間覆盖 significantly 增强了感知恢复质量 (Zhu et al., 2023)。

虽然对塑造人类对城市绿化感知的具体定性属性的理解不断增长，但对这些复杂特征的街道层面传统评估 largely 依赖人工调查。这种人工方法使得在 expansive 城市区域进行 comprehensive 评估变得 challenging，从而 hinder 了实践中街道绿化的 effective 规划和管理 (Li et al., 2015)。因此，越来越多的研究 leveraging 计算机视觉技术 efficient 地进行大规模绿化评估，并 improve 关于人类对城市植被感知推论的可靠性。具体而言，绿色视野指数（GVI）已被广泛采用，使用街景图像的语义分割计算绿化像素相对于图像总像素的比例 (Xia et al., 2021; Qin et al., 2025)。尽管 GVI 提供了绿化数量的 efficient 度量，但它无法 capture 人类感知中 central 的质量方面。研究表明，绿色空间的质量 often exerts a stronger influence on health and well-being than the quantity of green space (Wang et al., 2021)。因此，人类对绿色环境的评估 extends beyond the visible volume of vegetation to encompass a complex interplay of physical attributes. 关于植物组成和景观视觉感知的研究表明，其他视觉属性，包括植物颜色、形态、季节变化和空间排列， also influence perceived visual quality。例如，Ero?lu 等人 (2012) 表明植物组成的季节变化影响视觉感知，而 Ma 等人 (2020) 发现绿色空间中颜色的比例和分布 significant 影响视觉美学质量。

在这方面，利用开源计算机视觉库等工具从图像中提取色调 - 饱和度 - 亮度（HSV）颜色特征用于树木健康诊断 (Bradski, 2000; Xie et al., 2019)。HSV 颜色模型被认为比 RGB 模型更 perceptually intuitive，因为它 better reflects human color perception (Burambekova and Shamoi, 2025)。然而，这些方法 often neglect critical spatial characteristics, such as vegetation distribution and tonal diversity, which are essential for a holistic environmental assessment。

最近，Khan 等人 (2021) 和 Rustamov 等人 (2023) 等研究 employed 机器学习与各种特征将绿化 categorize 为“受污染”、“干燥”或“健康”等状态。虽然这些方法 effective 用于技术诊断，但它们 primarily focus on localized plant health or specific contamination states rather than the overall scene. 因此，它们 fail to capture the broader visual landscape perception of urban streetscapes. 此外，这些模型 often lack interpretability, failing to explain which specific greenery attributes contribute to the final perceptual evaluation。

为了 address this gap，本研究 developed an interpretable machine learning framework grounded in landscape perception to predict perceived urban greenery quality, moving beyond conventional quantity-based metrics. 这种方法 integrates human perception survey data on greenery quality with advanced computer vision techniques and extracts qualitative visual features—including HSV color characteristics, density, and spatial composition—from greenery segments in street-view imagery. 使用 OneFormer 模型通过全景分割自动识别绿化段 (Jain et al., 2023)。通过将计算评估与绿化质量的感知维度 aligning，本研究为城市管理者提供了一个 scalable, perception-informed tool，以识别和 prioritizes street segments that require targeted greening interventions to enhance pedestrian satisfaction and psychological restoration。

章节片段
方法
本章 details the systematic, multistage methodology employed to develop an interpretable machine learning model capable of predicting urban greenery quality from visual data. 整个过程，如图 1 所示，分为三个关键阶段。首先（第 2.1 节），本研究通过调查 1050 张包含城市绿化的街景图像并 assign 每个绿化 0 到 10 的评分来 establish the ground truth for urban greenery quality。其次（第 2.2 节），本研究

结果
本节 presents the performance metrics for the three machine learning models developed using the nine visual features: the regression model (Model 1) and two binary classification models (Models 2 and 3)。为了预测绿化质量，conducted a multistage workflow involving initial model competition and hyperparameter optimization。随后，使用测试集 evaluate the optimized models，并使用 SHAP 分析 their results。

模型性能和特征贡献分析
Recent research has predominantly focused on the quantity and visibility of greenery (Xia et al., 2021; Ta and Furuya, 2022) or on regional-scale conditions such as terrain health (Moreno-Armendáriz et al., 2019). 然而，基于形态和色彩特征直接评估街道层面绿化内在质量的模型仍然 scarce。虽然一些研究 used color features from UAV imagery，但它们的 scope 仅限于特定的植被类型，如草坪（

结论
本研究 proposed an interpretable machine learning framework for assessing human-perceived urban greenery quality using street-view images. 通过将绿化质量 operationalizing 为聚合感知评分并通过全景分割提取可解释的视觉特征，本研究 moved beyond visibility-based metrics to capture the qualitative aspects of greenery perception.

通过将可解释的视觉特征与感知驱动的建模 integrating，本研究 demonstrated

CRediT 作者贡献声明
Seonhee Kang：构思，数据整理，形式分析，调查，软件，可视化，写作 – 初稿。Meesung Lee：构思，形式分析，方法论，软件，可视化，写作 – 审查与编辑。Sungjoo Hwang：构思，方法论，项目管理，资源，软件，监督，验证，写作 – 审查与编辑。

竞争利益声明
作者声明以下可能被视为潜在竞争利益的财务利益/个人关系：Sungjoo Hwang 报告获得了韩国林业推广协会的财务支持。Sungjoo Hwang 报告获得了韩国国家研究基金会的财务支持。如果有其他作者，他们声明没有已知的可能影响本报告工作的竞争财务利益或个人关系。

致谢
本工作由韩国政府（MSIT）资助的韩国国家研究基金会（NRF）资助（RS-2023-00210164 和 RS-2025-22932974）。

Seonhee Kang|Meesung Lee|Sungjoo Hwang
韩国首尔西大门区梨花女大 52 号，梨花女子大学建筑与城市系统工程系，03760