用户名
密码
(30天内有效)
注册
注册

首页 > 案 例 >

【模型咖专访】唐婧娴:利用街景图片实现街道空间品质的智能评价

我要收藏
2018-03-06

阅读数:729

收藏数 1

城市数据派导读



由北京市城市规划设计研究院与中国城市规划学会城市规划新技术应用学术委员会共同主办的2018年第二届“城垣杯·规划决策支持模型设计大赛”的竞赛报名阶段已于2月28日结束,大赛正式进入了提交成果阶段:2018.03.01—2018.04.30。

点击下图,了解大赛详情

1520308285316279.jpg

正在紧张准备模型的你

想不想知道:

什么样的模型能够获奖?

去年获奖团队背后有哪些故事?

他们是如何理解和应用模型的?

他们遇到了哪些挑战?

他们有哪些参赛经验分享?

未来模型的发展方向是什么?

......

城市数据派作为本届大赛的合作媒体

将专访往届大赛获奖代表

为你讲述模型背后的故事


上期专访往届特等奖获得者

【模型咖】胡腾云

点击看看TA都分享了哪些干货

 

城市数据派专访

 

本期专访往届一等奖获得者,来自清华大学的唐婧娴带来的《街道空间品质的测度模型-物理品质·感知品质·阶段变化》。感谢唐婧娴接受【城市数据派www.udparty.com】的专访。往下拉可了解往届一等奖获奖作品介绍。

1520308331195568.jpg

 

城市数据派:祝贺您的成果在第一届大赛中获奖,您认为该模型最大的亮点是什么?

唐婧娴:谢谢。我觉的模型搭建的出发点也是街道空间品质测度模型的亮点。空间品质最终服务于环境使用者,感知品质的提升是我们设计的终极目标,但感知依赖于物理空间的重要要素和结构组织。这个模型一方面基于环境心理学考虑了使用者对空间品质的认知;一方面借助图像分割批量分析了街道的物理构成,街道空间品质阶段变化部分也初步“试水”。

1520308346495878.jpg

 

城市数据派:可否简单说说您对规划决策支持模型的理解?

唐婧娴:本科时候学习城市设计时候,重要的书籍里会提到一些“规则”,比如街道高宽比是多少才舒服、沿街有哪些业态界面会活跃,这些规则是通过设计师反复的实践总结、抽象、提炼出来的。我想规划决策支持模型本质上是“以研究的思路做设计,以科学的方法做规划决策”,有些模型是用来总结“普适规则”,辅助后续批量的分析和实践;有些模型是用来帮助特定设计或规划的理性分析。在模型理性的前提下,量化测度的结果可以最大程度的减小主观性。

 

城市数据派:通过参加上届比赛,您觉得最大的收获是什么?对于第二届的参赛者,有什么样的参赛经验可以分享给大家?

唐婧娴:实际我提交的模型不是竞赛发布那一个月内短期做完的,前前后后也有一年多时间。经验的话,主要是要有兴趣和乐于思考吧。这两样可以促使人不断地对新事物产生好奇心,无论是学习编程、分析工具,还是钻研理论、方法。其他没什么,我和大家一样,还在学习的过程中。

 

城市数据派:能否给大家讲讲当时在比赛中技术上遇到的最大困难是什么?最终如何解决的?

唐婧娴:最难的就是图像分割SegNet是Linux系统平台的工具,读文献选到这个方法、理解这个方法用了不少时间,因为是跨专业的内容,后来和清华计算机的同学合作完成的。另外,系数问题仍然悬而未决,还需要以后一系列的研究予以明确。

1520308363697517.jpg

 

城市数据派:和传统规划相比较,应用此测度模型时需要投入的数字化分析成本是怎么样的?模型的效率如何?

唐婧娴:主要的成本在编程搭建模型和模型平台上,获取街景图、图像分割都是智能化的,购买服务器用来存储分析所需的街景图会有些开支。感知分析、变化分析的部分,如果继续做的话,可以借鉴MIT place pulse的方法,几乎可以全智能化实现。除去时间以外的成本都在搭建、维护平台上。如果模型成熟形成一个平台,可以节省很多的分析时间,特别是对总体城市设计这种大尺度、大规模样本量的,人工几乎无法实现,模型则可快速完成。

1520308380644624.jpg

城市数据派:目前街道设计已被广泛的提及,包括国内外都出版过很多《街道设计手册》,在国内外的街道设计实践和手册中,是否有应用到此模型或其他类似的模型?街道空间品质的测度模型在街道相关实践项目中是否有应用?

唐婧娴:最近看斯图加特街道测评的文章用到了walkscore,另外State of PlaceIndex,Ratemystreet,Walkability Asia都是街道测评的线上平台。街道空间品质的测度模型在遵义的总体城市设计里用了改进版。

城市数据派:机器学习、VR/AR等技术方法在评价街道空间品质中的优越性和普适性是什么?

唐婧娴:VR/AR将人工环境实验室化,继而控制声、光、热、尺度等等来“做实验”,预先测试使用者对不同街道空间品质的反馈;对于研究领域而言,软件模拟的优势会十分明显,研究者通过控制变量可以找到关键的参数机器学习的好处在于,配套街景图像可以开展大规模测度研究,在宏观尺度上有优势。

 

城市数据派:针对不同的街道,测度模型会有差异么?

唐婧娴:目前探索的模型是普适性的,没有增加对特殊类型的考虑,时间和精力都比较有限。在胡同的测度里我们特别考虑了胡同典型和非典型的特征

1520308397562545.jpg

城市数据派:街景图片目前在实际规划设计中的应用程度如何?未来图片是否会成为主流的数据源之一?

唐婧娴:街景是静态的街道影像,将街景图片作为街道研究的数据源在国内外街道视觉研究领域看来,都是既成事实。我国目前实际的规划应用中,开始探索性的借助街景来分析了,比如近期的遵义总体城市设计分析里用了街景。图片是一种重要的数据源,对于特定领域的研究可以起到较好的辅助作用。不过“规划设计”的内容宽泛,广场设计、公园设计、滨水空间设计、居住区外部空间设计以及街道公共空间设计均为规划设计的内容,并不能一言蔽之,统计数据、实地调查问卷数据、图片、声音、温度都是重要的数据源,图片的应用主要是在微观建成环境研究的视觉方面

1520308412161366.jpg

 

城市数据派:在国内的高校中,模型的应用环境是怎样的?您认为规划决策支持模型的前景如何?

唐婧娴:国内实践领域目前逐渐重视决策的科学性,个人认为高校的教学也开始出现向这方面的转向。比如清华、同济、东南大学的教授、博士生,甚至研究生、本科生,都有成果发表。我想“设计结合研究,规划决策牵手理性分析”是未来必然的趋势,模型是一个发展的方面。

 

城市数据派:作品构建了一套完善且推广性强的模型,对于模型的应用未来有什么样的计划吗?

唐婧娴:模型的系数还需要一系列的研究来明确,如果有机会继续深化,可能会想做个平台。

 

城市数据派:大数据时代下,城市的物质空间数据更加准确和易得。请问您如何看待这种技术背景下,对于人的主观因素的测度以及个体在审美、价值上的差异对研究结果有效性的影响?

唐婧娴:数据获取“易得”确有其实,“准确”还依靠数据清洗、研究者的分析方法。我认为主观因素也是数据的一部分吧,如果不能考虑主观因素,似乎也不能称之为“合理的模型”。模型是建立在理论基础之上的,借助理论分析来明确纳入主观因素或回避主观因素的方法,是必须的。

城市数据派:目前您作为访问博士生正在德国多特蒙德工业大学空间规划学院求学,能简单介绍下模型在德国的应用情况?

唐婧娴:我在德国的研究方向不是模型,所以也没有什么发言权。广义的“规划界”包含的内容有遥感、地理、经济、生态、能源、政治、社会学、公共管理等内容,模型的应用主要在偏计量、测度的方向上, 具体的内容我没有深入研究过,城市风热环境、气候变化、韧性城市是比较热门的。

城市数据派:那开放数据在德国的应用情况又是如何的?

唐婧娴:开放数据他们也使用,最近的规划主流期刊有一集专门讲数据的潜力。不过总体趋势是理性的探索,一方面原因是,整个欧洲研究的底子比较厚,已有的理论基础、计量、观测方法相对系统和成熟,并且基础统计细致,比如通勤流、企业数据等在统计局和劳工局的数据库都能找到。具体到空间动态变化的监测,欧盟ESPON、德国BBSR定期会发布报告,所以新出现的数据冲击不是非常大;另一方面,德国与人相关的数据保护限制很大,但凡使用都需要各类许可申请。以信息为基础的智能化应用主要发生在产业界,工业4.0,ICT辅助生产(电气化改革时期,德国大部分生产线已经实现无人化)、促进中小企业形成交流平台等等。

往届一等奖作品

 

1520308431129149.jpg

 

本研究拟选定街道公共空间的品质作为研究对象,探讨街道品质的智能测度方法。研究选取北京二环内的胡同作为实证案例区域,构建“物理品质-感知品质-品质变化”测度的方法框架,形成主观与客观要素评价相互验证的评价体系,并对近4年左右的变化进行识别。

研究突破传统调研评价的思路,以所有胡同的基本属性,如沿街建筑平均高度、街道红线宽度、街道长度,以及对应点位多个年份的腾讯街景图为基本数据,引介SegNet 图像分割技术,以及GIS分析技术,实现智能的物理品质评价,具体包括绿化率,围合度,开敞度(以上三个应用图像分割技术),街道连续性(应用GIS),街道高宽比五个方面,标准化后汇总;主观感知品质的评价采用专家打分方法,引介Ewing提出的城市设计评价五个维度,来获得打分者在街道空间中的停驻意愿,反映其感知品质。之后,通过感知品质与物理品质的对比,识别智能评价方法的可用性和局限性,并对北京胡同目前的品质做出判断。

1520308451135672.jpg

1520308464779348.jpg

 

1520308476648942.jpg

 

1520308489999005.jpg

 

1520308503671314.jpg

 

1520308516783039.jpg

 

1520308535391129.jpg

 

1520308549240833.jpg

 

1520308561659172.jpg

 

1520308574740939.jpg

 


本站声明

本文仅代表作者观点,不代表城市数据派立场;
本文系作者授权城市数据派发表,未经许可,不得转载;
本网站上的所有内容均为虚拟服务,一经购买成功概不退款,请您理解。

分享:
点赞0

全站浏览排行

TOP ARTICLES
  • 联系城市数据派
    info@udparty.com
  • 顶部