EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 6: 1469 - 1485

DOI: https://doi.org/10.12082/dqxxkx.2024.230758

地理空间分析综合应用

人视街景图像和机器学习结合的城市街道适老性水平空间效应研究

  • 李海薇 ,
  • 陈崇贤 , * ,
  • 刘欣宜 ,
  • 吴伊童 ,
  • 陈斯璐
展开
  • 华南农业大学林学与风景园林学院，广州 510642
*陈崇贤（1984— ），男，福建福州人，博士，副教授，博士生导师，主要从事健康地理、城市人居环境与人群健康福祉等 研究。E-mail:

李海薇（1996— ），女，广东佛山人，博士生，主要从事城市人居环境与人群健康福祉、基于地理大数据的空间感知等研究。E-mail:

收稿日期: 2023-12-21

  修回日期: 2024-02-22

  网络出版日期: 2024-05-24

基金资助

国家自然科学基金青年项目(51808229)

广州市科技计划项目(202201010046)

收起

Spatial Distribution Characteristics and Influencing Factors of Age-friendly Urban Streets Based on Human-centered Streetview Images

  • LI Haiwei ,
  • CHEN Chongxian , * ,
  • LIU Xinyi ,
  • WU Yitong ,
  • CHEN Silu
Expand
  • College of Forestry and Landscape Architecture, South China Agricultural University, Guangzhou 510642, China
*CHEN Chongxian, E-mail:

Received date: 2023-12-21

  Revised date: 2024-02-22

  Online published: 2024-05-24

Supported by

National Natural Science Foundation of China for Youths(51808229)

Science and Technology Program of Guangzhou, China(202201010046)

Fold

摘要

城市街道与老年人的日常活动密切相关，探讨街道环境适老性水平的空间分布特征及其关键影响因素，对老年友好型城市公共空间建设有重要指导作用。然而，既有研究难以贴近真实的人本视角、快速、大规模且精准地评估街道适老性水平的地理空间效应。因此，本研究从人行视角采集街景图像，结合语义分割和目标检测技术提取环境要素，利用人机对抗众包评价与残差神经网络50（ResNet50）技术测度街道环境适老性水平，采用莫兰指数（Moran's I）、普通最小二乘回归模型（OLS）、空间滞后模型（SLM）和空间误差模型（SEM）综合分析街道适老性水平的地理空间异质性及其影响因素；最后，选取了老龄化程度明显、街道环境多样的广州天河核心区为例进行实证研究。研究发现： ① 本研究结合了人视街景图像、机器学习和空间统计学方法，能够快速、有效地开展街道适老性水平评价，揭示其空间效应特征和关键影响因素； ② 街道适老性水平指标在研究区存在中等偏高程度的空间聚集性，商业型街道和靠近住宅区的街道、滨水街道差异大。水平较高的是商业型街道和靠近低密度住宅区的街道，较低的是靠近高密度住宅区的街道。老年人在滨水街道的活动性和安全感高，但愉悦感低；对靠近住宅区街道的归属感低； ③ 不同街道环境要素对适老性水平的影响存在差异。绿视率、开敞度和围合度对街道适老性水平的影响较强，拥挤度、人行道占比与场景多样性几乎无影响。研究有助于为精细化、具身性的城市街道适老化空间研究与实践提供参考和理论依据。

关键词： 广州街道; 街景图像; 计算机视觉; 空间效应; 机器学习; 适老性景观; 环境感知; 人机对抗评分

本文引用格式

李海薇 , 陈崇贤 , 刘欣宜 , 吴伊童 , 陈斯璐 . 人视街景图像和机器学习结合的城市街道适老性水平空间效应研究[J]. 地球信息科学学报, 2024 , 26(6) : 1469 -1485 . DOI: 10.12082/dqxxkx.2024.230758

Abstract

With the acceleration of population aging, the urban built environment for the elderly faces severe challenges. Urban street environments, one of the most frequently used places by the elderly, require high-quality construction, which is vital for realizing an age-friendly society. However, few studies have focused on the spatial effects and influencing factors of urban street environment quality for the elderly from a large-scale and human perspective, resulting in difficult practical applications. Therefore, this study took Tianhe district, Guangzhou as a study area, using machine learning and deep learning technology to evaluate the urban street environment quality for the elderly and analyze its spatial distribution and influencing mechanisms. Based on 14 916 human-centric street view images taken by panoramic cameras, semantic segmentation and object detection techniques were used to extract environmental elements. Greenness, openness, crowdedness, enclosure, sidewalk ratio, and scene diversity were obtained finally as explanatory variables in this study. A human-machine adversarial scoring system was constructed for the age-friendly street environment quality assessment. Twenty-two elderly volunteers were invited to rate their sense of walkability, vitality, security, belonging, and pleasure from 1 000 randomly selected images. A residual neural network 50 (ResNet50) was used to predict the urban street environment quality in the Tianhe district based on street view images and crowd-sourced data. The spatial autocorrelation was measured by global and Local Moran's I. Ordinary Least Square regression model (OLS), Spatial Lag Model (SLM), and Spatial Error Model (SEM) were established to analyze the influence mechanisms. Results show that: (1) Using human-centric street view images, machine learning, and spatial statistics methods, this study conducted a fast, large-scale, and precise age-friendly street environment quality assessment and accounted for spatial heterogeneity to identify its key influencing factors; (2) There was a moderate degree of spatial aggregation of different street environment qualities for the elderly in the Tianhe district. For older people, commercial streets and streets near low-density residential areas were associated with higher levels of walkability, activity, sense of safety, and pleasure. Although waterfront streets had higher levels of activity and security, the level of pleasure was low. Streets near high-density residential areas were found to have lower levels of activity level, sense of safety, and pleasure. The sense of belonging was higher in commercial streets and lower in streets close to residential areas; (3) The effects of environmental factors on different street environment quality indexes for the elderly were different. Greenness, openness, and enclosure were important factors while visual crowdedness, sidewalks, and scene diversity played a weak role. Greenness had a positive effect on activity level and sense of safety, but a negative effect on pleasure and sense of belonging. Openness was positively correlated with walkability, pleasure, and sense of belonging, and negatively correlated with activity levels. Enclosure had negative effects on all indicators, especially the sense of belonging. These results reveal the spatial association, heterogeneity, and influencing mechanisms of the street environment quality for the elderly based on human-centric street view images, machine learning, and deep learning techniques on a large urban scale. It shows a feasible paradigm to analyze the street environment for the elderly, providing practical implications to build resilient streets more conducive to an age-friendly society. It's of great value for policy-making, urban planning, and management.

Key words： urban streets in Guangzhou; street-view image; computer vision; spatial effects; machine learning; age-friendly outdoor environments; environment perception; human-machine adversarial scoring

1 引言

城市街道是老年人进行日常户外活动的主要场所，其适老性水平对老年人群的身心健康和生活品质有重要影响[1]。然而，随着人口老龄化的加剧和城市化的发展，城市街道空间品质的恶化越来越难以满足多层次、高品质的健康养老需求。街道环境严重影响老年人的日常活动和心理感 知[2]，街道环境要素的改善对适老性水平的提高亦至关重要。提升城市街道环境的适老性水平更是改善我国老年健康的前置基础，对建设老年友好型社会有重要意义。因此，非常有必要从空间使用主体视角完善街道适老性水平的影响机制研究。
街道适老性水平指老年人对街道环境适老性需求的满足程度。不同于实际的环境情况，街道适老性水平不仅与物质环境本身有关，还反映了老年人在具体场景中活动时的感受。目前，街道适老性水平的相关研究鲜有考虑中微观尺度下，老龄群体需求和环境要素在地理空间上的关系，对老年友好的具体空间建设指导有限。在环境适老性水平测度指标上，已有大量地理、规划、建筑领域的学者对老年人关于可达性、可步行性、无障碍通行、绿地率、微气候、绿视率、天空开阔度和空间尺度等的满意度和物质空间保障性展开了评价分析[3⇓⇓⇓⇓-8]。在影响因素分析上，以往研究多采用元线性回归、逻辑回归和结构方程模型等经典统计学模型进行分析，探讨了客观环境要素与老年人的体力活动、抑郁、焦虑、幸福感、安全感和场地依恋等身心健康指标[9-10]和出行、购物和社交行为等活动类型、活动频率的使用行为指标[3,11-12]之间的关联。然而，因为环境和个体感知数据往往会受到地理空间和感知之间的相关性的影响[13]，所以存在空间自相关和空间异质性，进而降低经典统计学模型的拟合精度和稳定性。基于地理学第一定律，Anselin[14]提出了莫兰指数（Moran's I），并在此基础上构建了普通最小二乘回归模型（Ordinary Least Squares Regression Model，OLS）、空间滞后模型（Spatial Lag Model，SLM）和空间误差模型（Spatial Error Model，SEM），用于分析变量之间的空间相关性和依赖性。许多学者依此从宏观尺度探讨了区域经济差异[15]、地理生态现象[16-17]、城市基础设施建设[18]等领域的空间分异规律及其内在属性。近年来，也有许多学者逐渐关注到养老服务资源的空间配置问题，如吉宇琴等[19]利用Moran's I和空间杜宾模型等方法探究了中国养老资源配置与老龄化的适配度的演化格局及其影响因素；毕向阳等[20]对北京市养老资源的分布模式进行了研究。这些空间模型对传统的统计分析方法起到重要的补充作用，但它们如何应用在中微观尺度的街道适老性水平研究还有待探索。
传统量化分析街道适老性水平的方法主要采用现场勘察、问卷调查或访谈的方式展开，存在耗时费力、难以快速、精准地获得大规模数据的缺陷。近年来，街景图像、互联网数据的覆盖与使用以及机器学习技术的发展让快速、精确地测度大规模城市环境对人的需求满足关系成为了现实，为适老性环境评价提供了新视角。基于谷歌街景开源数据库，UrbanGems[21]、Scenic-Or-Not[22]和Place Pulse[23]等众包平台结合随机森林、支持向量机等传统机器学习算法，已被大量应用于城市安全感知[24-25]、历史风貌感知[26]、环境健康感知[27]测度等相关研究领域。随着数据量的扩大，作为机器学习重要领域的深度学习，其算法如残差神经网络（Residual Neural Network 50，ResNet50）也逐渐被应用于环境感知测度[28]。受限于机器学习的弱解释性，许多学者结合语义分割和目标检测等技术，提取绿视率、天空可视率、围合度、拥挤度等视觉环境要素以进一步分析关键的影响因素[29]。但是，现有研究使用的图像数据源主要为车行视角，与人行视角仍存在较大差距，难以覆盖人行道、街头绿地等街道场景[30]。也有部分学者借助开源网络数据如兴趣点（Point of Interests，POI）、兴趣区域（Area of Interests，AOI）等对服务设施适老性展开了大规模的空间效应分析[31-32]，但是此类环境要素数据亦不贴近真实的人本视角。为了弥补车行 视角的缺陷，已有学者尝试了自行采集街景图 像[33-34]。如He等[34]借助手机软件拍摄获取住宅区800 m缓冲区内所有人行道的环境图片，以探究街道绿化对老年人身体活动的影响，对本文的图像数据采集方法有重要启发。
综上所述，城市环境适老性研究具有重要的理论意义与实践价值，但现有研究仍存在以下缺陷：多借助多元线性回归、逻辑回归和结构方程模型等方法进行统计分析，缺乏对中微观尺度下环境适老性水平的空间效应问题的探究；多为现场勘察、问卷调查或访谈的方法，难以快速、大规模、精准地展开评价；主要利用车行视角图像或其他开源网络数据展开研究，不贴近真实的人本视角。
针对以上不足，本研究自行采集人视角度的街景图像，采用语义分割和目标检测技术提取城市街道环境要素的占比和数量，结合人机对抗评分与ResNet50网络技术获取街道适老性水平得分。然后采用Moran's I量化评价城市街道环境适老性水平的空间异质性；结合OLS、SLM和SEM模型解析影响机制，确定关键的环境要素变量及其对街道适老性水平的影响程度和形式。

2 研究思路与方法

2.1 研究框架

研究包括数据收集、数据处理和数据分析3个步骤（图1）：① 首先，在本文研究区中，利用全景相机获取人视街景图像数据。同时，搭建了基于人视街景图像的街道适老性水平人机对抗评价平台，以获取街道适老性水平基础数据集； ② 然后，对图像数据进行语义分割和目标检测处理以提取街道绿视率、开敞度、围合度、拥挤度、人行道占比和场景多样性作为自变量，训练ResNet50模型以获取大规模城市街道环境的老年人“可步行性”、“活动性”、“安全感”、“愉悦感”和“归属感”水平作为因变量；③ 最后，利用空间统计学方法，分析街道适老性水平的空间异质性，并确定街道环境要素对适老性水平的影响程度和形式。
图1 研究框架

Fig. 1 Research framework

2.2 街景图像环境要素提取

利用语义分割和目标检测技术对街景环境要素进行提取，计算不同环境要素的面积占比或物体数量（图2）。一方面，基于Cityscapes数据集，利用金字塔场景解析网络（Pyramid Scene Parsing Network，PSPNet）对街景环境图像进行语义分割，提取植被、道路、建筑、天空等总共19类环境要素。Cityscapes是一个开源的要素识别数据集，它能够反映现实景观的多样性和复杂性，并提供像素级和实例级语义标注的训练和测试数据[35]。PSPNet是基于深度卷积神经网络的场景解析模型，其基于Cityscapes数据集上识别城市景观物体的精度已达80.2%[36]。另一方面，基于MSCOCO数据集，采用PP-YOLOE对图像中的行人、自行车、汽车等进行目标检测。MSCOCO包含了超过33万张图片，涵盖了90种不同类型的物体和场景，并提供了物体检测、分割、关键点等多种任务的标注数据[37]。PP-YOLOE是优于PP-YOLOv2和YOLOX的高性能目标检测器，作为多目标分类模型，其基于MSCOCO数据集上检测物体的平均检测精确率（mean Average Precision，mAP）已达51.4%，能够高效精准地检测出图像中的独立实例[38]。此外，随机抽取经过目标检测后的400张图像，人工审查计算得出其漏检率为5.75%、错检率为1.25%。以上结果表明，本文选取的语义分割、目标检测模型和算法在获取环境要素指标的精度上均有明显优势，可满足本研究需求。
图2 基于PSPNet的语义分割和基于PP-YOLOE的目标检测

Fig. 2 Semantic segmentation based on PSPNet and object detection based on PPYOLOE

基于语义分割和目标检测技术分别提取的环境要素面积占比和物体数量数据，计算绿视率、开敞度、拥挤度、围合度、人行道占比和场景多样性性作为本研究的解释变量。具体定义和计算方式如表1所示。
表1 解释变量指标定义和计算方式

Tab. 1 Definitions and formulas for the explanatory variables

指标 定义 公式 编号 解释
绿视率 绿视率是指植被在人视野中占的面积比例 G i = V i / n i                                             （1） Gi表示第i张图像中植被像素占总像素的比例；
Vi表示植被的像素数量；ni表示总像素数量
开敞度 人视野中可见的天空的比例，影响人们视野的开放性和对自然光的感知 O i = S i / n i                                               （2） Oi表示第i张图像中天空像素占总像素的比例；
Si表示天空的像素数量
拥挤度 与街道的自行车和行人有关，反映了街道区域的拥挤程度 V i = p i + b i                                               （3） Vi是第i张图像中行人和自行车的总数；
pi表示行人的数量；bi表示自行车数量
围合度 街道空间视觉上由建筑物、
墙体、树木等垂直元素界定
的程度		 E i = ( V i + T i + B U i + W i +               F i + P i + ) / n i （4） Ei表示第i张图像中街道在视觉上被街道墙和相应
的水平元素包围的程度；Vi表示植被的像素数量；
Ti表示地形像素的数量；BUi表示建筑像素的数量，
Wi表示墙面像素的数量；Fi表示栅栏像素的数量，
Pi表示杆子像素的数量
人行道占比 人行道与道路的比率 W i = P E i / R i                                           （5） Wi代表第i张图像中人行道占比；PEi表示人行道像素
的数量；Ri表示道路像素的数量
场景多样性 街道元素的相对多样性 R i = d                                                           （6） Ri表示第i张图像中街景元素的丰富程度；
d表示每张图片中街景元素类型的数量

2.3 城市街道适老性水平评价

在测量方法上，本文采用主观评价的方法。建成环境主观评价源于使用后评价理论（Post Occupancy Evaluation，POE），是近年来环境评价的核心方法之一，已被证实能有效评价现有环境的优劣[39]。在评价指标上，参考了适老性户外环境评价的相关研究[9,11,40]，结合城市街道能为老年人提供的通行和娱乐活动的特征，总结出从老年人出行、活动与感受3个方面进行评价，包括“可步行性”、“活动性”、“安全感”、“归属感”和“愉悦感”。其中，“可步行性”指街道的步行路径通畅、铺装平坦、有设立无障碍设施以保障老年人通畅地到达目的地。“活动性”指街道空间满足老年人的日常活动需求，如休憩、运动、购物等。“安全感”指在街道空间保障老年人安全地进行各类公共活动，避免交通事故、犯罪行为等危险发生。“归属感”指老年人对街道的认同、依恋及喜爱等心理感觉。“愉悦感”指老年人在舒适、整洁、植物多样化、建筑美观等的街道环境中感到愉悦。具体问题描述如表2所示，每个问题的得分范围为0~100，0和100分别代表最低和最高程度。
表2 城市街道适老性水平指标

Tab. 2 Indexes of age-friendly urban streets evaluation

指标 问题描述
可步行性 该环境是否适宜步行
活动性 该环境是否能满足您的日常活动需求
安全感 该环境是否给您带来足够的安全感
愉悦感 该环境是否让您感到愉悦
归属感 该环境是否能让您产生归属感
在评价工具上，为了确保评分结果的有效性和鲁棒性，参考Yao等[41]的研究，本研究构建了基于城市街道的适老性水平人机对抗评分系统。该方法已被证实能在小样本（20~30人）的情况下真实、有效、快速地辅助城市环境评价[42-43]。当每位志愿者对超过50张照片进行评分时，系统会自动训练随机森林模型，以为后续的新图像提供推荐分数。评分系统可以对分数迭代调整，以提供更准确的得分。当随机森林拟合精度平均超过90%，且所有图像最后一次的推荐分数与实际评分之间的RMSE值小于10时，校准过程停止。
基于采集的城市街道适老性水平评价数据和街景图像数据，采用ResNet50模型测度街道适老性水平。ResNet50是He等[44]提出的一种深度为50层的卷积神经网络。它可以提取出有高度代表性、深层次、层次分明的图像特征。采用五倍交叉验证法，计算平均绝对误差（Mean Absolute Error，MAE）和RMSE作为模型精度评价指标，此2个指标值越小代表模型的预测越精准。在本研究中，“可步行性”（MAE=0.86, RMSE=4.10）、“活动性”（MAE=0.43, RMSE=1.55）、“安全感”（MAE=1.09, RMSE=3.96）、“愉悦感”（MAE=0.61, RMSE=2.06）、“归属感”（MAE=0.56, RMSE=2.08）最终模型的MAE值均小于1.10，RMSE值均小于4.11，拟合度较好、精准性较高。在QGIS 3.24.0软件使用等间距法将预测得分重分类为五级并进行可视化，得出街道适老性水平的空间分布。

2.4 街道适老性水平空间效应分析

2.4.1 莫兰指数计算

美国地理学家Tobler[45]提出地理学第一定律理论，认为一切事物都有相关性，事物距离越近越相似，即空间自相关现象。更进一步，Anselin[14]构建了空间自相关分析方法的重要指标Moran's I，包括全局莫兰指数（Global Moran's I）和局部莫兰指数（Local Moran's I）。在本文中，全局Moran's I可用于检验街道适老性水平变量是否具有空间聚集性，从而揭示空间异质性，其计算公式如下：
M o r a n ' s   I r = ∑ i , r = 1 n ∑ j , r = 1 n w i , r j , r ( x i , r - x - r ) ( x j , r - x - r ) s 2 ( ∑ i , r = 1 n ∑ j , r = 1 n w i , r j , r )
s r 2 = ∑ j , r = 1 n ( x i , r - x - r ) 2 n
式中：Moran's Ir为街道适老性水平指标r的莫兰指数系数，取值范围为-1~1，正值表示空间正相关即聚集，负值表示空间负相关即分散，零值表示空间随机即无相关； r指“可步行性”、“活动性”、“安全感”、“愉悦感”或“归属感”； n为图像总数； wi,rj,r为指标r的空间矩阵；xi,r和xj,r分别为指标r对不同地理坐标的图像i和图像j的评价得分； x - r表示指标r的平均评价得分； s r 2是指标r的方差。使用Z值和P值对空间自相关结果进行检验，若Z值或其绝对值大于1.96且P值小于0.05，则拒绝零假设，总体空间自相关系数非零，可认为属性变量存在空间自相关性[46]。在本文中，全局Moran's I说明了街道适老性水平是否在空间上聚集，越趋向于1表示空间聚集性越强；局部Moran's I则说明了变量在每个空间单元的聚集或离散程度[47]，即可用于探测街道适老性水平的空间分布差异。此外，双变量全局莫兰指数（Global bivariate Moran's I）可以初步揭示街道适老性水平和环境因素之间的空间分布关联和依赖特征，其公式为：
B - M o r a n ' s   I r , k = n ∑ i , r n ∑ i , k , r n w i , r i , k x i , r z i , k ( n - 1 ) ( ∑ i , r n ∑ i , k n w i , r i , k )
式中： B -Moran's Ir, k为街道适老性水平指标r和环境要素k的双变量莫兰指数系数，其正负性表示适老性水平指标与环境要素存在空间正相关或负相关；环境要素k包含绿视率、开敞度、拥挤度、围合度、人行道占比和场景多样性； zi,k是图像i的环境要素指标k的值。

2.4.2 OLS、SLM和SEM模型构建

若空间自相关存在显著性，则有必要在探究影响街道适老性水平的环境因素时考虑空间依赖性，应采用空间自回归模型作进一步分析。街道是地理位置上连续变化的环境，考虑空间依赖性的分析模型更能反映真实的影响因素情况。本研究在构建OLS模型的基础上采用SLM和SEM模型来检验空间效应。OLS模型不考虑空间权重，即适用于自变量和因变量都不存在空间相关性的情况，在本文中将其用作影响关系探究的基线对比模型。其计算公式如下：
y i , r = β k x i , k + α r + ε r
式中： yi,r为图像i街道适老性水平指标r的值； xi,k分别代表图像i环境因素k的值； βk为环境因素k的值的回归系数，反映了影响程度；αr是常数；εr是残差。
环境要素对街道适老性水平在空间上的影响可能包含直接或间接效应。直接效应是某区域的环境要素对该区域适老性水平产生的影响，间接效应则是其他区域的环境要素或适老性水平对该区域适老性水平产生的影响。SLM和SEM模型既可以描述环境要素与街道适老性水平的直接效应，也可以描述模型中误差项在空间上的相关性和变量间的空间依赖性。但考虑到对规划设计的指导价值，本文主要将此2个模型用于解释直接效应，即在考虑空间依赖性的情况下，环境要素对街道适老性水平的影响。SLM模型能用于探索空间扩散或溢出效应是否存在，其公式为：
y i , r = ρ W y i , r + β k x i , r + α r + ε r
式中： W y i , r是街道适老性水平评价得分yi,r的空间矩阵，ρ是反映相邻点对自身影响的空间回归系数。SEM模型则能用于测量空间中随机误差项的效应，其公式为：
y i , r = ρ W y i , r + β k x i , r + α r + ε r
ε r = λ W ε + μ
式中：Wε是空间滞后误差；λ为误差空间回归系数； μ是随机误差项。采用R2、赤池信息准则（Akaike Information Criterion，AIC）和对数似然值（Log Likelihood，LogL）对模型进行检验，R2和LogL值越大、AIC值越小代表模型的适用性更好。空间自相关分析与空间计量模型的构建均于GeoDa 1.20.0.8软件中进行，利用QGIS 3.24.0软件对街道适老性水平空间异质性的结果可视化。

3 研究区概况及数据来源

3.1 研究区概况

参考魏越等[6]基于老年人日常生活需求和地域环境特征选取研究区的准则，本文选取广州天河核心区进行街道适老性水平评价和图像数据集的采集。截至2021年，广州市60岁及以上的老年人口规模占总人口的11.41%，平均增长率为3.87%，老龄化速度整体加快[48]。其中，天河区占地137.38 km2，常住人口约为224.1万。研究范围集中在广州天河区西南角，是天河区的核心区，总面积约为17.74 km2，道路总长度约为376.64 km（图3）。本文采集的街道总长占道路总长的39.6%。在人口结构上，研究区60岁及以上人群占总人口的比重高于天河区60岁及以上人群占总人口的比重，老龄化程度明显[48]。在城市环境特征上，交通和自然条件优越。同时，是广州市的商业、医疗、体育和文化中心。本文选取的林和、石牌、天河南、冼村和猎德5个行政街道，涵盖了商业街、公园绿地、滨水空间、高品质和老旧住宅区、城中村的街巷等不同公共户外空间，囊括了老年人生活所需、使用频率较高且多样化的街道环境类型。因此，本文以天河核心区为例进行街道适老性水平评价及其空间效应分析，具有一定的典型性和代表性。
图3 研究区概况和图像抽样点分布

Fig. 3 Study area and image sampling points distribution

3.2 人视街景图像及人机对抗评分数据收集

招募平均身高为1.60~1.65 m的实验员，采用全景相机（Insta360 ONE X2）进行实地拍摄人视街景图像。以开放街道地图（Open Street Map，OSM）为基础，筛选出主次干道路网，排除城市快速路和缺乏进入许可的道路，作为现场采样路线。实验员在无雨、能见度高的天气条件下，前往现场采样，时段为当天9:00—18:00。避开上下班高峰期、重要节假日等时间。以10 m为间距选取采样点，并以人水平视角拍摄，每张照片均带有地理坐标信息。采集的照片通过Insta360 Studio软件进行格式转换，并利用Python 3.8.10中的py360convert包进一步生成全景透视图。为保证图像数据采集的有效性，在采集前对实验员的操作严格培训，并在采集过程中对操作进行审查。在采集后，逐张图像检查，剔除模糊不清、GPS定位不准等的图像，对相应位置进行记录和补拍。最终获得了14 916张街景图像，每张照片尺寸为6 080像素×3 040像素，视野覆盖360°。
在随机抽样的基础上，依据街道视觉特征差异显著、街道总图像点与抽样点密度比例平衡、地理位置分布均衡的原则，人工筛选出1 000张能涵盖商业、住宅和滨水等典型街道图像作为评分基础图像库，具体位置和样例见图5。邀请超过50名志愿者参与数据标记工作，主要为老年人，或对适老性环境、老年人需求有了解的研究人员、社会工作者等。参考You等[49]制作图像情感识别数据集的做法，首先由所有志愿者对图像初步打分，获得带有“弱标记”的数据集。再对志愿者资格测试，筛选出打分专家22人。然后志愿者专家重新对图像进行打分，获得带有“强标记”的数据集。专家年龄均在60岁以上，无视觉障碍等基础性疾病，常住于广州天河核心区，男女比例为1:1。最终的每个问题的图像数据集标注量超过22 000次。将每张图片的评分取均值，作为后续大规模测度城市街道适老性水平的基础数据库。所有数据采集于2020—2021年完成。

4 城市街道适老性水平空间异质性

4.1 城市街道适老性水平空间分布

天河核心区的城市街道适老性水平基本情况如表3所示。不同适老性水平指标的结果差异明显。“可步行性”与“安全感”的均值相对其他指标较低，70.20%区域的“可步行性”水平位于25~40分之间（图4（a）），63.29%区域的“安全感”水平位于35~45分之间（图4（c）），说明对于老年人而言，研究区域内街道整体可步行性较差、安全感较弱。“归属感”的均值相对较高，且89.50%区域的水平处于45~75分之间（图4（e）），意味着老年人对街道的归属感较强。“活动性”和“愉悦感”均值分别为52.54和47.89，同时有57.48%的区域“活动性”水平在45~60分之间（图4（b）），76.89%的区域“愉悦感”水平位于40~55分（图4（d）），说明2个指标的水平整体处于中等。
表3 研究区域街道环境适老性水平基本情况

Tab. 3 Descriptive statics of age-friendly urban streets evaluation indexes in the study area

指标 均值 中位数 标准差
可步行性 35.71 42.05 6.88
活动性 52.54 61.67 9.14
安全感 38.69 44.69 5.81
愉悦感 47.89 54.34 6.90
归属感 61.15 69.80 9.21
图4 研究区街道环境适老性水平空间分布

Fig. 4 Spatial distributions of age-friendly urban streets evaluation results in the study area

4.2 城市街道适老性水平空间分布差异

“可步行性”、“活动性”、“安全感”、“愉悦感”和“归属感”的Moran's I分别为0.470（Z=103.72，P=0.001）、0.516（Z=111.35，P=0.001）、0.344（Z=74.39，P=0.001）、0.386（Z=85.16，P=0.001）、0.480（Z=106.71，P=0.001），均具有统计学意义，说明5种适老性水平指标在研究区内存在空间正相关性且整体表现为中等偏高程度的空间聚集性。局部Moran's I结果清晰展示了不同指标的空间聚集区（图5）。在P<0.05的显著性下，所有指标主要以“高-高”聚集和“低-低”聚集形式为主。研究区内14.49%为显著（P<0.05）的“可步行性”“高-高”聚集，位置分布在商业型街道和靠近低密度住宅区的街道，比如天河南街道中部的体育西路等商业型街道、猎德街道西部的低密度住宅区街道（图5（a））。商业型街道、滨水街道和低密度住宅区的街道显示出“活动性”高值（17.11%，P<0.05），如冼村街道西部的花城广场和猎德街道；而“活动性”低值（16.82%，P<0.05）显著集中在城中村等靠近高密度住宅区的街道上，如石牌街道东南部的石牌村（图5（b））。“安全感”与“可步行性”和“活动性”的空间分布相似（图5（c））。“愉悦感”高值（9.22%，P<0.05）主要显著集中在体育中心和花城广场附近的商业型街道，以及暨南大学内靠近低密度住宅区的街道，而低值（11.60%，P<0.05）则聚集在猎德街道的滨水区和石牌村等高密度住宅的街道（图5（d））。相比之下，“归属感”的高值（14.95%，P<0.05）显著聚集在花城广场等的商业型街道上，而低值（15.35%，P<0.05）聚集在靠近冼村街道东部低密度住宅区附近的街道上（图5（e））。
图5 不同适老性水平的局部空间自相关聚集性

Fig. 5 Local Moran's I maps with age-friendly urban streets evaluation results

以上结果说明，对于老年人而言，商业型街道和靠近低密度住宅区的街道往往具有较高的“可步行性”、“活动性”、“安全感”和“愉悦感”，即此两类街道能让老年人感到路径通畅、铺装平坦、无障碍设计较完善且能满足日常活动需求，同时对环境感到认同、依恋、喜爱、愉悦和舒适。滨水街道虽然有较高的“活动性”和“安全感”但“愉悦感”较低，意味着老年人能在其中安全地进行各类日常活动但是并不愉悦和舒适。靠近高密度住宅区的街道则“活动性”、“安全感”和“愉悦感”均较低，说明该类街道的适老性水平较低，难以满足老年人安全舒适地进行活动的需求。此外，商业型街道的“归属感”较高，而靠近住宅区的街道“归属感”较低，代表相比住宅区附近的街道，老年人对商业型街道更为认同和喜爱。

5 城市街道适老性水平的影响因素

本文主要通过基于B-Moran's I的结果（表4），结合OLS模型、SLM模型和SEM模型的结果综合阐述街道适老性水平的影响因素（表5）。共线性检验结果表明，方差膨胀因子（Variance Inflation Factor，VIF）均小于10，说明解释变量之间无严重的共线性问题。模型检验结果显示（表5），OLS模型的R2和LogL均低于SLM模型和SEM模型，而AIC较高，说明空间计量模型在城市街道适老性水平研究中更优。同时，空间自回归参数Rho和Lambda均显著，且SEM模型的R2和LogL均高于SLM模型，而AIC较低，证明城市街道适老性水平存在空间效应及SEM模型更适用于解释城市街道适老性水平的空间分布。SEM模型对不同适老性水平指标的空间分布解释度均高于34.2%，具有一定的参考意义。通过B-Moran’s I和空间计量模型的显著性检验结果发现，大部分城市街道环境要素与不同适老性水平指标之间存在显著相关关系，不同适老性水平指标对环境要素具有响应差异。
表4 城市街道空间要素与适老性水平的双变量全局莫兰指数

Tab. 4 B-Moran’s I results of urban street environmental elements and age-friendly indexes

可步行性 活动性 安全感 愉悦感 归属感
绿视率 0.017*** 0.456*** 0.273*** -0.064*** -0.221***
开敞度 0.208*** -0.060*** 0.048*** 0.165*** 0.208***
拥挤度 -0.097*** -0.055*** -0.091*** -0.067*** 0.080***
围合度 -0.074*** 0.104*** 0.028*** -0.118*** -0.252***
人行道占比 0.007* -0.014*** 0.004 0.000 -0.029***
场景多样性 0.049*** 0.026*** 0.070*** 0.042*** 0.107***

注：*、**、***分别表示变量在90%、95%、99%置信水平上显著。

表5 OLS、SLM和SEM模型结果

Tab. 5 Results of OLS, SLM, and SEM

变量 可步行性 活动性 安全感 愉悦感 归属感
VIF 模型1
OLS		 模型2
SLM		 模型3
SEM		 模型4 OLS 模型5
SLM		 模型6
SEM		 模型7 OLS 模型8
SLM		 模型9
SEM		 模型10 OLS 模型11 SLM 模型2 SEM 模型13-
OLS		 模型14 SLM 模型15
SEM
绿视率 1.224 0.874* -10.608 -1.706*** 49.112*** 48.445*** 34.743*** 18.270*** 12.668*** 17.173*** -5.024*** -4.161*** -7.536*** -12.249*** -6.340*** -9.247***
开敞度 1.598 31.373*** 12.683*** 18.940*** -8.824*** -8.064*** -7.903*** 5.004*** 1.943* 1.137 15.577*** 5.526*** 9.333*** 11.569*** 1.046 10.691***
拥挤度 1.104 -0.201*** -0.142*** -0.184*** 0.102*** 17.574*** 0.108*** -0.090*** -0.059*** -0.669*** -0.204*** -0.149*** 0.173*** 0.108*** 0.058*** 0.108***
围合度 1.886 -0.341 -1.601** -1.986*** -9.151*** -9.173*** -5.828*** -3.178*** -2.178*** -3.405*** -5.373*** -4.047*** -3.574*** -25.698*** -20.253*** -24.567***
人行道
占比		 1.022 1.036*** 0.728*** 0.660*** -0.325 -0.358 -0.417 -0.219 -0.338* -0.377* 0.518* 0.221 0.093 -1.367*** -1.158*** -0.859***
场景多
样性		 1.180 0.079* -0.103*** -0.171*** -0.061* 0.070 -0.082** 0.268*** 0.204*** 0.206*** -0.030 -0.051 -0.173** 0.249*** 0.156*** 0.212***
R2 0.098 0.437 0.443 0.544 0.642 0.677 0.208 0.334 0.342 0.080 0.344 0.351 0.266 0.517 0.539
调整后
的R2		 0.098 0.544 0.208 0.080 0.266
AIC 100 320.0 94 658.8 94 603.1 98 601.2 95 577.6 94 638.3 93 203.9 91 209.5 91 150.4 100 703.0 96 741.1 96 653.6 106 089.0 100 950.0 100 547.0
Rho 0.677*** 0.461*** 0.466*** 0.609*** 0.623***
Lambda 0.696*** 0.632*** 0.505*** 0.629*** 0.684***
LogL -50 153.1 -47 321.4 -47 294.5 -49 293.6 -47 780.8 -47 312.2 -46 594.9 -45 596.7 -45 568.2 -50 344.3 -48 362.6 -48 319.8 -53 037.4 -50 466.9 -50 266.4

注：*、**、***分别表示变量在90%、95%、99%置信水平上显著。

5.1 可步行性的街道环境影响因素

对于“可步行性”而言，开敞度是其敏感度最高、鲁棒性最强的正相关因素，相应的B-Moran's I和模型系数绝对值最大。人行道占比也与“可步行性”存在微弱的正相关关系，而拥挤度和围合度则对“可步行性”有微弱的负作用。说明相比其他环境因素而言，开敞度更能影响老年人对街道环境高“可步行性”的判断。这可能是由于老年人行走时往往需要依赖视觉信息，较高的开敞度有助于老年人对路面环境的判断，从而提高步行安全性与舒适性。同时，人行道越宽、人流量越少、视觉立面上的障碍物越少，老年人感到街道的可步行性越高。该分析结果可以解释商业型街道和靠近低密度住宅区的街道“可步行性”较高的研究结论。可能是因为此两类街道通常建筑密度低而天空可视率高，且人行道较宽、路面障碍物少，即使人流量大的地方人群密度亦相对低，同时步行设施相对完善，所以对老年人而言可步行性较高。此外，绿视率与场景多样性对“可步行性”产生微弱负作用，且其B-Moran's I小于0.05，说明街道的绿化程度与景观多样性对老年人通行产生的影响很小。

5.2 活动性的街道环境影响因素

对于“活动性”而言，绿视率与其显著正相关。相比其他环境要素，其B-Moran's I和空间计量模型系数绝对值最大，说明绿视率是“活动性”水平空间分异的最重要原因。该分析结果和绿化有助于促进户外活动的研究结论类似[50]，表明植被对老年人在街道环境中的活动体验影响较大。这可能是由于植被能为老年人提供清新的空气。同时由于广州位于亚热带地区，老年人退化的皮肤、眼睛和体温调节能力易受到强烈的直射阳光的影响，引起晒伤、眼睛疲劳甚至中暑等问题，所以树荫对于广州市老年居民选择户外活动地点而言至关重要。伴有树荫的街道环境通常活动设施也相对完善，如商业型街道、靠近低密度住宅区的街道和滨水街道，因此以上类型街道往往具有较高的“活动性”水平，靠近高密度住宅区的街道则相反。开敞度对“活动性”有较强的负作用，进一步印证了猛烈的阳光可能不利于老年人进行户外活动的推论。同时，老年人在进行静坐沉思、观赏景色等静态活动时往往需要一定的私密感，过于开阔的环境容易被打扰，不利于活动进行。虽然B-Moran's I显示围合度对“可步行性”有一定的正作用，但空间计量模型显示其关系为负相关。说明该结果的鲁棒性较弱，可能是由于考虑了其他环境要素与“可步行性”的关系后造成的。拥挤度、场景多样性和人行道占比的B-Moran's I和空间计量模型系数绝对值较小甚至不显著，表明以上要素对“活动性”的影响不大。

5.3 安全感的街道环境影响因素

对于“安全感”而言，与“活动性”的结论一致，最重要正相关街道环境因素为绿视率。行道树的存在能够降低机动车道可见率，在视觉上起到将人行步道与车行道隔离的作用，提升老年人的步行安全感。也有研究表明，随着绿化率的上升，犯罪率会逐级下降[51]，一定程度上可能会影响老年人对环境安全的判断。场景多样性与“安全感”也存在微弱的正相关，表明老年人的安全感水平会随着场景多样性的增加而逐级提升。可能是由于多样的景观为老年人提供了更多的选择和控制感，有助于刺激感官以增强认知能力和缓解压力与焦虑感[52-53]，从而提升安全感。拥挤度则与“安全感”存在微弱的负相关，即人流量越大老年人越对环境感到不安。人流量大易使老年人遭受碰撞、盗窃和交通事故及增加噪音和混乱感，由此导致老年人不安全感的产生。商业型街道、靠近低密度住宅区的街道及滨水街道“安全感”水平较高，而靠近高密度住宅区的街道则较低，可能也是由于绿视率、场景多样性和拥挤度的高低差异。此外，开敞度、围合度、人行道占比与“安全感”之间的B-Moran’s I和空间计量模型系数较小或不显著，表明它们与“安全感”的相互关系较模糊。

5.4 愉悦感的街道环境影响因素

对于“愉悦感”而言，开敞度是较重要的正相关因素，绿视率和围合度则是较重要的负相关因素，说明街道环境的天空可视率越高、绿视率和围合度越低，老年人越感到舒适和愉悦。出现此结果的原因可能是开阔的环境能为老年人提供更好的观赏体验，减轻压力与抑郁情绪。在一定的范围内，绿视率的提高有利于个体精神放松，而过多的植被则会让老年人感到压抑，尤其在湿热的南方还会有潜在的蚊虫滋扰等[54]。该分析结果可以解释“愉悦感”空间分布差异的原因，即商业型街道和靠近低密度住宅区的街道由于建筑密度低、户外环境开阔且品质高，所以老年人的愉悦感高，靠近高密度住宅区的街道则与之相反。滨水街道尽管视野较开阔，但是可能因为植被过多且靠近水边，压抑的同时滋生蚊虫的可能性大，所以被老年人认为体验感较不愉悦、不舒适。拥挤度和场景多样性对“愉悦感”的影响较弱，人行道占比无影响。

5.5 归属感的街道环境影响因素

对于“归属感”而言，所有街道环境要素都对其空间分布产生显著影响，模型解释度高达53.9%，说明环境对老年人的“归属感”影响较大。开敞度、拥挤度、场景多样性分别与“归属感”呈正相关关系，表明当环境越开阔、人流量越大、景观越多样化时，老年人更容易接受、依赖及喜爱此环境。绿视率、围合度、人行道占比则分别与“归属感”呈负相关关系，说明植被越多、立面障碍物越多、人行道越宽，老年人的归属感越弱。开阔、障碍物少的环境、丰富多样的景观能为老年人提供更多、更好的视觉与感官体验，从而提升老年人在环境中的归属感。已有研究证明，老年人参与交流与活动越频繁，地方依恋程度会越高[55]。人流量大的地方一定程度上意味着更多的社交与活动机会，因而使老年人归属感越强。在乡村环境中，植物往往承载着老年群体的集体记忆与深切情感，对他们的地方依恋感知有较强的积极影响。然而在本研究中，城市环境中的植被却对老年人的归属感有负作用，可能是前文所述的植被带来压抑感导致的，且城市中的植物缺乏与老年人的情感联结。

6 讨论与结论

6.1 讨论

本研究通过自行采集人视角度的街景图像，采用语义分割和目标检测技术提取城市街道环境要素，结合人机对抗评分与ResNet50网络技术获取街道适老性水平得分。然后利用Moran's I量化评价城市街道环境适老性水平的空间异质性，并结合OLS、SLM和SEM模型识别了在空间异质性下街道环境关键要素对适老性水平的影响作用。
从研究方法来看，基于人视街景图像、机器学习和空间统计学方法，本文具有以下优势：数据来源更贴近真实的人本视角，能代表人日常使用的街道环境；弥补了传统调查方法耗时费力的不足，使得街道适老性水平评价能快速、大规模、精准地展开；影响因素分析上考虑了空间效应，拓展了空间统计学方法在中微观地理尺度研究情况下的应用，为老龄友好城市建设相关政策制定与规划设计实践提供了更精细化、具身性的有益参考。从分析结果而言，空间分布上，不同街道适老性水平指标在研究区内存在中等偏高程度的空间聚集性。对老年人来说，商业型街道和靠近低密度住宅区的街道适老性水平较高，靠近高密度住宅区的街道则均较低。此外，滨水街道虽然有较高的“活动性”和“安全感”，但“愉悦感”较低。商业型街道的“归属感”较高，而靠近住宅区的街道“归属感”较低。本文不仅表现出与前人研究的一致性[6,11]，更进一步精准确定具体环境类型和位置，细化不同街道环境的适老性水平差异。影响因素上，不同环境要素对不同适老性水平指标的影响存在差异。绿视率、开敞度和围合度是街道适老性水平较重要的影响因素，拥挤度、人行道占比与场景多样性的作用较微弱。与前人研究结论不一致的是[7-8]，植被越多、天空可视性越高不代表整体适老性水平越高。例如，绿视率对“活动性”和“安全感”有正作用，但对“愉悦感”和“归属感”有负作用。开敞度与“可步行性”、“愉悦感”和“归属感”存在显著正相关关系，与“活动性”存在显著负相关关系。因此，研究进一步证实了精准地确定重点优化位置、提出针对性目标和调整环境要素之间的耦合关系，才有助于整体适老性水平提升，而并非全局提升单项环境因素。综上，本研究能利用人视街景图像，结合机器学习和空间统计学方法，快速、精准地实现中微观尺度的大规模街道适老性水平评价，且有效揭示了其空间异质性和关键影响因素。
本文还能为适老化城市街道规划设计提供如下启示：
（1） 在靠近高密度住宅区的街道，重点提升老年人的舒适度、愉悦感和安全感。宏观上，植入适老性蓝绿空间以促进老年人舒适、愉快地进行户外活动，配备智能监控体系、安全标识系统和无障碍步行系统以预防犯罪、摔倒与迷失等，进而提升活动安全性。环境要素上，通过增加垂直绿化以适当提升绿视率、减少视线障碍物以适度提高开敞度、增加景观设施与植被多样性，来提高老年人的活动性、安全感。
（2） 在滨水街道，重点满足老年人的娱乐与舒适性要求，以提升老年人的愉悦感。一方面可以系统性设置适老性娱乐活动设施，满足老年人的日常休闲活动需求。另一方面适当减少树荫、提升天空可视率，以提高老年人的体感舒适度。在关键位置设置能提升景观观赏性的风雨廊架，同时满足老年人观赏和躲避风雨的需求。
（3） 在靠近所有住宅区街道，全面考虑精神和文化需求，以提升老年人的归属感。可以减少使用视觉立面的硬质材料，使用更多的软质材料，以创造更温馨、舒适、自然的视觉和感官体验。增加融入当地文化特征的多样性景观，激发老年人的记忆和情感。

6.2 结论

在老龄友好城市建设中，城市街道是改善老年人健康的主阵地之一，人本尺度优化对健康老龄化战略实施有重大意义。本研究以广州天河核心区为例，验证了自行采集人视角度的街景图片、结合机器学习技术测度街道适老性水平的可行性，并利用空间统计学方法分析了城市街道适老性水平的空间异质性，挖掘了更精细、具体需要优化的空间和关键要素。本文的主要结论如下。
（1） 本研究基于人视街景图像，结合机器学习和空间统计学方法，实现了快速、精准的城市街道适老性水平评估，并揭示了其空间效应和关键影响因素，拓展了适老城市街道环境研究的数据来源，能够为其设计与更新提供方法参考。
（2） 街道适老性水平指标在研究区存在中等偏高程度的空间聚集性，商业型街道、靠近住宅区的街道和滨水街道差异大。水平较高的是商业型街道和靠近低密度住宅区的街道，较低的是靠近高密度住宅区的街道。老年人在滨水街道的活动性和安全感高，但愉悦感低；对靠近住宅区的街道归属感较低。这精准确定了不同街道环境的适老性水平差异，丰富了适老性环境研究的理论成果。
（3） 不同街道环境要素对适老性水平的影响存在差异。绿视率、开敞度和围合度对街道适老性水平的影响较强，拥挤度、人行道占比与场景多样性几乎无影响。这为精准地确定重点优化位置、提出针对性目标和调整环境要素之间的耦合关系以提升街道适老性水平提供了更进一步的实证。
但本研究仍存在以下不足。① 由于语义分割与残差神经网络模型训练的精度有限，难以对环境要素与适老性水平实现完全准确的识别，所以导致结果可能与实际情况存在偏差。未来可以通过增加人视角度的环境要素数据集、扩大基于图像的适老性水平评价样本量、提升算法性能以提升分析结果准确性。② 本研究中的环境适老性水平数据主要来源于主观评价，未来的研究若能将城市街道环境的主观评价与客观评价科学系统地结合，如纳入养老服务设施数量、可达性等客观环境数据，将更有助于城市街道环境与适老性水平之间关系的深入挖掘与全面揭示。③ 本文采用数据为截面数据，缺乏纵向对比，导致无法识别环境变量与适老性水平之间的因果关系，未考虑时间、天气等变化带来的影响，后续应继续开展追踪调查加以完善。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Curl A, Ward Thompson C, Aspinall P. The effectiveness of ‘shared space' residential street interventions on self-reported activity levels and quality of life for older people[J]. Landscape and Urban Planning, 2015, 139:117-125. DOI:10.1016/j.landurbplan.2015.02.019

[2]
周燕珉, 林婧怡. 我国养老社区的发展现状与规划原则探析[J]. 城市规划, 2012, 36(1):46-51.

[ Zhou Y M, Lin J Y. Analysis on the development and planning principles of senior living community[J]. City Planning Review, 2012, 36(1):46-51. ]

[3]
韩瑞娜, 杨东峰, 魏越. 街道空间对老年人日常活动的影响初探[J]. 西部人居环境学刊, 2023, 38(1):37-44.

[Han R N, Yang D F, Wei Y. The influence of street space on the daily activities of the elderly[J]. Journal of Human Settlements in West China, 2023, 38(1):37-44. ] DOI:10.13791/j.cnki.hsfwest.20230106

[4]
贾巍杨. 社区适老性评价指标体系研究初探[J]. 城市规划, 2016, 40(8):65-70.

[Jia W Y. Primary exploration on the research of community age-friendliness evaluation index system[J]. City Planning Review, 2016, 40(8):65-70. ] DOI:10.11819/cpr20160811a

[5]
金俊, 齐康, 白鹭飞, 等. 基于宜居目标的旧城区微空间适老性调查与分析——以南京市新街口街道为例[J]. 中国园林, 2015, 31(3):91-95.

[Jin J, Qi K, Bai L F, et al. The investigation and analysis of the fitness to the aged of micro-space in old town based on the livable target— With the example of Nanjing Xinjiekou subdistrict[J]. Chinese Landscape Architecture, 2015, 31(3):91-95. ] DOI:10.3969/j.issn.1000-6664.2015.03.020

[6]
魏越, 杨东峰. 基于街景图片的邻里目的地建成环境适老性评价——以大连市为例[J]. 建筑学报, 2022(S1):24-30.

[ Wei Y, Yang D F. Evaluation of neighborhood destination built environments for the aged based on street view pictures: a case study of Dalian[J]. Architectural Journal, 2022(S1):24-30. ]

[7]
Yue Y F, Yang D F, Van Dyck D. Urban greenspace and mental health in Chinese older adults: Associations across different greenspace measures and mediating effects of environmental perceptions[J]. Health & Place, 2022,76:102856. DOI:10.1016/j.healthplace.2022.102856

[8]
Aliyas Z. Physical, mental, and physiological health benefits of green and blue outdoor spaces among elderly people[J]. International Journal of Environmental Health Research, 2021, 31(6):703-714. DOI:10.1080/09603123.2019.1681379

[9]
陈崇贤, 罗玮菁, 李海薇, 等. 居住区景观环境与老年人健康关系研究进展[J]. 南方建筑, 2021(3):22-28.

DOI

[Chen C X, Luo W J, Li H W, et al. Review of research on the relationship between the residential landscape and elderly health[J]. South Architecture, 2021(3):22-28. ] DOI:10.3969/j.issn.1000-0232.2021.03.022

[10]
岳亚飞, 杨东峰, 徐丹. 城市蓝绿空间对老年心理健康影响机制的探究与检验[J]. 风景园林, 2022, 29(12):71-77.

[Yue Y F, Yang D F, Xu D. Exploration and examination of the influence mechanism of urban blue-green space on the elderly's mental health[J]. Landscape Architecture, 2022, 29(12):71-77. ] DOI:10.14085/j.fjyl.2022.12.0071.07

[11]
魏越, 杨东峰. 邻里目的地建成环境对老年日常活动机会的影响——基于感知和参与视角[J]. 地理科学进展, 2023, 42(1):89-103.

DOI

[Wei Y, Yang D F. Impact of neighborhood destination built environments on daily activity opportunities of the elderly population: Based on perception and participation[J]. Progress in Geography, 2023, 42(1):89-103. ] DOI:10.18306/dlkxjz.2023.01.008

[12]
李康康, 杨东峰. 影响老年人公交出行便捷性的个体与建成环境要素[J]. 交通运输系统工程与信息, 2023, 23(2):161-167.

[Li K K, Yang D F. Influence of individual attribute and built environment on convenience of public transportation for elderly[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(2):161-167. ] DOI:10.16097/j.cnki.1009-6744.2023.02.017

[13]
Hong J Y, Jeon J Y. Exploring spatial relationships among soundscape variables in urban areas: A spatial statistical modelling approach[J]. Landscape and Urban Planning, 2017, 157:352-364. DOI:10.1016/j.landurbplan.2016.08.006

[14]
Anselin L. Lagrange multiplier test diagnostics for spatial dependence and spatial heterogeneity[J]. Geographical Analysis, 1988, 20(1):1-17. DOI:10.1111/j.1538-4632.1988.tb00159.x

[15]
蒲英霞, 葛莹, 马荣华, 等. 基于ESDA的区域经济空间差异分析——以江苏省为例[J]. 地理研究, 2005, 24(6):965-974.

[Pu Y X, Ge Y, Ma R H, et al. Analyzing regional economic disparities based on ESDA[J]. Geographical Research, 2005, 24(6):965-974. ] DOI:10.3321/j.issn:1000-0585.2005.06.016

[16]
张金茜, 巩杰, 马学成, 等. 基于GeoDA的甘肃白龙江流域景观破碎化空间关联性[J]. 生态学杂志, 2018, 37(5):1476-1483.

[Zhang J X, Gong J, Ma X C, et al. GeoDA-based spatial correlation analysis of landscape fragmentation in Bailongjiang Watershed of Gansu[J]. Chinese Journal of Ecology, 2018, 37(5):1476-1483. ] DOI:10.13292/j.1000-4890.201805.017

[17]
Yin C H, Yuan M, Lu Y P, et al. Effects of urban form on the urban heat island effect based on spatial regression model[J]. The Science of the Total Environment, 2018, 634:696-704. DOI:10.1016/j.scitotenv.2018.03.350

PMID

[18]
Moura A C M, Fonseca B M. ESDA (exploratory spatial data analysis) of vegetation cover in urban areas—Recognition of vulnerabilities for the management of resources in urban green infrastructure[J]. Sustainability, 2020, 12(5):1933. DOI:10.3390/su12051933

[19]
吉宇琴, 姜会明. 新时代老龄化与养老资源适配度时空差异及其影响因素分析[J]. 地理科学, 2022, 42(5):851-862.

DOI

[ Ji Y Q, Jiang H M. Spatial and temporal differences and influencing factors of the adaptation degree of aging and pension resources in the new era[J]. Scientia Geographica Sinica, 2022, 42(5):851-862. ]

DOI

[20]
毕向阳, 李沫. 在公平与效率之间:对北京市养老资源的空间分析[J]. 社会, 2020, 40(3):117-147.

[Bi X Y, Li M. Equity vs. Efficiency: A spatial analysis of residential aged care resources in Beijing[J]. Chinese Journal of Sociology, 2020, 40(3):117-147. ] DOI:10.15992/j.cnki.31-1123/c.2020.03.005

[21]
Quercia D, O'Hare N K, Cramer H. Aesthetic capital: What makes London look beautiful, quiet, and happy?[C]// Proceedings of the 17th ACM conference on Computer supported cooperative work & social computing. ACM, 2014:945-955. DOI:10.1145/2531602.2531613

[22]
Seresinhe C I, Preis T, Moat H S. Quantifying the impact of scenic environments on health[J]. Scientific Reports, 2015,5:16899. DOI:10.1038/srep16899

[23]
Ordonez V, Berg T L. Learning high-level judgments of urban perception[C]// European Conference on Computer Vision. Cham: Springer, 2014:494-510.10.1007/978-3-319-10599-4_32

[24]
Wang R Y, Yuan Y, Liu Y, et al. Using street view data and machine learning to assess how perception of neighborhood safety influences urban residents' mental health[J]. Health & Place, 2019,59:102186. DOI:10.1016/j.healthplace.2019.102186

[25]
李心雨, 闫浩文, 王卓, 等. 街景图像与机器学习相结合的道路环境安全感知评价与影响因素分析[J]. 地球信息科学学报, 2023, 25(4):852-865.

DOI

[ Li X Y, Yan H W, Wang Z, et al. Evaluation of road environment safety perception and analysis of influencing factors combining street view imagery and machine learning[J]. Journal of Geo-Information Science, 2023, 25(4):852-865. ]

[26]
刘伦, 王辉. 城市研究中的计算机视觉应用进展与展望[J]. 城市规划, 2019, 43(1):117-124.

[Liu L, Wang H. Application of computer vision in urban studies: Review and prospect[J]. City Planning Review, 2019, 43(1):117-124. ] DOI:10.11819/cpr20190116a

[27]
龙瀛, 唐婧娴. 城市街道空间品质大规模量化测度研究进展[J]. 城市规划, 2019, 43(6):107-114.

[ Long Y, Tang J X. Large-scale quantitative measurement of the quality of urban street space: The research progress[J]. City Planning Review, 2019, 43(6):107-114. ]

[28]
Wei J X, Yue W Z, Li M M, et al. Mapping human perception of urban landscape from street-view images: A deep-learning approach[J]. International Journal of Applied Earth Observation and Geoinformation, 2022,112:102886. DOI:10.1016/j.jag.2022.102886

[29]
Chen C X, Li H W, Luo W J, et al. Predicting the effect of street environment on residents' mood states in large urban areas using machine learning and street view images[J]. The Science of the Total Environment, 2022,816:151605. DOI:10.1016/j.scitotenv.2021.151605

[30]
Zhang F, Zhou B L, Liu L, et al. Measuring human perceptions of a large-scale urban region using machine learning[J]. Landscape and Urban Planning, 2018, 180:148-160. DOI:10.1016/j.landurbplan.2018.08.020

[31]
张雪诺, 杨超. 居住小区生活圈服务设施适老性评价[J]. 城市交通, 2022, 20(4):35-46.

[Zhang X N, Yang C. Senior-friendliness evaluation of service facilities in living circles of residential communities[J]. Urban Transport of China, 2022, 20(4):35-46. ] DOI:10.13813/j.cn11-5141/u.2022.0405

[32]
王杰, 秦磊, 孙溢. 社区养老服务设施的空间布局与优化研究——以扬州市广陵区为例[J]. 经营与管理, 2023(1):115-123.

[Wang J, Qin L, Sun Y. Study on spatial layout and optimization of community service facilities for the aged—Taking Guangling district of Yangzhou city as an example[J]. Management and Administration, 2023(1):115-123. ] DOI:10.16517/j.cnki.cn12-1034/f.2023.01.014

[33]
Li Y, Long Y. Inferring storefront vacancy using mobile sensing images and computer vision approaches[J]. Computers, Environment and Urban Systems, 2024,108:102071. DOI:10.1016/j.compenvurbsys.2023.102071

[34]
He H, Lin X W, Yang Y Y, et al. Association of street greenery and physical activity in older adults: A novel study using pedestrian-centered photographs[J]. Urban Forestry & Urban Greening, 2020,55:126789. DOI:10.1016/j.ufug.2020.126789

[35]
Cordts M, Omran M, Ramos S, et al. The cityscapes dataset for semantic urban scene understanding[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016:3213-3223. DOI: 10.1109/CVPR.2016.350

[36]
Zhao H S, Shi J P, Qi X J, et al. Pyramid scene parsing network[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE, 2017:6230-6239. DOI:10.1109/CVPR.2017.660

[37]
Lin T Y, Maire M, Belongie S, et al. Microsoft COCO: Common objects in context[C]// European Conference on Computer Vision. Cham: Springer, 2014:740-755. DOI: 10.1007/978-3-319-10602-1_48

[38]
Xu S, Wang X, Lv W, et al. PP-YOLOE: An evolved version of YOLO[J/OL]. ArXiv Preprint arXiv:2203. 16250, 2022. DOI:10.48550/arXiv.2203.16250

[39]
谭新建. 科研院所建成环境主观评价方法研究——以中国林业科学研究院为例[J]. 北京林业大学学报(社会科学版), 2015, 14(4):73-77.

[Tan X J. A study on subjective evaluation methods of the built environment of research institutes: Taking Chinese academy of forestry as an example[J]. Journal of Beijing Forestry University (Social Sciences), 2015, 14(4):73-77. ] DOI:10.13931/j.cnki.bjfuss.2015113

[40]
赵万民, 李长东, 尤家曜. 城市公园适老运动环境影响要素聚类研究[J]. 中国园林, 2021, 37(5):50-55.

[Zhao W M, Li C D, You J Y. Clustering study on the influencing factors of elderly-oriented sports environment in urban parks[J]. Chinese Landscape Architecture, 2021, 37(5):50-55. ] DOI:10.19775/j.cla.2021.05.0050

[41]
Yao Y, Liang Z T, Yuan Z H, et al. A human-machine adversarial scoring framework for urban perception assessment using street-view images[J]. International Journal of Geographical Information Science, 2019, 33(12):2363-2384. DOI:10.1080/13658816.2019.1643024

[42]
Yao Y, Wang J L, Hong Y, et al. Discovering the homogeneous geographic domain of human perceptions from street view images[J]. Landscape and Urban Planning, 2021, 212:104125. DOI:10.1016/j.landurbplan.2021.104125

[43]
Wang R Y, Liu Y, Lu Y, et al. The linkage between the perception of neighbourhood and physical activity in Guangzhou, China: Using street view imagery with deep learning techniques[J]. International Journal of Health Geographics, 2019, 18(1):18. DOI:10.1186/s12942-019-0182-z

PMID

[44]
He K M, Zhang X Y, Ren S Q, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016:770-778. DOI:10.1109/CVPR.2016.90

[45]
Tobler W R, Mielke H W, Detwyler T R. Geobotanical distance between new zealand and neighboring islands[J]. BioScience, 1970, 20(9):537-542. DOI:10.2307/1295012

[46]
Wong D W S, Lee J. Statistical analysis of geographic information with ArcView GIS and ArcGIS[M]. Fully rev. & updated. Hoboken, NJ: John Wiley & Sons, Inc., 2005.

[47]
Anselin L. Local indicators of spatial association—LISA[J]. Geographical Analysis, 1995, 27(2):93-115. DOI:10.1111/j.1538-4632.1995.tb00338.x

[48]
广州市统计局. 广州人口普查年鉴2020[EB/OL]. http://tjj.gz.gov.cn/stats_newtjyw/tjsj/pcsj/d7crkpc/content/post _8711587.html.

[ Municipal Bureau of Statistics. Guangzhou Census Yearbook in 2020[EB/OL]. http://tjj.gz.gov.cn/stats_newtjyw/tjsj/pcsj/d7crkpc/content/post _8711587.html. ]

[49]
You Q Z, Luo J B, Jin H L, et al. Building a large scale dataset for image emotion recognition: The fine print and the benchmark[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Phoenix: AAAI, 2016, 30(1). DOI:10.1609/aaai.v30i1.9987

[50]
McMorris O, Villeneuve P J, Su J, et al. Urban greenness and physical activity in a national survey of Canadians[J]. Environmental Research, 2015, 137:94-100. DOI:10.1016/j.envres.2014.11.010

PMID

[51]
Kuo F E, Sullivan W C. Environment and crime in the inner city: Does vegetation reduce crime?[J]. Environment & Behavior, 2001, 33(3):343-367. DOI:10.1177/00139160121973025

[52]
Lau S S Y, Yang F. Introducing healing gardens into a compact university campus: Design natural space to create healthy and sustainable campuses[J]. Landscape Research, 2009, 34(1):55-81. DOI:10.1080/01426390801981720

[53]
韩林飞, 肖春瑶. 自然友好的亲生物型养老建筑设计研究[J]. 科技导报, 2021, 39(8):68-76.

DOI

[ Han L F, Xiao C Y. Design of natural and friendly biological building for the aged[J]. Science & Technology Review, 2021, 39(8):68-76. ]

[54]
岳玉娟, 鲁亮, 刘起勇. 广州市蚊虫密度与土地覆盖类型关系研究[J]. 中国媒介生物学及控制杂志, 2016, 27(2):99-102.

DOI

[Yue Y J, Lu L, Liu Q Y. Relationship between mosquito density and land cover types in Guangzhou, China[J]. Chinese Journal of Vector Biology and Control, 2016, 27(2):99-102. ] DOI:10.11853/j.issn.1003.8280.2016.02.002

[55]
董慰, 娄健坤, 董禹. 社区可步行性对老年人地方依恋及就地养老意愿影响研究——以哈尔滨市香坊老工业区为例[J]. 上海城市规划, 2020(6):30-35.

[Dong W, Lou J K, Dong Y. Impact of community walkability on the elderly’s place attachment and willingness to aging in place: An empirical study of Xiangfang old industrial zone in Harbin[J]. Shanghai Urban Planning Review, 2020(6):30-35. ] DOI:10.11982/j.supr.20200605

Options
文章导航

/

〈 〉