本推文来源：塔景Lab
文献分享
邻里视觉可步性中的社会不平等：使用街景图像和深度学习技术促进健康城市规划
声明：该论文为实验室读到的优秀文章的笔记分享，非本推文作者首发，原文链接：https://www.sciencedirect.com/science/article/pii/S2210670718327483
本研究首先提出了理解街道视觉步行性的概念框架，然后利用深度学习技术对百度地图街景（BMSV）图像中的物理特征进行分割和提取，同时考虑了行人需求和心理满意度，以衡量邻里视觉步行能力，并分析社会人口学信息是否随不同社区视觉步行性的变化而变化。
研究区域
深圳市
研究数据
从百度地图街景中下载街景图像，删除不能用于计算视觉步行性的街道站点，保留了2213个样本站点。
物理特征检测：SegNet训练、像素语义分割和修改
SegNet从监督学习中学习预测像素级类标签，需要一个具有相应地面实况标签的输入图像数据集。
输入图像数据集为一个标记的街景图像数据集，其中包含 351 张道路场景的训练图像和 203 张测试图像。该数据集是通过使用 InteractLabeler 软件标记抓取的
BMSV 图像来生成的。
在获得初始影像分割后，对前一类与视觉步行性相关性较弱的像素进行重分类，包括杆、道路标记和标志符号。
通过识别周围的像素来消除火花点，得到最终的分割结果。
计算视觉可步性指数IVW
使用四个维度的指标来近似可步性，即心理绿度、视觉拥挤度、外界包围度、视觉路面，对每个指标的评级分为五类，范围从1到5，值越高，指标表现越好。
将四个子指数生成为综合视觉步行能力 （IVW）。IVW值范围为20-100，从人类视觉感知的角度来看，该值越高，建筑环境质量对行人活动越有吸引力。
IVW的有效性
第一种方法测试评估的视觉可行步性与人工解释输出之间的一致性。使用Pearson的秩相关分析计算计算的IVW与研究分数之间的一致性。
第二种方法测试IVW与图像主观评分结果之间的一致性。通过问卷调查的方法确定受访者的感知分数。
使用Pearson相关性分析计算计算出的IVW与受访者分数之间的一致性。
空间回归
采用空间回归来检查社区社会人口学特征与 15 分钟步行距离内的平均 IVW 值相关联。
空间回归的形式，空间滞后（方程1）或误差（方程2）是参考鲁棒拉格朗日乘子选择的，使用最近邻距离矩阵。
IVW的分割准确性和验证
通过人工解释的方法，根据研究人员指定的视觉步行指数（r = 0.81，P < 0.01）将BMSV图像准确地分配到不同的级别。此外，视觉步行指数与主观评分呈显著正相关（r = 0.73，P < 0.01），证明了视觉可步行性指数在表征行人行走感受方面的潜力。
街道视觉步行性的空间格局
深圳西南部街道（如南山区、福田区）的心理绿化程度普遍高于北部街道。
市中心的视觉拥挤程度比比外围地区要高得多。
在综合视觉步行性方面，可以看出，无论是市中心还是外围区域的中间部分的景点都呈现出更高的价值。
超过一半的社区被赋予了相对较高的视觉步行水平。
高密度集聚区（地区的核心区）内的一些社区不太可能享有良好的主观步行性。
视觉可步性的社会不平等
在回归模型中，除独居和儿童外，所有变量都与IVW显著相关。
可步性与社会经济地位呈负相关。相比之下，老年人群和受过高等教育的人往往居住在更适合步行的社区。
这些结果表明，不同社区在视觉步行性方面存在社会不平等。
一是充分考虑行人需求和心理满意度，开发了一个系统的视觉可步行性框架，生成了四个度量指标和一个综合的视觉可步行性指数；二是量化了视觉可步性相关的社会不平等。
