基于街景圖像和深度學(xué)習(xí)的城市道路植物景觀視覺質(zhì)量評(píng)價(jià)

中圖分類號(hào)：S759.92 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-923X（2025）07-0205-12

Evaluation of urban roadway plant landscape visual quality using street view images and deep learning

CHENYiduo，HUHaihui

（ColegeofHorticlturedLdscapetecture，oreastgulturalUesityabino，Heiog，ia）

Abstract：【Objectie】Inurbanroadnetworksplantlandscapesalongroadsidesareotolyetiallementsofurbanbeauifcationbut alsodirectlyimpactresidentsqualityoflifeandurbaecologicalbalanceUnderstandingthedistrbutionoftevisualqualityofurbnoad plantlandscapesand their influencing factors canprovidetheoreticalsupportfor future urbanroad plant landscape planningand design. 【Method】Taking Harbin asacasestudy，weutilized stret viewimagedata andcombinedthe SegNeXtsemanticsegmentation model withtheSENetdeepleaingmodeltoquantifyindicatorssuchasthegreeviewindex.Acomprehensiveevaluationofplantadscape visual qualitywasconductedusingtheTrueSkillscoringsystemandtherandomforestalgorithm.【Result】1）Scores forplantandscape evaluationiatoossballibcttlotoeer districtscoredlower2）ereasasignificantpositivecoelationetweentheGVandboththeCIandPLDsugestingutal enhancement;howee，angativeoelationasevedbeweenstructuralLRandtheGVI，andbetweenndD.3）In the visual quality evaluation model based onrandom forest，PLMC had over 50% feature importance，indicating that PLMC is theprimary factorinpredictigalalt4vallalalitabn'stdastedteelih concentrationineothwestegion，iletherarasispladaixeddistrbutioofghndlosoes.【Cocsion】oosd visualqualityvaluationmetodprovidesateoreicalbasisfortesieificplainganddesignofurbanplatandscaps，withpotetial for broader application to other cities， promoting sustainable urban landscape development.

Keywords：semantic segmentation;random forest;roadwayplantlandscape;street view images;visualquality

城市道路是城市中供車輛、行人和其他交通方式通行的線性交通通道，是構(gòu)成城市交通網(wǎng)絡(luò)的重要組成部分。城市道路兩旁的植物景觀不僅提升了城市環(huán)境，還對(duì)居民的生活質(zhì)量和城市生態(tài)平衡產(chǎn)生了直接影響[1。作為城市形象的重要支撐，城市道路中的植物景觀不僅增添了城市景觀的魅力，還促進(jìn)了人與自然的和諧關(guān)系。資料顯示，植物景觀視覺質(zhì)量的研究能夠較好地了解人的感受[2]，因此對(duì)城市道路植物景觀的視覺質(zhì)量進(jìn)行評(píng)價(jià)尤為重要。

植物景觀視覺質(zhì)量評(píng)價(jià)研究可以分為3個(gè)方面：基于心理感受的主觀評(píng)價(jià)，例如通過問卷調(diào)查、審美評(píng)判測量（BIB-LCJ）[]等方法，了解公眾對(duì)植物景觀的感受和看法，將人的直觀感受作為衡量植物景觀視覺質(zhì)量好壞的標(biāo)準(zhǔn)[4；基于物理質(zhì)量的客觀評(píng)價(jià)，例如利用遙感技術(shù)[5]、色彩分析[等方法，使植物景觀的基本屬性轉(zhuǎn)化為可測量的數(shù)字參數(shù)；主客觀相結(jié)合的綜合性評(píng)價(jià)，借助生理測量儀器與問卷數(shù)據(jù)進(jìn)行分析，例如眼動(dòng)分析[、腦電分析[等。上述研究雖然對(duì)植物景觀進(jìn)行了有效的評(píng)價(jià)，但是受限于樣本量小、城市信息缺乏等原因，尚無法在更大范圍內(nèi)評(píng)價(jià)城市道路植物景觀的視覺質(zhì)量。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，街景圖像和機(jī)器學(xué)習(xí)技術(shù)的結(jié)合為城市環(huán)境評(píng)價(jià)研究奠定了基礎(chǔ)。通過在城市街道或鄉(xiāng)村道路上進(jìn)行拍攝，街景圖像能夠記錄特定位置的景象與環(huán)境，為城市空間和景觀研究提供重要的視覺信息?；诮志皥D像和語義分割量化城市街道內(nèi)物質(zhì)要素的空間特征[，在研究中應(yīng)用較為廣泛。而在有關(guān)視覺質(zhì)量的研究中，主觀的評(píng)價(jià)方法不可或缺。已有研究表明，通過街景圖像的人工評(píng)價(jià)所訓(xùn)練的機(jī)器學(xué)習(xí)模型，可以較好地實(shí)現(xiàn)對(duì)街景圖像的自動(dòng)化處理和分析[1]。

與傳統(tǒng)的機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)算法具有更好的特征表示能力和泛化能力。盡管現(xiàn)有研究已經(jīng)成功地將街景圖像和深度學(xué)習(xí)結(jié)合起來評(píng)估城市環(huán)境，例如結(jié)合語義分割分析街道綠化的可達(dá)性[12]。然而，基于深度學(xué)習(xí)的主觀評(píng)價(jià)以及環(huán)境整體的視覺質(zhì)量分析并未涉及。與上述研究相比，基于深度學(xué)習(xí)訓(xùn)練了主觀評(píng)價(jià)模型，結(jié)合了植物景觀層次多樣性、形態(tài)特征和健康程度等多維指標(biāo)，提出了一個(gè)更加全面的植物景觀視覺質(zhì)量評(píng)價(jià)模型，并通過TrueSkill評(píng)分系統(tǒng)與隨機(jī)森林算法來實(shí)現(xiàn)視覺質(zhì)量的量化和評(píng)價(jià)。

因此，本研究旨在通過結(jié)合街景圖像和深度學(xué)習(xí)，提出一種主客觀相結(jié)合的城市道路植物景觀視覺質(zhì)量評(píng)價(jià)方法。研究問題是：1）如何結(jié)合街景圖像和深度學(xué)習(xí)技術(shù)構(gòu)建植物景觀視覺質(zhì)量評(píng)價(jià)模型；2）評(píng)價(jià)指標(biāo)對(duì)視覺質(zhì)量的影響以及各指標(biāo)之間的關(guān)系如何。

為回答這些問題，本研究基于頻次分析法對(duì)有關(guān)植物景觀視覺質(zhì)量評(píng)價(jià)的指標(biāo)進(jìn)行了選取，利用深度學(xué)習(xí)技術(shù)對(duì)評(píng)價(jià)指標(biāo)進(jìn)行了量化，采用TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法構(gòu)建了植物景觀視覺質(zhì)量評(píng)價(jià)模型，并分析了評(píng)價(jià)指標(biāo)之間、評(píng)價(jià)指標(biāo)與視覺質(zhì)量的相關(guān)性。本研究的創(chuàng)新之處在于基于街景圖像和深度學(xué)習(xí)量化道路植物景觀視覺質(zhì)量評(píng)價(jià)指標(biāo)，并采用TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法對(duì)道路植物景觀視覺質(zhì)量進(jìn)行了評(píng)價(jià)。這項(xiàng)研究的結(jié)果可用于未來的城市道路植物景觀優(yōu)化和相關(guān)政策決策。

1 材料與方法

基于街景圖像和深度學(xué)習(xí)的植物景觀視覺質(zhì)量評(píng)價(jià)分為4個(gè)步驟，如圖1所示。

1）街景圖像采集：使用開放街道地圖（OSM）、地理信息系統(tǒng)（GIS）和百度街景地圖應(yīng)用程序編程接口（API）獲得街景圖像。

2）評(píng)價(jià)指標(biāo)量化：使用語義分割模型SegNeXt量化客觀指標(biāo)，使用性能表現(xiàn)最佳的深度學(xué)習(xí)模型量化主觀指標(biāo)。

3）評(píng)價(jià)模型構(gòu)建：使用TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法構(gòu)建視覺質(zhì)量評(píng)價(jià)模型，并分析各評(píng)價(jià)指標(biāo)的重要程度。

4）評(píng)價(jià)模型應(yīng)用：應(yīng)用模型完成對(duì)哈爾濱城市道路植物景觀的視覺質(zhì)量可視化。

1.1 研究區(qū)域

研究區(qū)域位于黑龍江省省會(huì)哈爾濱 .125^°42^′～ 130^°l0^′E ， 44^°04^′～46^°40^′N） ，其地處我國東北平原，黑龍江省西南部，是中國緯度最高的省會(huì)城市。本研究圍繞哈爾濱市繞城高速內(nèi)部的松北區(qū)、道里區(qū)、南崗區(qū)、香坊區(qū)、道外區(qū)和呼蘭區(qū)等6個(gè)市轄區(qū)進(jìn)行，數(shù)千條街道覆蓋研究區(qū)域約400km² 。

1.2 街景圖像獲取與處理

從OSM中下載哈爾濱城市路網(wǎng)，基于百度地圖開放平臺(tái)采集街景圖像。一般而言，對(duì)于道路植物景觀的研究，較小的圖像間隔可能更有利于捕捉植物景觀的特征。為了盡可能全面采集道路植物景觀圖像，按照 50m 間隔設(shè)置街景圖像采樣點(diǎn)，共采集91088個(gè)樣本點(diǎn)。然后將采樣點(diǎn)數(shù)據(jù)導(dǎo)入ArcGIS中的WGS1984坐標(biāo)系，獲取采樣點(diǎn)的經(jīng)緯度坐標(biāo)。由于百度街景采用的是百度墨卡托投影（ bd09mc ），故通過官方轉(zhuǎn)換函數(shù)“wgs2bd09mc”將wgs84坐標(biāo)自動(dòng)轉(zhuǎn)換為百度的bd09mc 坐標(biāo)，以便進(jìn)行數(shù)據(jù)采集。

為了避免冬季植物凋零對(duì)街景分析產(chǎn)生較大的影響，獲取的街景圖像均為5一10月拍攝。通過以上方法獲取了182176張圖像?？紤]到本研究主要關(guān)注由植物景觀組成的立面部分，一些圖像并不符合要求，例如不包含植物景觀的圖像以及在道路交叉口拍攝的圖像。因此，利用后續(xù)研究中的主觀指標(biāo)量化模型，從街景圖像中辨別非道路植物景觀圖像，以篩選出不合格的圖像。第一步，從數(shù)據(jù)庫中隨機(jī)抽取2000張圖像，并手動(dòng)將它們分類為“植物景觀圖像”（1257）和“非植物景觀圖像”（743）。然后，這些圖像被用于訓(xùn)練主觀指標(biāo)量化模型，將訓(xùn)練后的模型應(yīng)用于所有圖像以篩選出適合包含在分析中的圖像。

1.3 評(píng)價(jià)指標(biāo)的選擇及量化

1.3.1 評(píng)價(jià)指標(biāo)選擇

本研究采用頻次分析法對(duì)植物景觀視覺評(píng)價(jià)的相關(guān)研究進(jìn)行統(tǒng)計(jì)分析，選取30篇研究文獻(xiàn)中評(píng)價(jià)指標(biāo)的頻率進(jìn)行統(tǒng)計(jì)，并基于街景圖像評(píng)價(jià)進(jìn)行篩選，最終選取的指標(biāo)為以下客觀指標(biāo)：綠色視覺指數(shù)（GVI）、植物景觀色彩豐富指數(shù)（PCRI）、植物景觀層次多樣性（PLLD）、植物景觀層次豐富度（PLLR）；主觀指標(biāo)：植物景觀形態(tài)特征（PLMC）、植物景觀協(xié)調(diào)程度（PLCD）、植物景觀健康程度（PLHD）。

1.3.2 客觀指標(biāo)量化

1）量化模型選擇

本研究選擇SegNeXt模型對(duì)街景圖像進(jìn)行語義分割。SegNeXt是一種用于多類語義分割的全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，與Transformer模型相比，SegNeXt模型利用多尺度卷積操作，在捕捉多尺度上下文信息的同時(shí)，保持了較低的計(jì)算復(fù)雜度[3]。在城市植物景觀評(píng)價(jià)任務(wù)中，SegNeXt模型能夠同時(shí)關(guān)注不同尺度的圖像特征，如遠(yuǎn)景中的建筑物和近景中的植物景觀元素。其多尺度卷積機(jī)制使得模型能夠精確地分割植物景觀元素，并有效區(qū)分與其他背景元素（如建筑和道路）之間的邊界。因此，本研究采用SegNeXt模型將街景中的植物景觀元素分為喬木、灌木、草、花等4種類型，以便更好地分析。

2）指標(biāo)量化方式

綠色視覺指數(shù)（GVI）是指人眼觀察到的環(huán)境中綠色植物的比例，可以直觀地反映綠化水平對(duì)人類視覺感知的影響，能夠在街道景觀和城市小氣候調(diào)節(jié)中發(fā)揮重要作用。其中，城市道路中的綠化除了綠色植被以外，還包括色葉植物及花卉植物等非綠色植被。因此本研究中GVI量化為街景圖像中植物像素面積的占比。

{i∈（1，2，…，n}

式中： T_n 代表喬木像素， G_n 代表草本像素， P_n 代表灌木像素， F_n 代表花像素。

植物景觀色彩豐富指數(shù)（PCRI）是衡量植物色彩多樣性和豐富度的指標(biāo)。通過分析街景圖像中植物的顏色組成，可以對(duì)植物色彩的直接視覺感知所創(chuàng)造的空間氛圍進(jìn)行量化。在視覺注意機(jī)制的相關(guān)研究中，色彩豐富指數(shù)是在視覺熵的計(jì)算公式中加入色彩因子后的改進(jìn)指標(biāo)，故本研究通過視覺熵計(jì)算公式中的概率 P_i 乘以一個(gè)能代表所在區(qū)域顏色的量值對(duì)植物色彩豐富指數(shù)進(jìn)行量化[14]。

式中： R_i， （20 G_i，B_i 分別是第 i 種顏色在RGB色彩模式下的紅、綠、藍(lán)通道的色彩值， P_i 是第 i 種顏色的比例， N_i 是第 i 種顏色的像素?cái)?shù)量， T 是圖像中所有像素的數(shù)量。

植物景觀層次多樣性（PLLD）是指街景圖像中植物群落在不同垂直層次結(jié)構(gòu)中搭配比例的均衡程度。本研究采用香農(nóng)熵指數(shù)來計(jì)算植物景觀的層次多樣性。

式中： P_i 是指第 i 種植物的相對(duì)豐度，即第i種植物的像素?cái)?shù)量占總像素?cái)?shù)量的比例。

植物景觀層次豐富度（PLLR）是指街景圖像中植物群落在垂直空間中具有的喬木、灌木、草和花的層次結(jié)構(gòu)數(shù)量。

3）模型性能評(píng)估

盡管SegNeXt模型已經(jīng)在ADE20K數(shù)據(jù)集和Cityscapes數(shù)據(jù)集上展示出了良好的性能，但其在未知數(shù)據(jù)集上的表現(xiàn)仍需進(jìn)一步驗(yàn)證。本研究從哈爾濱城市街景圖像數(shù)據(jù)集中隨機(jī)抽取10張街景圖像進(jìn)行手動(dòng)標(biāo)注，通過計(jì)算模型預(yù)測的語義分割結(jié)果與手動(dòng)標(biāo)注結(jié)果之間的平均交并比（mloU），即預(yù)測結(jié)果與實(shí)際結(jié)果之間的重疊程度平均值，以評(píng)估模型在本研究數(shù)據(jù)集上的性能。所有圖像的總平均交并比為 78.26% ，高于SegNeXt論文中的mloU結(jié)果[13]，證明了SegNeXt模型在本研究的數(shù)據(jù)集上保持了良好的性能，模型能夠有效應(yīng)用于本研究中的語義分割任務(wù)。

1.3.3 主觀指標(biāo)量化

1）量化模型選擇

在計(jì)算機(jī)視覺領(lǐng)域，有許多與圖像評(píng)價(jià)相關(guān)的方法。本研究選擇了3個(gè)比較先進(jìn)的深度卷積網(wǎng)絡(luò)模型來評(píng)估它們的性能，分別是SENet[5]、EffcientNet[和ResNeSt[17]。其中，SENet通過引入“Squeeze-and-Excitation”模塊，能夠自適應(yīng)地對(duì)通道進(jìn)行加權(quán)，從而使得神經(jīng)網(wǎng)絡(luò)能夠更加聚焦于圖像中的重要特征，例如與植物景觀相關(guān)的區(qū)域。EfficientNet通過復(fù)合縮放策略優(yōu)化了神經(jīng)網(wǎng)絡(luò)的深度、寬度和分辨率，能在保證高精度的同時(shí)快速處理大規(guī)模的街景圖像。ResNeSt通過引入多分支注意力機(jī)制，有效增強(qiáng)了神經(jīng)網(wǎng)絡(luò)對(duì)圖像中植物景觀區(qū)域特征的適應(yīng)能力，能夠在復(fù)雜的街景環(huán)境中應(yīng)對(duì)不同光照、遮擋和背景干擾，從而提升了圖像處理的魯棒性。綜上所述，這3種模型各具優(yōu)勢，能夠從不同維度提升圖像特征提取的精度與效率，因此被選為本研究中的主觀指標(biāo)量化模型。

2）指標(biāo)量化方式

在本研究中，偏好被用作主觀指標(biāo)評(píng)估的衡量標(biāo)準(zhǔn)，每個(gè)主觀指標(biāo)的評(píng)估采用5分制（分?jǐn)?shù)分為5個(gè)級(jí)別），評(píng)分區(qū)間為[1，5]。在城市環(huán)境質(zhì)量的評(píng)價(jià)研究中，專家評(píng)價(jià)是一種應(yīng)用較為廣泛的方法。盡管這種評(píng)價(jià)方法依賴于人工評(píng)分，具有一定的主觀性，但結(jié)果往往是可靠的[1]。理想情況下，應(yīng)該邀請相關(guān)領(lǐng)域內(nèi)的有經(jīng)驗(yàn)的專家和學(xué)者對(duì)研究數(shù)據(jù)進(jìn)行評(píng)價(jià)。然而，考慮到評(píng)價(jià)工作的規(guī)模（每個(gè)專家需要對(duì)上百張圖像進(jìn)行評(píng)分），我們很難邀請到相關(guān)專家來做這項(xiàng)工作。因此，本研究選擇邀請10名接受過景觀專業(yè)培訓(xùn)5年以上的研究生來完成這項(xiàng)工作。

3）模型性能評(píng)估

在深度學(xué)習(xí)模型的訓(xùn)練中，十折交叉驗(yàn)證是一種可靠的方法。它將數(shù)據(jù)集隨機(jī)分為10組，每次使用其中9組作為訓(xùn)練集，1組作為驗(yàn)證集，重復(fù)10次。10次評(píng)估結(jié)果的平均值，作為最終的評(píng)估結(jié)果。因此本研究采用十折交叉驗(yàn)證方法對(duì)模型進(jìn)行訓(xùn)練和評(píng)估，在圖像分類任務(wù)中，2000張圖像被隨機(jī)分為10組，并標(biāo)記為 [0～199] 、（2號(hào) [200～399] 、 [400～599] 、…、 [1800～1999] 。在定性指標(biāo)量化任務(wù)中，1257張植物景觀圖像被隨機(jī)分為10組，標(biāo)記為 [0～124] 、 [125～249] 、[250～374] 、…、 [1125～1256] 。在模型性能評(píng)估方面，分類任務(wù)采用F1評(píng)分，回歸任務(wù)采用RMSE評(píng)分。通過評(píng)估SENet、EfficientNet和ResNeSt的性能，SENet在F1評(píng)分上表現(xiàn)最佳，同時(shí)在RMSE評(píng)分上最低?；谏鲜鼋Y(jié)果，我們選擇了SENet模型進(jìn)行大規(guī)模應(yīng)用。

1.4 TrueSkill評(píng)分系統(tǒng)構(gòu)建

在視覺質(zhì)量評(píng)分的收集過程中，本研究借鑒了Rui等[在收集視覺質(zhì)量評(píng)分時(shí)采用的Elo算法，通過兩張圖像的比較來完成視覺質(zhì)量的可視化。不同的是，本研究采用TrueSkill評(píng)分系統(tǒng)進(jìn)行評(píng)價(jià)。TrueSkill是一種基于貝葉斯推理的評(píng)分系統(tǒng)，用于動(dòng)態(tài)調(diào)整和更新評(píng)分[20]。與Elo算法相比，TrueSkill能夠在多次圖像對(duì)比后產(chǎn)生更加穩(wěn)定的評(píng)分結(jié)果，并且在連續(xù)的評(píng)分過程中逐步優(yōu)化評(píng)分模型，從而避免了Elo算法可能出現(xiàn)的過度依賴初始評(píng)分的問題。這種動(dòng)態(tài)調(diào)整機(jī)制使得TrueSkill能夠更精確地反映評(píng)分過程中各圖像分?jǐn)?shù)的相對(duì)變化，從而提高評(píng)分的準(zhǔn)確性和可靠性?；赥rueSkil1評(píng)分系統(tǒng)的機(jī)制，本研究通過Python編程語言構(gòu)建了TrueSkill評(píng)分程序，如圖2所示。從91088個(gè)街道點(diǎn)中，隨機(jī)選取500個(gè)作為樣本點(diǎn)，并在ArcGIS中進(jìn)行平均最鄰近分析。結(jié)果最鄰近比率為1.04577，表示點(diǎn)分布趨向于均勻。參數(shù)設(shè)定初始評(píng)分均值（ μ=25 、標(biāo)準(zhǔn)差（ _（σ=μ/3 ）和調(diào)節(jié)參數(shù)（ ），對(duì)每張圖像的評(píng)分進(jìn)行初始化。當(dāng)所有的圖像對(duì)都被評(píng)估完成后，將評(píng)分值歸一化到 0～10 范圍內(nèi)，以便進(jìn)行后續(xù)研究。

1.5 隨機(jī)森林算法構(gòu)建

隨機(jī)森林是一種基于集成學(xué)習(xí)的機(jī)器學(xué)習(xí)方法，它通過集成學(xué)習(xí)的方式訓(xùn)練多個(gè)決策樹，并將決策樹的結(jié)果結(jié)合起來，以提高模型預(yù)測的準(zhǔn)確性和魯棒性。在與其他機(jī)器學(xué)習(xí)方法的比較研究中，隨機(jī)森林的性能通常優(yōu)于其他機(jī)器學(xué)習(xí)算法，例如支持向量機(jī)、K-最近鄰和線性判別分析[21]。與這些算法相比，隨機(jī)森林在處理高維數(shù)據(jù)和復(fù)雜模式時(shí)表現(xiàn)出更強(qiáng)的魯棒性和更好的泛化能力。尤其在存在噪聲或數(shù)據(jù)不平衡的情況下，隨機(jī)森林通過集成多個(gè)決策樹的方式，可以有效減少過擬合的風(fēng)險(xiǎn)，從而提高了模型在未知數(shù)據(jù)上的表現(xiàn)。因此，本研究使用隨機(jī)森林算法構(gòu)建模型，將500個(gè)樣本點(diǎn)的視覺質(zhì)量評(píng)分作為目標(biāo)變量數(shù)據(jù)，將評(píng)價(jià)指標(biāo)量化模型應(yīng)用于樣本圖像，以獲得主觀評(píng)價(jià)和客觀評(píng)價(jià)的特征數(shù)據(jù)。如圖3所示，將特征數(shù)據(jù)和目標(biāo)變量數(shù)據(jù)輸入到隨機(jī)森林算法中進(jìn)行訓(xùn)練，獲得預(yù)測結(jié)果。與主觀指標(biāo)量化模型的性能評(píng)估方法相同，用十折交叉驗(yàn)證計(jì)算隨機(jī)森林模型的MSE和決定系數(shù) R² 。最終得到的R² 為0.71，MSE為1.48。參考Yilmazer等[22]對(duì)隨機(jī)森林的評(píng)估研究，本研究中模型的評(píng)估結(jié)果較為可靠。

2 結(jié)果與分析

2.1 道路植物景觀視覺評(píng)價(jià)指標(biāo)特征分析

根據(jù)SegNeXt模型和SENet模型對(duì)哈爾濱6城區(qū)91088個(gè)街景點(diǎn)進(jìn)行了量化，通過計(jì)算每個(gè)路段的平均得分，制作了各評(píng)價(jià)指標(biāo)的評(píng)分地圖（圖4）。GVI的均值為0.20，在相關(guān)研究中，GVI大于 30% 的道路植物景觀空間更能受到人們的歡迎[23-24]。因此研究區(qū)域內(nèi)的街景GVI較低，且取值范圍在 0～0.98 ，反映出植物景觀在不同街景中的占比具有顯著差異。PCRI的平均值為27.04，標(biāo)準(zhǔn)差為14.55，說明整體的色彩豐富程度較低，部分街景的植物色彩極為豐富，而另一些則較為單調(diào)。這與哈爾濱的實(shí)際情況相符，作為寒地城市，耐寒性強(qiáng)的植物成為主要選擇，這使得城市道路上的植物種類相對(duì)有限，植物景觀色彩較為單調(diào)。PLLD的取值范圍在 0～1.02 ，平均值為0.336，說明雖然在某些街景中植物層次分布有一定的多樣性，但整體偏低。這表明城市道路中的植物景觀設(shè)計(jì)更多地集中在單一層次的綠化，而缺乏高低搭配的多層次植被。PLLR的均值為2.06，表示研究區(qū)域內(nèi)平均有兩種以上的植物景觀垂直層次類型，其中大多為喬木和灌木。主觀評(píng)價(jià)指標(biāo)中，PLMC的均值為2.75，表明植物景觀整體的姿態(tài)和分枝結(jié)構(gòu)具有良好的視覺效果。PLCD的均值為2.23，表示大多數(shù)植物景觀在協(xié)調(diào)程度方面偏低，說明植物景觀配置與建筑風(fēng)格、道路布局等不匹配，或者植物景觀之間的比例、色彩搭配不平衡，導(dǎo)致視覺上的不連貫。PLHD的均值為1.77，表明植物景觀整體的健康程度不高，盡管植物景觀在形態(tài)特征上展現(xiàn)出一定的美觀性，但其生理健康狀況相對(duì)欠佳。這可能是因?yàn)槭艿金B(yǎng)護(hù)管理缺失的影響，導(dǎo)致植物的生長受限，出現(xiàn)樹冠缺失、枝條枯死等問題。

為了能更直觀的觀察哈爾濱市中各城區(qū)的視覺分布，制作了直方圖（圖5）。綜合來看，松北區(qū)幾乎在各項(xiàng)評(píng)價(jià)中達(dá)到了最高，表明該地區(qū)在城市綠化設(shè)計(jì)、植物選擇和養(yǎng)護(hù)管理等方面的顯著優(yōu)勢。松北區(qū)作為國家級(jí)生態(tài)城區(qū)，在發(fā)展經(jīng)濟(jì)的同時(shí)，堅(jiān)持生態(tài)優(yōu)先綠色發(fā)展，通過科學(xué)規(guī)劃和低碳建設(shè)，維護(hù)了植物景觀的良好狀態(tài)。呼蘭區(qū)的GVI最低，反映出該區(qū)在綠化投入上的不足，較低的GDP使呼蘭區(qū)面臨資金和資源分配上的限制，導(dǎo)致道路綠化的覆蓋率較低。道外區(qū)的PCRI最低，道里區(qū)的PLLD、PLLR和PLHD最低，香坊區(qū)的PLMC、PLCD最低。這3個(gè)區(qū)域作為哈爾濱市的老城區(qū)，歷史悠久，規(guī)劃建設(shè)較早。由于早期的城市綠化標(biāo)準(zhǔn)較為簡單，道路植物景觀設(shè)計(jì)可能更多地側(cè)重于實(shí)用性，而非美觀性。這導(dǎo)致道外區(qū)的PCRI最低，可能是因?yàn)橹参锲贩N單一，缺乏色彩豐富的觀賞性植物。同時(shí)，道里區(qū)的PLLR和PLHD低，表明該區(qū)的植物景觀可能長期未得到更新，且維護(hù)成本較高，導(dǎo)致植物老化，難以展現(xiàn)多樣的層次與健康狀態(tài)。此外，作為工業(yè)強(qiáng)區(qū)的香坊區(qū)，其PLMC和PLCD較低可能與工業(yè)化進(jìn)程以及城市建設(shè)帶來的環(huán)境壓力密切相關(guān)，大量的工業(yè)設(shè)施和密集的人類活動(dòng)影響了植物景觀的形態(tài)特征和協(xié)調(diào)程度。

2.2 植物景觀視覺評(píng)價(jià)指標(biāo)之間的相關(guān)性分析

使用斯皮爾曼相關(guān)系數(shù)（SCC）分析植物景觀視覺評(píng)價(jià)指標(biāo)之間的相關(guān)性，主要基于數(shù)據(jù)的排名進(jìn)行統(tǒng)計(jì)，而非數(shù)值大小，因此不假設(shè)數(shù)據(jù)的線性關(guān)系，也能夠捕捉到單調(diào)關(guān)系。如圖6所示，所有評(píng)價(jià)指標(biāo)之間的相關(guān)性均具有統(tǒng)計(jì)顯著性，其對(duì)應(yīng)的 P 值均小于0.05。具體來說，GVI與PCRI和PLLD之間存在顯著的正相關(guān)性，Spearman相關(guān)系數(shù)分別為0.81和 0.96 。這表明，在綠化覆蓋率較高的區(qū)域，通常伴隨著更豐富的植物色彩和更復(fù)雜的景觀層次。但某些指標(biāo)之間的相關(guān)性也較弱，例如PLLR與GVI的相關(guān)系數(shù)為-0.067，表明在某些綠化覆蓋率較高的區(qū)域，道路植物景觀的層次可能較為簡單，主要由單一層次的高大喬木或密集灌木構(gòu)成，缺乏多層次的植被結(jié)構(gòu)。PLHD與PLLD的相關(guān)系數(shù)為-0.014，說明植物的健康程度不一定與其層次多樣性直接相關(guān)。盡管植物層次多樣性較高，但如果環(huán)境條件欠佳，如土壤質(zhì)量差或缺乏有效的養(yǎng)護(hù)管理，植物仍然會(huì)表現(xiàn)出健康問題。

總體來看，盡管一些指標(biāo)具有顯著相關(guān)性，能夠相互促進(jìn)，但其他指標(biāo)之間的弱相關(guān)性提醒我們，在進(jìn)行城市道路植物景觀規(guī)劃和管理時(shí)，單純增加綠化覆蓋率或提高植物層次多樣性可能并不足以提升整體的植物景觀視覺質(zhì)量。更為全面的植物管理策略、適當(dāng)?shù)奈锓N選擇和定期的養(yǎng)護(hù)措施是確保植物景觀視覺質(zhì)量的關(guān)鍵。

2.3 植物景觀視覺質(zhì)量評(píng)價(jià)結(jié)果

哈爾濱城區(qū)樣本點(diǎn)視覺質(zhì)量評(píng)價(jià)分?jǐn)?shù)分布如圖7所示，高分點(diǎn)在中心區(qū)域和西北區(qū)域較多，而低分點(diǎn)在各區(qū)域都有分布，總體來說呈現(xiàn)中心區(qū)域與西北區(qū)域高，其他區(qū)域低的空間分布特征。500個(gè)樣本點(diǎn)的得分排名趨于穩(wěn)定。樣本點(diǎn)分?jǐn)?shù)集中在 4.0～7.0 分，其中 4.0～4.5 分的圖像最多，0～0.5 分的圖像最少。大多數(shù)樣本獲得了中等或較低的評(píng)分，少數(shù)樣本獲得了高評(píng)分。

為建立基于隨機(jī)森林的道路植物景觀視覺質(zhì)量評(píng)價(jià)模型，將上述500個(gè)樣本點(diǎn)作為訓(xùn)練樣本，將GVI等7個(gè)指標(biāo)輸入到隨機(jī)森林模型中進(jìn)行訓(xùn)練，每個(gè)指標(biāo)的權(quán)重排名如圖8所示，其中PLMC在模型中的權(quán)重最高，占比超過 50% 。這說明模型在預(yù)測視覺質(zhì)量時(shí)，主要依賴于PLMC的評(píng)分，可能是因?yàn)橹参锞坝^的形態(tài)特征能夠顯著區(qū)分不同的視覺效果和感知體驗(yàn)。PLHD和PLLR的特征權(quán)重較低，表示這兩個(gè)指標(biāo)對(duì)模型預(yù)測結(jié)果的貢獻(xiàn)有限，預(yù)示著健康的植物景觀和具有較多層次類型的植物景觀可能并不會(huì)獲得較高的視覺質(zhì)量評(píng)價(jià)結(jié)果。

根據(jù)隨機(jī)森林模型中每個(gè)指標(biāo)的權(quán)重，對(duì)哈爾濱市城區(qū)道路植物景觀的視覺質(zhì)量進(jìn)行了評(píng)價(jià)，結(jié)果如圖9所示。評(píng)價(jià)表明，哈爾濱市城區(qū)道路植物景觀的視覺質(zhì)量一般，平均分?jǐn)?shù)為6.01。其中，城市中心區(qū)域的低分路段較多，西北區(qū)域具有較多高分路段，總體呈現(xiàn)西北區(qū)域高分聚集，其他區(qū)域混合分布的格局。

3討論

3.1 區(qū)域經(jīng)濟(jì)發(fā)展與綠化投入的關(guān)系

區(qū)域經(jīng)濟(jì)發(fā)展水平通常決定了綠化投入的規(guī)模。根據(jù)2023年哈爾濱統(tǒng)計(jì)年鑒中的統(tǒng)計(jì)數(shù)據(jù)和各城區(qū)園林綠化保障中心的公開報(bào)表，GDP最高的南崗區(qū)和道里區(qū)在綠化上的投入較大。然而，經(jīng)濟(jì)排名靠前并不總意味著較高的植物景觀視覺質(zhì)量。例如，道里區(qū)在植物景觀層次多樣性和健康程度上表現(xiàn)較差，表明該區(qū)域的綠化維護(hù)可能沒有跟上經(jīng)濟(jì)發(fā)展的步伐，尤其是在植物健康管理方面。香坊區(qū)作為第三大經(jīng)濟(jì)體，其較高的工業(yè)化程度和城市建設(shè)密度可能對(duì)植物景觀的形態(tài)特征和協(xié)調(diào)程度產(chǎn)生了負(fù)面影響。盡管經(jīng)濟(jì)實(shí)力較強(qiáng)，但高密度的工業(yè)設(shè)施與交通壓力可能削弱了該區(qū)域的綠化效果，導(dǎo)致植物生長環(huán)境惡化。相比之下，松北區(qū)雖然排名第四，但其在植物景觀質(zhì)量上的表現(xiàn)優(yōu)異，說明該區(qū)在發(fā)展過程中堅(jiān)持了“生態(tài)優(yōu)先”的戰(zhàn)略，將綠化建設(shè)融入到城市擴(kuò)展中。呼蘭區(qū)排名最低，甚至低于許多區(qū)縣，反映了較低的經(jīng)濟(jì)發(fā)展水平對(duì)綠化資金投入的限制。由于缺乏足夠的財(cái)政支持，綠地建設(shè)和維護(hù)難以得到保障，這在一定程度上解釋了其綠色視覺指數(shù)具有最低的排名。區(qū)域經(jīng)濟(jì)發(fā)展與綠化投入之間存在顯著的關(guān)聯(lián)。經(jīng)濟(jì)發(fā)達(dá)區(qū)域能夠在綠化上投入更多資源，但規(guī)劃與執(zhí)行上的差距可能導(dǎo)致綠化效果不均衡。而經(jīng)濟(jì)相對(duì)落后的區(qū)域，由于資金限制，綠化項(xiàng)目發(fā)展滯后，難以達(dá)到預(yù)期的植物景觀質(zhì)量。

3.2 植物景觀視覺質(zhì)量的優(yōu)化

根據(jù)本研究的評(píng)價(jià)結(jié)果，哈爾濱市道路植物景觀的視覺質(zhì)量亟待提升。理想情況下，各區(qū)域評(píng)分較低的指標(biāo)都應(yīng)進(jìn)行優(yōu)化。然而，隨著中國東北地區(qū)經(jīng)濟(jì)發(fā)展速度的下降，哈爾濱對(duì)城市景觀改造的投入受到制約[25]。因此，需要優(yōu)先改造那些視覺質(zhì)量評(píng)分明顯低于平均水平的區(qū)域，以在有限的資源條件下實(shí)現(xiàn)最有效的優(yōu)化。在一般情況下，環(huán)境中低于平均分?jǐn)?shù)的區(qū)域通常被視為需要改進(jìn)或優(yōu)化的區(qū)域。例如，ISO14031等環(huán)境績效評(píng)估標(biāo)準(zhǔn)強(qiáng)調(diào)，如果某個(gè)領(lǐng)域的績效（如環(huán)境或景觀質(zhì)量）低于既定的平均水平或目標(biāo)，則通常會(huì)被認(rèn)定為需要改進(jìn)。因此，我們基于研究區(qū)域的評(píng)價(jià)結(jié)果，以各指標(biāo)的平均分?jǐn)?shù)作為標(biāo)準(zhǔn)，構(gòu)建了?；鶊D（圖10）。從圖中可以清晰地識(shí)別出每個(gè)區(qū)域需要重點(diǎn)優(yōu)化的指標(biāo)，例如道外區(qū)需要重點(diǎn)優(yōu)化PLLD、GVI和PCRI。為提高PLLD，可以采用分層種植策略，增加灌木、草本和花卉植物的數(shù)量；對(duì)于GVI，可以增加適宜的本地植物種植數(shù)量以提高環(huán)境的綠化水平；而提升PCRI，則可以通過豐富植物的色彩搭配和組合，引入更多的觀賞性植物。呼蘭區(qū)需要重點(diǎn)優(yōu)化GVI和PLMC。為提高GVI，同樣可以增加植物的數(shù)量，尤其是在公共空間和街道旁；而優(yōu)化PLMC，可以通過設(shè)計(jì)合理的植物排列和造型，創(chuàng)造更具視覺吸引力的景觀。（松北區(qū)由于各指標(biāo)值均高于整體的平均值，在圖中沒有顯示）

3.3 在城市道路中量化植物景觀的視覺質(zhì)量

隨著多源數(shù)據(jù)在研究中流行程度的提高，本研究進(jìn)一步闡明了如何應(yīng)用計(jì)算機(jī)視覺工具來量化城市道路植物景觀的視覺質(zhì)量。通過結(jié)合街景圖像、語義分割、深度學(xué)習(xí)、TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法，本研究建立了一套科學(xué)系統(tǒng)的框架，用于評(píng)估和量化城市道路植物景觀質(zhì)量。街景圖像作為行人視角的重要數(shù)據(jù)來源，能夠反映城市環(huán)境中的實(shí)際視覺體驗(yàn)。借助SegNext語義分割模型，本研究實(shí)現(xiàn)了對(duì)街景圖像中多種植物元素（如喬木、灌木等）的提?。煌瑫r(shí)，SENet模型在處理主觀評(píng)價(jià)任務(wù)時(shí)展現(xiàn)出優(yōu)越的性能。

結(jié)合頻次分析法，對(duì)植物景觀視覺指標(biāo)進(jìn)行提??；利用TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法構(gòu)建科學(xué)、全面、系統(tǒng)的城市道路植物景觀視覺評(píng)價(jià)指標(biāo)體系，從而有效評(píng)估城市道路植物景觀的視覺質(zhì)量。

3.4 局限性和未來前景

盡管本研究取得了令人滿意的結(jié)果，但仍存在一些局限性。首先，評(píng)價(jià)指標(biāo)的選擇受到街景圖像和機(jī)器學(xué)習(xí)技術(shù)的限制。其次，本研究使用專業(yè)人士的評(píng)價(jià)數(shù)據(jù)作為深度學(xué)習(xí)模型的訓(xùn)練樣本，而非專業(yè)的公眾對(duì)植物景觀的看法沒有包含在模型中。此外，本研究基于哈爾濱市的街景圖像構(gòu)建了道路植物景觀視覺質(zhì)量評(píng)價(jià)模型，作為寒地城市的典型代表，雖然針對(duì)哈爾濱的研究具有借鑒意義，但其結(jié)果可能難以直接推廣到其他氣候條件和城市背景不同的地區(qū)。

在未來的研究中，可以考慮通過相關(guān)學(xué)科和設(shè)備的相互融合，對(duì)評(píng)價(jià)指標(biāo)的選取進(jìn)行優(yōu)化。此外，收集評(píng)價(jià)數(shù)據(jù)時(shí)，可以在現(xiàn)場收集公眾的意見，使評(píng)價(jià)數(shù)據(jù)具有代表性。最后，未來可以擴(kuò)大研究范圍，包括不同氣候類型的地區(qū)，驗(yàn)證模型的普適性，確保其在不同區(qū)域的適用性和科學(xué)性。

4結(jié)論

本研究利用語義分割和深度學(xué)習(xí)技術(shù)，對(duì)哈爾濱6城區(qū)城市道路植物景觀的視覺評(píng)價(jià)指標(biāo)進(jìn)行了量化，并通過TrueSkill評(píng)分系統(tǒng)和隨機(jī)森林算法對(duì)植物景觀進(jìn)行了評(píng)價(jià)。具體結(jié)果如下：第一，哈爾濱市植物景觀視覺評(píng)價(jià)結(jié)果較差，整體來看各指標(biāo)分?jǐn)?shù)較低。不同城區(qū)在不同評(píng)價(jià)指標(biāo)中的表現(xiàn)不盡相同，其中松北區(qū)幾乎在各項(xiàng)評(píng)價(jià)中達(dá)到了最高，展現(xiàn)出該區(qū)域在城市綠化設(shè)計(jì)、植物選擇及養(yǎng)護(hù)管理方面的優(yōu)勢。而一些老城區(qū)由于規(guī)劃建設(shè)較早的原因?qū)е略u(píng)價(jià)結(jié)果普遍偏低。第二，通過斯皮爾曼相關(guān)系數(shù)分析，發(fā)現(xiàn)綠色視覺指數(shù)、植物景觀色彩豐富指數(shù)和植物景觀層次多樣性這3個(gè)指標(biāo)之間存在顯著的正相關(guān)性，說明在綠化覆蓋較高的區(qū)域，通常伴隨著更豐富的植物色彩和更復(fù)雜的景觀層次。相對(duì)而言，植物景觀層次豐富度與綠色視覺指數(shù)、植物景觀健康程度與植物景觀層次多樣性之間均呈現(xiàn)微弱的負(fù)相關(guān)，說明具有較多層次結(jié)構(gòu)的植物景觀，例如喬-灌-草-花，并不會(huì)伴隨著綠色視覺指數(shù)的提高，并且層次多樣性較高的植物可能健康程度較低。第三，植物景觀形態(tài)特征在視覺質(zhì)量評(píng)價(jià)中發(fā)揮了至關(guān)重要的作用，重要程度超過了 50% ，而健康程度和層次豐富度這兩個(gè)指標(biāo)對(duì)模型的貢獻(xiàn)相對(duì)有限。第四，哈爾濱市主城區(qū)植物景觀的視覺質(zhì)量總體上處于中等水平，空間分布格局呈現(xiàn)西北區(qū)域高分聚集，其他地區(qū)高低分混合分布的特征。

本研究區(qū)別于傳統(tǒng)的植物景觀視覺質(zhì)量評(píng)估方法，通過深度學(xué)習(xí)技術(shù)在圖像識(shí)別和語義理解上的優(yōu)勢，將主觀與客觀、定性與定量的分析方法有效結(jié)合，顯著提升了植物景觀視覺質(zhì)量評(píng)估的科學(xué)性和效率，同時(shí)擴(kuò)大了評(píng)估數(shù)據(jù)的規(guī)模。本研究實(shí)現(xiàn)了從人工評(píng)估向智能自動(dòng)化評(píng)估的轉(zhuǎn)變，推動(dòng)了視覺質(zhì)量評(píng)估的智能化和數(shù)字化發(fā)展，具有促進(jìn)道路植物景觀可持續(xù)發(fā)展的重要意義。這種方法不僅適用于中國的城市環(huán)境，也具有廣泛的國際適用性。我們期望本研究能夠推動(dòng)城市植物景觀視覺質(zhì)量評(píng)價(jià)向智能化方向邁進(jìn)，為城市植物景觀研究和人類生存環(huán)境的改善提供有力支持。

參考文獻(xiàn)：

[1]FINESCHI S，LORETO F.A survey of multiple interactions between plantsand the urban environment[J].FrontiersinForests and Global Change，2020，3：30.

[2]KRAGEL PA，REDDAN MC，LABAR K S， et al. Emotion schemas are embedded in the human visual system[J]. Science Advances，2019，5（7）：eaaw4358.

[3]陳國棟，邱冰，王浩.一種基于虛擬現(xiàn)實(shí)技術(shù)的植物景觀規(guī)劃 設(shè)計(jì)方案評(píng)價(jià)與修正方法——以長蕩湖旅游度假區(qū)為例[J]. 中國園林 ，2022，38（2）：31-36. CHENGD，QIUB，WANGH.A method of evaluation and modification of plant landscape planning and design based on virtual reality technology：takingChangdang lake tourist resort as an example[J]. Chinese Landscape Architecture，2022，38（2）： 31-36.

[4]MISGAV A，AMIR S. Integration of visual quality considerations in development of Israeli vegetation management policy[J]. Environmental Management，2001，27（6）：845-857.

[5]GUPTAK， KUMARP，PATHAN S K， et al. Urban neighborhood green index：a measure of green spacesin urban areas[J]. Landscape and Urban Planning，2012，105（3）：325-335.

[6]MA B Q，HAUER R J， XUCY. Effects of design proportion and distribution of color in urban and suburban green space planning to visual aestheticsquality[J]. Forests，202o，11（3）：278.

[7]吳江洲，田碧蓉，鐘永德，等.基于眼動(dòng)實(shí)驗(yàn)的湖南省植物 園解說牌效用評(píng)價(jià)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2024，44（3）： 189-197. WU J Z， TIAN BR，ZHONG Y D， et al.Evaluation of the effectiveness of interpretive panels in Hunan Botanical Garden based on eye movement experiment[J]. Journal of Central South University ofForestry amp; Technology，2024，44（3）：189-197.

[8]ZHENG S Y，ZHOUY Z，QU HY. Physiological and psychological responses to tended plant communitieswith varying color characteristics[J].Joumal ofForestryResearch，2024，35（1）：32.

[9]YINL，WANG ZX.Measuring visual enclosure for street walkability： using machine learning algorithms and Google street view imagery[J].AppliedGeography，2016，76：147-153.

[10]邱燁珊，車生泉，謝長坤，等.基于深度學(xué)習(xí)的上海城市街景 與景觀美學(xué)公眾認(rèn)知研究[J].中國園林，2021，37（6）：77-81.QIUYS，CHESQ，XIECK，et al.Study on the public perception of Shanghai urban streetscape and landscape aesthetics based on deep learning[J]. Chinese Landscape Architecture，2021，37（6）： 77-81.

[11]LIU L， SILVA E A， WU C Y， et al. A machine learning-based method for the large-scale evaluation of the qualities of the urban environment[J]. Computers，Environment and Urban Systems， 2017，65：113-125.

[12]YE Y，RICHARDS D，LU Y， et al.Measuring daily accessedstreet greenery： a human-scale approach for informing better urban planning practices[J].Landscape and Urban Planning，2019，191： 103434.

[13] GUO M H， LU C Z， HOU Q， et al. SegNeXt： rethinking convolutional attention design for semantic segmentation[J]. Advances in Neural Information Processing Systems，2022，35： 1140-1156.

[14]韓君偉，董靚.街道景觀視覺評(píng)價(jià)量化指標(biāo)及其有效性分 析[J].西南交通大學(xué)學(xué)報(bào)，2015，50（4）：764-769. HAN J W， DONG L. Quantitative indices of streetscape visual evaluation and their validity analyses[J]. Journal of Southwest Jiaotong University，2015，50（4）：764-769.

[15]HU J， SHEN L， SUN G. Squeeze-and-excitation networks[C]/ 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，UT，USA.IEEE，2018： 7132-7141.

[16] TAN M X，LE Q V. EfficientNet： rethinking model scaling for convolutional neural networks[C]// International Conference on Machine Learning.PMLR，2019：6105-6114.

[17]ZHANGH， WU CR，ZHANG ZY， et al. ResNeSt： split-attention networks[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）. New Orleans， LA，USA.IEEE，2022：2735-2745.

[18]WOHLWILLJF.Environmental aesthetics： the environment as a source of affect[M]. Boston： Springer，1976：37-86.

[19]RUI QQ， CHENG H S.Quantifying the spatial quality of urban streets with open street view images： a case study of the mainurbanarea of Fuzhou[J].Ecological Indicators，2023，156： 111204.

[20]HERBRICH R，MINKA T，GRAEPEL T. TrueSkil TM：A Bayesianskill rating system[C]//Advances inNeural Information Processing Systems 19.Proceedings of the 2006 Conference： The MIT Press，2007：569-576.

[21]CHENRC，DEWI C，HUANG SW， et al. Selecting critical features for data classification based on machine learning methods[J]. Journal of Big Data，2020，7（1）：52.

[22] YILMAZER S， KOCAMAN S.A mass appraisal assessment study using machine learning based on multiple regression and random forest[J].Land Use Policy，2020，99：104889.

[23]李鳳儀，周旭，王峰，等.基于街景大數(shù)據(jù)的長沙市道路綠化 視覺評(píng)價(jià)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2021，41（5）：163-173. LIFY，ZHOUX，WANGF，etal.Visual evaluation of road greening in Changsha based on big data of street view[J]. Jourmal of Central South University ofForestry amp; Technology，2021，41（5）： 163-173.

[24]楊燦，孫靖怡.洞庭湖生態(tài)經(jīng)濟(jì)區(qū)經(jīng)濟(jì)高質(zhì)量發(fā)展評(píng)估與 空間演變特征[J].中南林業(yè)科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2024，18（3）：36-47. YANG C，SUNJY.Evaluationand spatial evolution characteristics ofhigh-quality economic development of Dongting lake ecoeconomic zone[J]. Journal ofCentral South University ofForestryamp; Technology （Social Sciences），2024，18（3）：36-47.

[25] BANY，WANG Y，CHENXH，etal. Synergistic patterns of urban economic efficiency and the economic resilience of the HarbinChangchun urban agglomeration in China[J]. Sustainability， 2023，15（1）：102.

[本文編校：吳毅]