語義分割技術下的城市濱水綠地美景度評價研究
——以福州西湖公園、左海公園為例

黎俊儀

林盈芳

董建文

傅偉聰*

城市濱水區(qū)(Urban Waterfront)在韋氏字典中的解釋為：河流邊緣、港灣等土地，泛指城市中與河流、湖泊、海洋毗鄰的區(qū)域。逐水而居，近水而種，親水是人類的自然本性，研究表明人們對含水的場景表現(xiàn)出更高的偏好、恢復性及動力[1]。國內(nèi)外針對濱水的研究，早期從河岸優(yōu)化、生態(tài)治理等角度對具體案例提出相應規(guī)劃設計方案，隨著居民精神生活追求的逐漸提高，以美學[2-3]、恢復效益[4-5]出發(fā)的濱水研究應運而生。

視覺評價被認為能夠幫助探索公眾偏好與景觀之間的規(guī)律，由Daniel等[6]提出的美景度評價法(Scenic Beauty Estimation，SBE)通過公眾參與的方式獲得對景觀的審美態(tài)度，從而達到評估景觀的目的，是視覺景觀中成熟且運用廣泛的評價體系。圖像作為視覺刺激是SBE中常用的方式，但有研究指出，人雙眼的水平可視范圍約220°，垂直可視范圍是標準視野0°向上35°、向下50°內(nèi)[7]，智能手機或相機攝影圖像因受到角度與攝影師主觀喜好的限制，常難以向觀看者展示真實、全面的場景。虛擬現(xiàn)實技術(Virtual Reality，VR)的出現(xiàn)為觀看者提供了最大限度的空間感受[8]，其中，全景成像技術作為虛擬現(xiàn)實的一個分支，通過與攝影技術的結合向觀看者展示真實環(huán)境的三維虛擬再現(xiàn)，更新了評價場景的呈現(xiàn)方式(圖1)。Li Deng等[9-11]認為創(chuàng)建或再現(xiàn)與真實環(huán)境相同的虛擬場景進行評估是適當且有意義的，不僅為觀者提供了身臨其境的環(huán)境體驗，同時增強了視覺探索的趣味。

圖1 被試者VR體驗圖

數(shù)字化景觀時代的發(fā)展對客觀環(huán)境的認知量化提出了新要求，研究者開始將注意力從傳統(tǒng)的定性化評價向要素的定量化轉(zhuǎn)移，如崔喆等[12]利用HSL色彩空間模型對圖像進行色彩解析以探索新的綠視率計算方法；劉可丹等[13]采用Photoshop圖像處理軟件人為辨識并勾勒景觀要素的外部輪廓，借助網(wǎng)格法獲得場景定量化數(shù)據(jù)，但此類研究仍存在方法局限、時間成本高昂及精度難以保證等問題。圖像語義分割(Semantic Segmentation)技術是計算機視覺領域的熱門話題，可通過自動分析一類或幾類數(shù)據(jù)來獲取規(guī)律，并根據(jù)表達語義的不同實現(xiàn)對未知圖像的像素級分類。在風景園林領域，該技術在圖片信息識別、特征提取和分類上應用廣泛[14-15]，同時數(shù)據(jù)獲取的速度得到大幅度提升。

綜上所述，目前的美景度評價方法存在一定探討空間，計算機輔助技術作為環(huán)境量化認知的方式逐漸獲得關注，但相關方法仍需改進，基于公眾審美的城市綠地研究仍缺乏更加客觀及科學的數(shù)據(jù)支撐。本研究以福州西湖公園、左海公園為對象，以VR圖像為媒介，在消除現(xiàn)場不可控因素的情況下收集更趨近現(xiàn)實的公眾審美評判，在場景解析部分，引入圖像語義分割法作為場景定量化解析的輔佐手段，從公眾審美角度為城市濱水綠地營建提供更加客觀有力的數(shù)據(jù)支撐。

1 研究區(qū)域概況

丘陵地區(qū)城市主要風貌為山水相連，福州市地處我國三大丘陵之首的東南丘陵，是丘陵地區(qū)典型城市。西湖公園、左海公園位于福建省福州市鼓樓區(qū)，是城區(qū)內(nèi)主要的濱水景觀，兩公園相互毗鄰。西湖公園是福州歷史悠久且保留最完整的古典園林公園，面積42.51hm2，水面面積30.3hm2；左海公園總體設計以“五洲風光”為主題，面積35.47hm2，水面面積18.14hm2。

公園已建成景觀節(jié)點通常起到引導游客聚集的作用，本研究以此為依據(jù)在對2個公園全面踏查的基礎上選定樣地(圖2)，包括濱水步道、濱水廣場、濱水綠地、濱水建筑4類空間，具備一定典型性及多樣性。此外，樣地選擇還遵循以下原則：1)樣地能客觀反映所拍攝景觀的整體特征；2)樣地均視為有水環(huán)境；3)樣地均為公園已建成節(jié)點，并在前期實際勘察中觀察到一定的人流量；4)樣地具有自然(土壤、植被、水體等)及人工(建筑、廣場、園路、設施等)景觀要素。

圖2 公園濱水綠地樣地分布圖

2 研究方法

2.1 研究樣本獲取

樣本于2020年12月27日10：00—14：30進行采集，采用insta360 ONE全景相機拍攝。拍攝時利用三角支架將相機固定于離地1.6m水平高度，在確保拍攝高度與人眼水平高度一致的同時減少人為手持操作產(chǎn)生的誤差。

共計拍攝全景圖像98張，輸出分辨率為6 912×3 456像素。在剔除重復拍攝、光感差距大、無關因子較多的圖像后，篩選出36張能夠還原公園全貌的全景圖像作為本研究樣本。

2.2 被試者與評價過程

不同人群對美景度的判別反應在統(tǒng)計學意義上具有普遍的一致性，本次實驗面向高校師生招募40名志愿者作為被試人員，評判過程分為三部分進行(圖3)：1)將輸出形式為等距投影的全景圖像制成幻燈片，間隔8s[16]向被試者展示全部場景；2)將圖像導入insta360player，通過頭戴式顯示設備向被試者依次展現(xiàn)36個場景，被試者被要求通過轉(zhuǎn)動頭部或身體來感知立體的環(huán)境和空間感受，相關研究顯示VR連續(xù)體驗時長通常為10～15min[17-18]，因此本次時間控制在15min左右；3)被試者根據(jù)景觀質(zhì)量評價標準對場景進行打分，問卷采用7級評分法，分值3～-3表示階梯式“很喜歡”到“很不喜歡”。

圖3 實驗內(nèi)容與流程圖

2.3 景觀要素選取

2.3.1 要素初選

為確定景觀評價與場景之間的關系，需提取影響風景質(zhì)量的景觀要素，以王建國[19]對公園景觀要素的分類為基礎，通過歸納匯總近幾年國內(nèi)外關于城市濱水綠地的景觀評價研究[13，20-26]，初步從空間要素、自然要素、建設要素、設施要素4個方面將環(huán)境特征分解為20個預選景觀要素。

2.3.2 灰色統(tǒng)計分析

灰色統(tǒng)計分析法被認為能有效提高要素選擇的科學性[27]，研究使用該方法展開進一步要素篩選，具體流程如下：1)以問卷形式向20位風景園林專家征詢要素指標重要性程度的意見，采用7級評分法，等級1～7表示階梯式的“非常不重要”到“非常重要”；2)構建灰類白化函數(shù)；3)計算灰類決策系數(shù)，得出各要素的高、中和低灰類的決策系數(shù)；4)比較向量中的3個決策系數(shù)，選取

重要程度為“高”的預選要素進行后續(xù)研究。最終景觀要素選取如表1所示。

表1 景觀要素分解表

2.4 要素定量化分解

2.4.1 卷積神經(jīng)網(wǎng)絡模型選取

本文選用在全卷積網(wǎng)絡(Fully Convolutional Network，F(xiàn)CN)基礎上改進而來的PSPNet模型展開場景定量化分解(圖4)。識別精度通常以平均聯(lián)盟交集(MIoU)為標準來衡量[28]，即描述圖像預測像素和真實像素的重疊率，計算公式如公式(1)所示。PSPNet模型被認為適用于相對復雜的場景解析，曾獲得2016年ImageNet場景解析挑戰(zhàn)冠軍，在PASCAL VOC 2012基準測試中取得最佳效果(MIoU=85.4%)。

圖4 PSPNet網(wǎng)絡結構[35]

式中，k為景觀標簽類別總數(shù)；pii為真實像素類別為i的像素被預測為類別i的總數(shù)量；pij為真實像素類別為i的像素被預測為類別j的總數(shù)量；pji為真實像素類別為j的像素被預測為類別i的總數(shù)量。

2.4.2 訓練數(shù)據(jù)集選取

語義分割需對含有大量已注釋對象的場景(訓練數(shù)據(jù)集)進行學習并從中獲得規(guī)律。濱水綠地構成要素較多，以街道為采集主體的數(shù)據(jù)集較難滿足分割需求，為提升識別精度，本文選用ADE20K公開數(shù)據(jù)集對PSPNet進行預訓練。ADE20K數(shù)據(jù)集[34]涵蓋室內(nèi)、室外、自然等多種場景，是擁有超過25 000張密集注釋圖像、150種類目標簽、3 000個具體注釋對象的龐大數(shù)據(jù)集，包含：1)具有明確形狀的離散物體，如汽車、人；2)無定形背景區(qū)域的物體，如草地、天空；3)具有某種功能意義的現(xiàn)有物體的組成部分，如頭部或腿部。

2.4.3 運算過程

全景圖像的畸變因不符合算法的語義規(guī)律會導致分割精度降低，研究借助軟件將全景圖像重映射輸出為前、后、左、右、上、下六方位普通圖像，以此進行語義分割(表2)。模型運行在PyCharm程序?qū)崿F(xiàn)，輸入圖片大小統(tǒng)一設置為1 500×1 500像素。

表2 圖像語義分割部分結果

2.5 數(shù)據(jù)處理與模型建立

2.5.1 美景度標準化計算

為消除或減少不同評判者的審美差異，通過公式(2)將美景度評分標準化處理，進一步求平均值得到各場景的美景度值。

式中，Zij為第j位評判者對第i個場景美景度評分的標準化值；Rij為第i位評判者對第j個場景的美景度評分；Rj為第j位評判者對同一個景觀美景度評分的平均值；Sj為第j位評判者對同一個景觀美景度評分的標準差。

2.5.2 模型建立

研究將美景度標準化值作為因變量，各景觀要素值作為自變量，在建模過程中通過偏相關分析法逐步剔除相關性小的因子，保留貢獻較大因子，以此建立最終美景度模型。

3 結果與分析

3.1 圖像語義分割結果分析

為衡量模型對城市濱水綠地的識別精確性，研究隨機選取5個場景作為檢驗樣本展開MIoU分析(表3)。語義分割輸出與相應的真實值標簽比較結果表明，經(jīng)由ADE20K數(shù)據(jù)集預訓練的PSPNet模型對綠植、水體、天空的識別精度分別達到90.3%、86%和89.9%，總體模型精度為88.8%。根據(jù)PSPNet模型在多數(shù)據(jù)集上的基準測試表現(xiàn)[29]以及學者對當前經(jīng)典的深度學習模型的精度對比結果[30]得知，該模型具有較高的識別精度，適用于城市濱水綠地圖像的定量化分割。

表3 語義分割與人工識別對比

根據(jù)綠植的分割結果表明，與人工識別相比，語義分割將樹木視作一個整體，忽略樹干、枝葉等之間的孔隙，從而導致了數(shù)據(jù)的偏差，這與標注對象的深度設置[31]有關，當分割對象存在部分重疊時，通常將大部分相交區(qū)設置為近景對象，張煒[14]在其研究中得出一致結論，并認為語義分割結果可以減少植被在不同季節(jié)產(chǎn)生的誤差。在水體的識別結果對比發(fā)現(xiàn)，倒影的存在會導致語義分割偏差，錯誤地識別為植物、土壤等其他要素，此外，光線也具有一定影響，亮度較暗的部分常造成識別偏差。天空的識別偏差大部分出現(xiàn)在與樹木銜接的地方。

3.2 城市濱水綠地美景度相關性分析

將美景度與15個景觀要素值輸入SPSS 22.0軟件進行分析，通過6次偏相關運算后得知，除“天空開敞度”“空間色彩豐富度”“建筑比例”“小品比例”及“人文氛圍”外，樣地濱水綠地美景度與剩余10個景觀要素顯著相關。

3.3 城市濱水綠地空間評價模型構建分析

3.3.1 評價模型建立

為更直觀地反映美景度與景觀要素之間的關系，根據(jù)線性回歸結果建立西湖公園、左海公園濱水綠地美景度模型：SBE=1.795+-0.479K2＋-0.016Z1+-0.03Z2+0.193Z3+0.123Z4+-0.108Z5+0.2Z6+-0.036J2+0.157J3+-0.518S1。

3.3.2 評價模型檢驗

由表4、5可知，當10個景觀要素均進入回歸模型后，調(diào)整后判定系數(shù)R2(擬合優(yōu)度)為0.642>0.6，表明建立的方程回歸擬合程度較高，具有良好的解釋度。同時，對模型進行相關系數(shù)的F檢驗，得到F＝7.274(P<0.001)，結果為顯著，方程具有統(tǒng)計學意義。

表4 模型摘要

單要素檢驗發(fā)現(xiàn)，除“植物生長狀況”外，其余9個因子的P＜0.05，T檢驗為顯著或極顯著，其中“綠視率”“土壤裸露程度”“鋪裝比例”“商業(yè)設施”4個因子的P＜0.01，說明與美景度值之間有極顯著的相關性(表6)。

表6 美景度估算方程系數(shù)分析

3.4 景觀要素對美景度的具體影響機制

3.4.1 正向關鍵因子分析

由美景度模型可知，“植物生長狀況”“植物層次”“鋪裝形式”“植物色彩”的正向提升能夠提高公眾審美喜好。

植物是公園中不可或缺的要素，也是景觀評價的重要影響因子。豐富的植物色彩[22]和復合型植物構成[32]能在一定程度上提升公眾的審美判定，與前人研究相互印證。由自變量標準化系數(shù)得知，“植物生長狀況”(貢獻率=10.8%)是濱水綠地美景度的最大正向貢獻因子，與劉健行等[33]研究觀點一致，認為樹木枯枝、雜草叢生等衰敗景象容易降低公眾的審美評價。在場景營建過程中應根據(jù)植物季相特性配置相應的景觀構筑、小品以及植物搭配，營造季節(jié)性景觀風貌。

“鋪裝形式”以鵝卵石鋪地最受公眾偏愛，其次是木棧道，最后為普通磚石。由具體數(shù)據(jù)得知，鋪裝占比為20%～40%，鋪裝的形式對視覺感受及公園整體風貌存在一定的影響。

3.4.2 負向關鍵因子分析

“商業(yè)設施”“視覺復雜度”“土壤裸露程度”“鋪裝比例”“藍視率”“綠視率”對美景度存在負向影響。

“商業(yè)設施”包括景觀中出現(xiàn)的游船設施、廣告牌等(貢獻率=27.8%)，是本模型中具有最大貢獻率的因子。訪談過程得知，停泊游船的高密度聚集會導致空間開闊感下降，且商業(yè)設施顏色雜亂，容易造成眼花繚亂的效果[34]。

“視覺復雜度”(貢獻率=25.8%)反映了圖像信息的豐富度和協(xié)調(diào)度。過多要素的無序堆積容易造成整體協(xié)調(diào)感缺失及視覺感受破碎化，從而降低視覺美感。提高場景的視覺觀賞性不但要避免單一的元素堆積，還應考慮合理配置。

植被的影響體現(xiàn)在“綠視率”“土壤裸露程度”2個要素上?！熬G視率”與美景度的正負關系[35-36]在過往研究中均有提及，也有研究[37]認為在濱水景觀中，水是重要的構景要素，綠化率對視覺影響不大。本研究指出過高的綠視率可能會導致環(huán)境視野局限，使觀者產(chǎn)生壓抑及疲勞感。“土壤裸露程度”是對被解釋變量影響水平最高的自然要素，過往研究表示，相比裸露的土地，草皮、低矮綠籬、花卉作為綠化元素更受人們偏愛，甚至更偏愛缺少樹木但沿路布置花草的街道[38-39]。因此，關注地表植物覆蓋度能以最低成本獲得景觀效果的快速提升。

“藍視率”顯示與美景度呈負相關，本文研究對象為城市濱水綠地，選取樣點均為有水環(huán)境，語義分割結果顯示，樣地藍視率為1.2%～15%，因此認為在此區(qū)間內(nèi)藍視率與美景度呈現(xiàn)負相關。White[40]在研究中表明，考慮與水陸棲息地的生理適應有關，人們對水體占據(jù)大部分空間的場景偏好更低，朱曉玥[41]也認為高藍視率場景的公眾偏好及恢復性效能均低于中、低藍視率場景，高藍視率意味著距水較近，容易產(chǎn)生心理恐懼，同時水體比例過大意味著其他景觀構成單調(diào)。

3.5 優(yōu)劣樣地景觀分析

在評價使用的36個景觀場景中，得分正值場景19個，負值場景17個，由表7可知，場景31(0.860 945)最受公眾喜愛，場景7(-0.849 000)則獲評分最低，具體場景展示如圖5所示。

圖5 優(yōu)劣場景對比圖

表7 樣地美景度評價值

由模型可知，高SBE值的場景擁有良好的植物生長狀況、和諧豐富的植物色彩及復合型植被層次，鋪裝形式喜好度為鵝卵石>木頭>普通磚石，同時，整體視覺效果協(xié)調(diào)有序，土壤暴露程度及鋪裝占比低，最重要的是商業(yè)氛圍不高。

根據(jù)具體場景及數(shù)據(jù)分析顯示，評分前三的樣地呈現(xiàn)古典園林風格，“綠視率”占比為30%～50%，“藍視率”占比為2%～10%，“鋪裝比例”占比為15%～30%，擁有2～3種“植物色彩”，“植物層次”均為喬灌草復合型植被構成，“土壤裸露程度”及“商業(yè)設施”均為0。3個場景均具有適當?shù)男∑吩O施搭配，建筑風格以古典式為主，與公園總體風格協(xié)調(diào)。

美景度正負得分值統(tǒng)計結果得知，得分正值的“商業(yè)設施”占比總值為0.42%，得分負值“商業(yè)設施”占比總值為4.19%。美景度評分較差的3個場景的共同特點也在于商業(yè)氛圍濃厚，場景中“植物色彩”通常以大面積綠色為主，缺少顏色搭配，“鋪裝形式”為普通磚石鋪地，此外，“植物生長狀況”差、“土壤裸露程度”高也是造成評分較低的原因。

4 結論與討論

本研究揭示了城市濱水綠地與公眾審美之間的影響機制，認為“植物生長狀況”“植物層次”“鋪裝形式”“植物色彩”對城市濱水綠地美景度具有顯著的正向影響作用，其貢獻率依次降低；“商業(yè)設施”“視覺復雜度”“土壤裸露程度”“鋪裝比例”“藍視率”“綠視率”則起到負向影響作用，其貢獻率依次降低。商業(yè)設施是對美景度具有最大負向影響的因子，在以往研究中常常忽視這一點對公眾審美的影響。綠視率、藍視率雖作為相關因子，但總體貢獻率不高，由訪談得知，這也許與個體性格有關，偏愛開闊空間感受的被試者對綠視率低而藍視率高的場景評分較高；反之，部分被試者認為郁閉的空間更能帶來安全感。此外，具有顯著影響的因子中，自然要素超過一半，因此認為在針對成熟公園的后期建設中，可以考慮從自然要素著手。

表5 方差分析

傳統(tǒng)式圖片作為評價媒介常受到外界環(huán)境干擾而影響評判結果，研究以VR圖像為視覺刺激進行實驗，實驗中，被試者對體驗場景表現(xiàn)出“太陽曬”“私密性強”“想拍照”等感受和行動意愿，證明被試者在短時間內(nèi)已融入場景中，正如侯錦雄在對不同模擬媒介對比的研究中指出，受試者對動態(tài)模擬圖像，如3D虛擬現(xiàn)實有較高的反應[42]。虛擬現(xiàn)實的融入更新了場景的呈現(xiàn)方式，未來可深入探索VR圖像對現(xiàn)實場景的替代效應。

相比傳統(tǒng)的場景分解方法，本研究創(chuàng)新點在于引入了圖像語義分割法，為美景度評價提供場景量化的技術更新以及更加客觀的數(shù)據(jù)支撐。該方法在以往研究中多應用于街道景觀，而公園景觀相較而言擁有更復雜的景觀構成，本文通過實驗證實了該方法在城市濱水綠地場景中的適用性，為未來研究技術方面提供新的思路。相比街道景觀常用的Cityscapes數(shù)據(jù)集，ADE20K數(shù)據(jù)集包含標簽類目更廣，在公園場景應用時分割精度更佳。目前，公開的模型及數(shù)據(jù)集通常適用于普通圖像的語義分割，未來可通過修改模型層數(shù)結構或建立相應數(shù)據(jù)集等進一步提升分割精度。

注：文中圖片除注明外，均由作者繪制。