EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 4: 852 - 865

DOI: https://doi.org/10.12082/dqxxkx.2023.220941

Evaluation of Road Environment Safety Perception and Analysis of Influencing Factors Combining Street View Imagery and Machine Learning

  • LI Xinyu , 1, 6 ,
  • YAN Haowen , 2, 3, 4, * ,
  • WANG Zhuo 5 ,
  • WANG Bingxuan 2, 3, 4
Expand
  • 1. School of Architecture and Urban Planning, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China
  • 3. National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 4. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
  • 5. School of Resources and Environmental Sciences, Wuhan University, Wuhan 430079, China
  • 6. Academician Expert Workstation of Gansu Dayu Jiuzhou Space Information Technology Co., Ltd., Lanzhou 730050, China
*YAN Haowen, E-mail:

Received date: 2022-12-01

  Revised date: 2023-03-12

  Online published: 2023-04-19

Supported by

The Industrial Support and Program Project of Universities in Gansu Province(2022CYZC-30)

The National Nature Science Foundation of China(41930101)

Fold

Abstract

Accurate identification of visual factors affecting environmental safety perception provides important support for improving urban traffic environment and enhancing pedestrian travel safety. However, it is difficult to quantify environmental safety perception in complex scenes on a large scale in existing studies. Therefore, this study uses image semantic segmentation and object detection techniques to extract visual factors from streetscape images and constructs a road safety perception dataset by manual scoring in combination with deep learning methods. The influencing factors of environmental safety perception are also identified based on light gradient boosting machine algorithm and SHAP interpretation framework. In our study, the Anning District college cluster in Lanzhou City, a canyon city with a special road environment, is selected for the empirical study. Results show that: (1) The safety perception scores of colleges and commercial streets are high, while those of urban roads are generally low; (2) The image ratios of sky, sidewalk, road, and tree are the four factors that have the greatest influence on environmental safety perception, among which the image ratio of sky is linear, the image ratios of sidewalk and tree are similar to a logarithmic function, and the image ratio of road is similar to a quadratic function; (3) The proportion and number of visual factors have an interactive effect. A reasonable distribution of visual factors helps to create good spatial sightlines and suitable behavioral spaces, thus enhancing the perception of environmental safety.

Key words： street view image; machine learning; environment perception; semantic image segmentation; object detection; LightGBM; SHAP

Cite this article

LI Xinyu , YAN Haowen , WANG Zhuo , WANG Bingxuan . 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 . DOI: 10.12082/dqxxkx.2023.220941

1 引言

城市道路作为人类生产生活的重要载体，不仅是城市空间的主要组成部分，也是联系各类空间的关键纽带[1]。然而随着城市化水平的日益提高，道路拥堵、步行空间品质恶化、人车矛盾加剧等各类环境问题层出不穷。城市环境严重影响人的心理感知和使用行为，环境因素对安全感知的塑造也起到至关重要的作用[2]，提升安全感更是增强城市公共空间活力和社会治理成效的前提条件之一，因此从空间使用主体的视角完善环境安全感知的影响效应和影响机制研究至关重要。
人类感知是指人们对一个地方的心理感受[3]，它反映了人们对某一地点的归属感，并影响了他们对过去生活经历的情感依恋[4]。过去几十年里，包括环境心理学[5-6]、城市规划[7-8]、社会医学[9]和社会科学[10]等众多领域的学者均对人类感知与环境的关系开展研究。安全感知（Safety perception）作为感知的一个层面，最早见于弗洛伊德精神分析的理论研究，是指个体对可能出现的身体或心理的潜在危险的预判，主要表现为可控感及确定感[11]。不同于实际安全，安全感知是一种复杂的心理感受[12-13]，它不仅与物质环境[14]相关，还受到社会、个体特征等诸多因素的影响[15-16]。基于上述观点，本文将环境安全感知定义为当行人处于城市道路空间时，物质环境对其心理造成恐慌、焦虑等负面情绪的影响预判，这种安全感知不局限于犯罪恐惧感，还与物质环境本身及人在该场景中进行行为活动的安全性相关。传统量化环境感知的方法主要采用问卷调查或开放式访谈[17⇓-19]，但由于耗时耗力难以获得大量数据；虚拟现实（Virtual Reality）技术的发展和成熟，对于人的主观感知信息的测度开拓了新的研究领域。但受限于设备无法广泛普及，该方法还未得到广泛应用[20]。近年来，街景图像的覆盖与使用为城市研究提供了丰富多样的数据[21]，它是以行人视角沿着城市街道拍摄的自然和人造景观图像,可以直观地反映城市道路环境的视觉信息[22]，具有覆盖广、易获取、清晰度高[23]等特点。相较于其他时空数据，街景数据更符合人的视觉水平感知，能够更加准确的描绘物质环境[24]，其能与快速发展的深度学习技术相结合，为城市量化研究提供更多机遇，已有学者在环境感知[14]，城市变化[25]，房价预测[26]，基础设施识别[27]、人口统计[28]以及建筑物分类[29]等领域展开探索。其中，环境感知层面的研究主要包括可步行性、道路舒适度、城市安全感等[30⇓-32]。如麻省理工学院媒体实验室（The MIT Media Lab）首次提出通过成对的街景图像进行两两对比，收集被试者感知结果用以评估城市环境对社会和经济发展的影响[33]。Zhang等[34]在此基础上采用机器学习模型实现大规模图像的自动化评分，得到北京市和上海市的环境感知分布情况等。此外，基于社交媒体采集的时空大数据，也能够大规模、高效率的提取城市空间感知评价[35]，能够对传统的调查方法起到重要的补充作用，但这一新兴数据如何应用于安全感知量化研究还有待探索。
基于街景数据的视觉影响因素的量化分析也得到广泛研究，但既有研究大多基于单因素进行分析，鲜有考虑因素的交叉影响作用。格式塔心理学表明人的感知具有整体性和局部性，整体是先于部分被感知，因而分析单个部分的影响作用仅满足了人的部分感知途径，还需探讨整体即双因素或多因素的交叉影响[36]。在量化方法上，目前大多运用卷积神经网络对图像进行分割和识别分类[21,35,37]，但该方法只能得出各空间要素占比，无法确定要素的实际个数。而对于图像中占比较大的元素,则可能存在2种情况：① 靠近相机的单个要素；② 距离相机较远的多个要素。若未考虑要素实际个数的影响，则可能出现要素占比相同但感知情况相异的结果，因此，需要分析要素的占比大小和实际个数对感知的协同影响作用并进行差异性解释。在视觉要素与环境感知关系的研究方法上，现有研究倾向于使用多元回归、主成分分析[35,38]等线性模型。但此类模型往往需要假定自变量和因变量的潜在关系[39]，若假设不成立，模型结果可能会产生偏差甚至错误，因此在某种程度上限制了其反映真实关系的能力。由于城市道路环境与人类感知存在复杂的关系[40⇓-42]，二者是否存在非线性关系仍需要进一步探索。相比之下，机器学习模型具有极大的灵活性，往往不需要假定数据的分布形式，并且能够处理缺失值、噪声和异常值等[43]，因此有研究认为其更擅长处理数据中的非线性关系[44]。尽管机器学习在模型预测和数据处理上展现出独特优势，但是其本身固有的“黑盒”性质，即无法给出预测结果的解释性分析，降低了机器学习的可信度和应用领域。近年来，机器学习的可解释性研究得到了越来越多国内外学者的重视。Lundberg等[45]提出的SHAP(SHapley Additive exPlanation)解释方法，不仅有效的将全局可解释性与局部可解释性进行统一，而且解释结果具有与人类感知相一致的特点[21]，因此该解释算法在众多领域得到广泛应用。如刘智谦等[21]依此对城市地物与6类感知之间的关系开展研究；Yang等[46]探讨了不同特征与热感觉和决策路径之间的相关性；Qi等[47]分析了道路状况等因素对交通秩序的影响。
综上所述，既有城市感知研究大多是基于单个或多个城市的宏观分析，鲜有针对复杂场景下的精细化研究。基于此，本文以社会组成较为复杂的高校聚集区为例，采用DeepLabv3+和YOLOv3卷积网络模型提取街景图像中视觉要素指标，结合安全感知评分结果构建道路安全感知数据集；然后基于LightGBM算法构建环境安全感知模型。最后引入SHAP方法挖掘环境安全感知的视觉影响机制，分析影响环境安全感知的关键要素及其影响强度和形式。

2 研究方法

2.1 研究思路

本文的技术路线如图1所示，主要研究思路如下：① 选取环境安全感知模型变量并基于此构建分析模型；② 根据本文所选实验区，通过获取的路网和街景图像数据，进行视觉要素的识别以及街景图片安全感知对比调查；③ 通过SHAP方法对模型进行解释性分析，识别出影响安全感知的视觉要素，并进行环境安全感知评价；④ 结论与讨论中进行总结性分析并提出有针对性的规划建议。
图1 视觉要素对环境安全感知影响研究的技术路线

Fig. 1 Technical route of research on the influence of visual factors on environmental safety perception

2.2 环境安全感知模型变量选取

（1）环境安全感知的被解释变量
研究的被解释变量为环境安全感知评分，主要采用人工评价结合机器学习的方式进行大规模测度[34]。对于每个街景图像样本分别定义2个值：被选为安全感知较高的概率（P）和被选为安全感知较低的概率（N）。
P i = p i / p i + e i + n i
N i = n i / p i + e i + n i
式中：Pi表示街景图像i在两两对比中被选为安全感更高的概率；Ni表示图像i在对比中被选为安全感较低的概率；pi表示图像i在比较中被选择的次数；ni表示图像i在比较中未被选择的次数；ei表示图像i与对比图像被认为是相等的次数。通过式（1）和式（2），计算得出街景图像i的安全感知分数为：
Q i = 10 3 P i + 1 p i ∑ k 1 = 1 p i P k 1 - 1 n i ∑ k 2 = 1 n k 2 N k 2 + 1
式中：k1表示图像i与图像i´对比中，前者被选为安全感知更高，而后者未被选择时，图像i的个数， Pk1则表示此时所有未被选择的图像i´的Pi值总和；相应的，k2表示图像i与图像i´对比中，后者被选为安全感知更高，而前者未被选择时，图像i´的个数，Nk2则表示此时被选择的街景图像i´的Ni值总和。加入常数项10/3和1使得分数Q归一化至0~10 之间。Q评分是一种统计学方法，该方法通过调查一组受访者来确定他们的选择情况，从而决定特定项目的知名度或喜爱程度[48]。本文中Q值用以量化被调查者的环境安全感知结果，Q的分值越高代表街景图片的安全感知程度越高，反之则越低。
由于街景图片对比次数在本研究中高达5.7亿次，全部进行人工对比的可行性较低，且需要耗费大量的时间和人力成本，因此借助深度学习技术进行模型训练。首先，通过人工评价的结果构建道路安全感知数据集，该数据集共有10 000组图片对比结果，其中训练集8000组、测试集2000组，再将深度神经网络EfficientNet_B7在安全感知评分训练集上进行训练，参数设置如下：学习率为0.001* 0.1epoch | 50，优化器为Adam，Batch_size为16，epoch为100，激活函数为SILU，最后将训练好的模型对测试集图像进行自动评分。经过人工评分与模型训练结果进行比较，其在测试集上的准确度达80.1%。最后，基于该模型对所有街景图像进行安全感知对比，依据式（3）统计每张街景图像的得分（图2）。
图2 图像安全感知评分流程

Fig. 2 Image safety perception scoring process

（2）环境安全感知的解释变量
研究的解释变量是视觉要素，主要采用图像语义分割及目标检测2种方式对视觉要素进行测度（图3）。图像语义分割是计算机视觉技术中重要的领域之一，它是以图像为处理对象，对图像中每个像素点实现分类；而目标检测主要关注的是图像中需要识别的物体，通过在网络中提取特征来预测目标物体类别及位置。具体过程如下：首先，利用以ResNet50[49]为主干的DeepLabv3+[50]网络模型进行街景图像分割。此模型已通过百度PaddleHub在Cityscapes数据集中预训练完成，该数据集共有5000张街景图像，被划分为训练集2975张，验证集500张及测试集1525张，其平均交并比（Mean Intersection over Union，MIoU）达79.9%。其中，训练集和验证集具有19个类别的像素标注，考虑到本研究中所涉及的城市道路环境中的场景要素，重点关注天空、树木、建筑、机动车、道路等要素类别；其次，借助百度PaddleHub在COCO2017数据集中预训练好的YOLOv3[51]网络模型进行街景图像的目标检测，该网络同样以ResNet50为主干网络。作为一种流行的目标检测算法，YOLOv3在处理时间和精度上均有明显的优势，目前已广泛应用于车辆检测、人脸识别等众多领域[52-53]。COCO2017数据集包含80类目标，分为训练集118 287张，验证集5000张和测试集40 670张，其平均检测精确率(mean Average Precision, mAP)为43.2%。由于YOLOv3为多目标分类模型，因此平均检测精确率不高，但考虑到本研究中道路场景中实际存在的要素，选取机动车、自行车和人的数量3个要素作为视觉要素个数指标。此外，通过随机抽取200张街景图像，计算其漏检率为7.5%，错检率为6%，表明该模型在以上3项指标上的结果可满足本研究需求。
图3 视觉要素量化过程

Fig. 3 Quantification process of visual factors

2.3 模型构建与解释性分析

2.3.1 基于LightGBM构建环境安全感知模型

本文选取LightGBM算法对环境安全感知与视觉要素进行建模分析，轻量级梯度提升机（Light Gradient Boosting Machine, LightGBM）是基于梯度提升树（Gradient Boosting Decision Tree, GBDT）的提升方法[54]。通过采用单边梯度采样（Gradient based One-side Sampling, GOSS），排除大部分小梯度样本，保留具有大梯度的样本计算信息增益，从而在保证模型精度的同时，减少训练数据量。该算法还引入了带深度限制的叶子生长（Leaf-wise）策略，即每次从当前所有叶子节点中找到分裂增益最大的一个叶子，进行分裂并不断循环。在分裂次数相同的情况下，Leaf-wise可降低误差并得到更好的精度。此外，最大树深（Max-depth）的限制能够有效避免过拟合现象。因此，相较于传统算法，LightGBM具有更快的训练速度、更低的内存消耗以及更高的准确率，是目前最优的提升方法之一。

2.3.2 基于SHAP量化视觉要素对环境安全感知影响

SHAP是一种用于解释模型输出结果的工具，源自于合作博弈论中的Shapley value概念，即沙普利值[45]。它不仅可以量化每个样本中各因素对模型预测值的影响大小，也能够反映影响的正负性，有机地将机器学习模型的全局性和局部性解释进行统一[55]。在本文中，SHAP方法根据各类视觉要素对环境安全感知的影响程度来为各要素分配SHAP值。
g ( z ' ) = Ø 0 + ∑ i = 1 M Ø i z i '
式中：g(z´)表示视觉要素z´的环境安全感知预测值；Ø0表示环境安全感知的平均值；M表示感知模型中的要素数量；Øi表示第i个视觉要素的SHAP值，zi´∈{0,1}M表示第i个视觉要素是否参与模型预测。SHAP值计算公式[45]如下：
Ø i = ∑ z ' ! M - z ' - 1 ! M ! f x z ' - f x z ' \ i
式中：Øi表示第i个视觉要素的SHAP值； z '表示参与预测的视觉要素集合；M表示所有视觉要素集合； z ' ! M - z ' - 1 !表示要素集合z´所有可能的排列数乘以去掉要素集合z´和i后的要素集合排列数，即所有包含要素i在内的要素序列， f x z ' - f x z ' \ i表示加入要素i后环境安全感知值的变化。在本文中，SHAP值表示在考虑视觉要素不同比例组合下，对不同场景的安全感知分数之差进行加权求和。

3 研究区概况、数据来源及预处理

3.1 研究区概况

考虑到高校聚集地汇集城市各类功能区，符合本文对于复杂场景的定义；同时，由于道路安全感知数据集标注人员主要为高校学生，因此研究以高校聚集的西部城市兰州主城区进行道路安全感知数据集的标注和视觉要素的选定。兰州市是西北地区重要的中心城市和科研教育基地，2021年在校生人数达58.96万，与2016年相比增长了1.85倍[56]。作为主城区高校最为密集的区域，安宁区高校数量占全市的27.6%，其中集中建设有兰州交通大学、甘肃政法大学、西北师范大学、甘肃农业大学、西北师范大学知行学院和兰州城市学院等八所高等院校。受地形影响，大学聚集区沿河流及城市主干道呈点状分布，其北边为城市外环路和山地，南侧与黄河相邻，市内交通由东西向的城市主干道承担，整体呈现“鱼骨状”的路网形态。同时，学校周边配套设施较为完善，汇集文化体育、医疗卫生、商业服务、交通运输、绿地广场等功能服务于一体，能够满足日常活动所需。基于对高校师生平均出行范围的前期调研，本文以8所高校及其周边城市主干道所围合的区域作为研究对象，占地面积约15 km2（图4）。
图4 兰州市安宁区高校聚集地概况

Fig. 4 Description of colleges gathering place in An Ning District, Lanzhou

3.2 数据来源及处理

本文研究数据主要包括街景图像数据及环境安全感知数据2部分。① 街景图像数据：从OSM地图中导出研究区道路数据，经过拓扑检查和地理配准，再将所有道路在路口打断。其中，对于长度小于50 m的路段，在路段中心选取采样点；对于大于50 m的路段，每隔25 m选取采样点，共计11 052个采样点；通过百度地图（2020年年底至2021年年底数据）API在每个采样点位置爬取街景图像。详细请求参数设置如下：俯仰角为0，尺寸为1024像素×512像素，每个采样点全景照片切为4张，分别是0°、90°、180°、270°。由于部分采样点街景图像缺失，共获取33977张街景图像。② 环境安全感知数据：来自本团队于2022年4月至5月进行的图片安全感知调查。从已获取的街景图像中按照随机抽取的方式选取20 000张图片，通过C#编写图片对比工具，让被调查者从2张图片中选择其认为安全感更高的一张，即可选左图、右图或“相等”，选项则分别对应“1、2、0”，最终完成所有街景图片的对比调查。

4 结果及分析

4.1 环境安全感知空间分布与评价

将33 977张照片的安全感知评分按照高低顺序进行着色显示，得到高校聚集区环境安全感知分布情况（图5）。由图中可看出，安宁区高校聚集地的环境安全感知情况整体较好，评分高的地点主要集中于高校内部区域、商业街及部分城市次干道，城市主干路则普遍偏低。同时，仍然存在个别路段，如高速路、高架桥等地点评价较低。通过提取八所高校及周边主要城市道路的环境安全感知评分，绘制箱线图如图6所示。由于甘肃政法大学、西北师范大学、甘肃技术职业学院和兰州航空职业技术学院四所高校的街景数据极少，结果缺乏整体性及代表性，因此未将其纳入比较。在其余4所高校中，兰州城市学院的平均评分最高（M=6.94，SD=0.88），甘肃农业大学的评价摆动幅度最大（M=6.59，SD=1.13），兰州交通大学评分摆动幅度最小（M=6.56，SD=0.76），西北师范大学知行学院的得分则相对较低（M=6.49，SD=0.85）。评分最高的兰州城市学院校内人车分流合理，人行道及行道树覆盖较全面，因而街景图像中人行道和树木的占比值也较高；甘肃农业大学由于校内存在施工场所及未开发用地，导致部分空间环境较为开阔，缺乏绿化且留有建筑垃圾，树木的图像占比值并不理想；兰州交通大学开发建设较为完善，但由于人车分行系统不尽合理，且路旁停车现象屡屡出现，因此部分地点的机动车图像占比值偏高；西北师范大学知行学院的绿化程度不及其他3所高校，且行道树多为小型树冠，不能起到很好的遮蔽作用。金牛街（M=6.59，SD=0.63）是位于城市次干道两侧的临街店铺商业街形式，虽与城市道路相邻存在一定的不安全因素，但是该条道路车流量较小，且存在较完整的防护栏和人行道。同时，由于与高校相邻，大学生人流较大，一定程度上也可缓解车流带来的负面影响。安宁西路（M=4.76，SD=0.80）是东西向城市主干道，共有3所高校与其毗邻。该路段虽然存在车流量大的问题，但良好的机非分离措施、完整的人行道以及道路绿化水平，可弱化机动车带来的不利影响，因此安宁西路较其他远离高校的城市主干道评分整体较高。
图5 各高校及周边道路安全感知评分分布

Fig. 5 Distribution of road safety perception scoring in and around each college

图6 各高校及周边道路安全感知评分箱线图

Fig. 6 Box-plot of road safety perception scoring in and around each college

4.2 环境安全感知影响因素分析

（1）视觉要素对环境安全感知的影响分析
图7为视觉要素对环境安全感知的总体影响，其中左侧标签是各要素根据重要性大小进行排序，下方横坐标为要素的SHAP值，即影响的权重，区域分布越宽表示该要素的影响力越大。图中每个点代表一个样本，颜色表示各要素的数值大小，颜色越红说明数值越大，而越蓝则说明数值越小。从图中可以看出，天空、人行道、树木及道路的图像占比值是影响力最大的4类视觉要素。具体而言，天空和道路的图像占比值越高，对环境安全感知的负向影响越大，环境安全感知程度越低；而人行道和树木的图像占比值越高，对环境安全感知的正向影响越大，环境安全感知程度也越高。此外，建筑、植物及人的存在对提升环境安全感知具有一定的促进作用，而墙面和机动车的存在则是抑制作用。交通信号灯，栅栏及人、机动车和自行车的数量等视觉要素的影响并不显著。
图7 视觉要素对环境安全感知的总体影响

Fig. 7 Overall impact of visual factors on the perception of environmental safety

由于天空、人行道、树木及道路的图像占比值对环境安全感知的影响最为显著，因此，本研究选取以上4类关键要素做进一步分析。图8（a）—图8（d）描述了随着视觉要素图像占比值的变化，SHAP值的变化情况。图8（a）天空的图像占比值与环境安全感知呈现出近似于线性递减的关系，天空的占比越大，意味着空间更为空旷，城市开发建设程度越低，因此环境的安全程度相应降低。图8（b）和图8（c）是人行道和树木的图像占比值与环境安全感知的关系，二者虽然均类似于对数函数关系，但也存在一定差异。人行道的图像占比值在0~5%内，随着占比值的增大，SHAP值明显提高，这可能是由于人行道的存在能为行人提供隔绝机动车的行走空间，因而该空间的面积越大，安全感越高。树木图像占比值的变化曲线则更为复杂，当其值在20%以下时，随着占比值的增长，负向影响降低；从20%至40%区间内，随着占比值的持续增长，正向影响升高，意味着安全感知程度提高；而当图像占比值在40%以后，SHAP值出现下降趋势。这一变化曲线说明道路场景中一定比例的树木占比对于提高安全感知具有积极作用，但当该值过大时，也会造成视线遮挡等问题，进而降低安全感。图8（d）道路的图像占比值与环境安全感知呈现近似开口向下的二次函数关系，随着道路面积的增大，负向影响减小，当图像占比值达23%左右时，正向影响达到最大值，其后随着道路面积的进一步增大，正向影响降低，负向影响升高。这一现象出现的原因可能是当道路面积较少时，视觉范围内可见的内容较为单一（如街景图像的侧向视角），视觉可见大多为图像占比值较大的墙体、建筑、树木等等，因而让人难以判断周边环境，导致安全感的降低；然而，过高的道路占比说明位于城市主干道等路宽较大的地点，意味着车流车速等较大、较快，也不足以形成良好的环境安全感知。
图8 SHAP特征依赖图

Fig. 8 SHAP dependence plot

（2）双因素对环境安全感知的交叉影响
图8（e）是4个关键视觉感知因子交互作用分析，可以看出，除对角线的自相关外，天空-树木、人行道-树木、建筑-树木的交互作用较为明显。因此，下面主要介绍以上3类。
图8（f）—图8（h）是2个视觉要素对SHAP的交互作用关系图，x轴表示其中一个因子，y轴表示SHAP 值；散点的颜色由另一个因子来着色，蓝色表示低值，红色表示高值。图8（f）中，天空的图像占比值在10%以下时，红色点位于蓝色点下方，说明当天空占比值较小时，过多的树木会降低安全感，这可能是由于过量的绿植导致空间视线的穿透性较差、场所围合度较高，同时也存在光照强度不足的情况，因此不利于行人对于潜在危险的预判，易造成心理上的恐惧和不安；图8（g）中，人行道的图像占比值超过5%时，蓝色点大部分位于红色点上方，说明随着人行道面积的增大，树木越少越有利于安全感提升。这是由于树木的图像占比值较高意味着树木较为茂密或树冠较大，降低了行人在空间环境中的视线通透性及可视性，同时繁茂的植被可为犯罪者提供隐匿空间，从而增加犯罪发生几率[20]。图8（h）表明当建筑的图像占比值不超过40%时，树木越多则安全感知程度越高，这一研究结果与上述2个结论相反，其主要存在2个方面原因： ① 此时街景图像的拍摄位置大多位于城市开阔地、高速路段或道路交叉路口，因此植物的存在能够营造自然舒适的空间氛围，降低城市道路产生的潜在威胁，进而提升环境安全感；② 少部分街景图像位于城市老旧片区，两侧建筑大多为低矮且年代较久的建筑，因此绿色植物的存在能够提升环境友好程度，有助于形成亲切友好的空间感知。上述研究结果表明，合理的空间布局和道路环境设计可以形成视线关系良好的空间环境，而可视性高的空间更有助于行人对潜在危险的预判，进而提高环境安全感知。
图9是视觉要素占比与视觉要素个数的交互作用分析，对于人的图像占比值和人的数量，当图像中人的数量少于2人且数量一定时，相对较大的人的图像占比值，较小的占比值反而更让人觉得安全，造成这一现象的原因可能是较大的人像占比意味着行人距离个体更近，违背了适宜的社交距离，造成了安全感的降低。这一结果与前人的研究结论相一致，美国著名人类学家霍尔（Hall）提出了4种空间距离，分别是亲密距离、个人距离、社交距离和公共距离[57]。其中，“社交距离”一般为1.2~3.6 m，是指陌生人之间沟通交流的距离，如城市道路场景中问路者与指路人之间的谈话。若低于这个区间，人们则会感到不适。扬·盖尔（Jan Gehl）对此作了进一步的阐述，他认为人类是一种不同于其他种群的“不触摸”的独立个体，根据臂长距离原则，即最小非接触距离，个体倾向于保持这个狭窄但至关重要的间距，从而获得所处状况的安全感及舒适度[2]。心理学研究也表明，心理空间即私人空间也是一种安全感，而追求安全感是人的本能。当这个心理空间受到侵犯时，将会引起不安和焦虑情绪[58]。图9（b）是机动车数量和机动车图像占比值的交互图，可以明显看出当机动车数量不多于2辆时，机动车图像占比更小有利于安全，这也与人的认知相一致，因为距离过近的机动车，即图像占比过大会给人带来潜在危险。图9（c）为自行车图像占比和自行车数量的交互影响图，二者的作用并不显著，可能是由于数据本身较小，容易被参与者忽略其影响作用。相较于以往对于物质空间要素的关注，本文通过在视觉要素中加入要素个数变量，结果表明城市中人的行为活动也会对环境安全感知产生影响。由于人是城市场景中的基本要素[59,60]，因此未来有必要深入探索道路空间中人的活动对于城市感知的影响作用。
图9 视觉要素占比与个数对SHAP值的交互影响

Fig. 9 Interaction effect of the percentage and number of visual factors on SHAP value

5 结论与讨论

5.1 结论

本文基于LightGBM和SHAP解释框架，开展了环境安全感知评价及影响因素研究，并以兰州市高校聚集区为例进行实证分析。通过街景图像数据结合机器学习技术，构建了道路安全感知数据集，即模型的被解释变量，同时，对街景图像进行处理得到解释变量；再利用LightGBM算法构建环境安全感知模型，进一步结合SHAP方法对机器学习模型进行解释性分析，识别出影响安全感知的关键视觉要素，并对其影响机制进行深入分析。主要结论如下：
（1）兰州市安宁区高校聚集地的整体环境安全感知情况较好，评分高的地点主要集中于高校内部区域、商业街及部分城市次干道，城市主干路评分相对较低，而高速路、高架桥等地点评价则普遍偏低。其中，兰州城市学院的平均分最高，甘肃农业大学的评价摆动幅度最大，兰州交通大学评分摆动幅度最小，西北师范大学知行学院的得分相对较低。
（2）天空、人行道、道路和树木是对环境安全感知影响最大的四类要素。其中，人行道、树木、建筑和人等视觉感知因子对环境安全感知具有促进作用，天空、墙面及机动车等因子对环境安全感知具有抑制作用。各个视觉要素与SHAP值的映射关系模式各不相同，存在较为明显线性关系的要素是天空，其它视觉要素与SHAP值之间不存在特别明显的线性关系模式。其中，人行道和树木的图像占比值与环境安全感知的关系近似对数函数关系，道路的图像占比值与环境安全感知呈现类似二次函数关系。这一研究结论为城市道路环境与人类感知存在非线性关系提供佐证，丰富了城市环境与人类情感研究的理论成果。
（3）视觉要素占比和个数存在交互影响作用，其中视觉要素占比的双因子影响作用表明合理的要素布局能够形成良好的空间视线，进而有助于环境安全感知的提升。如当树木的图像占比值较高时，小体量的建筑会让人觉得更加安全。视觉要素个数与视觉要素占比也存在协同作用，当人和机动车的数量较少时，较低的人的图像占比值和机动车图像占比值会让人觉得更加安全，这一结论与心理学相关研究结论相契合，同时表明人的行为活动也会影响环境安全感知。

5.2 讨论

基于研究结论，本文提出以下规划建议：在新区规划与旧城改造过程中，应注意建筑体量配比、沿街建筑高度设置等，避免出现大量的天空留白或高楼林立无天空可见的情况；树种的选择不仅应适合地区特点，还需要考虑树冠大小与人行道和建筑体量的协调。比如较宽的商业步行街，可选择树冠较小的观赏性灌木，减小对两侧建筑的遮蔽；而对于城市道路两侧的行道树，则可选择树冠较大的乔木强调顶点位置，强化道路的走向效果，因为在有序的空间序列中人们更能感到安全；在符合道路设计规范的基础上，人行道的设置还需要根据地区情况预测通行量等数据，从而满足实际的通行需求，避免人员拥挤带来的心理不适感；此外，需加强交通管制措施，对于路边违停、侵占人行道停车等行为采取严厉的处罚措施，降低机动交通对于人行空间的负面影响。
目前还存在以下不足：由于数据处理存在一定误差，会对指标量化计算产生影响，未来需要进一步研究模型的优化方法，以求获得更为可靠的研究结果；由于时间和人力的限制，本文以小范围划定研究区域，若有更大范围的街景数据，则能进一步提高模型预测的准确性及科学性。另外，后续可招募更多的志愿者或将评分系统发布至网站，则可获得更加客观真实的感知数据。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
寇世浩, 姚尧, 郑泓, 等. 基于路网数据和复杂图论的中国城市交通布局评价[J]. 地球信息科学学报, 2021, 23(5):812-824.

DOI

[Kou S H, Yao Y, Zheng H, et al. Delineating China's urban traffic layout by integrating complex graph theory and road network data[J]. Journal of Geo-information Science, 2021, 23(5):812-824.] DOI:10.12082/dqxxkx.2021.200340

DOI

[2]
Gehl J. Cities for People[M]. Washington DC: Island Press, 2010.

[3]
Ordonez V, Berg T L. Learning high-level judgments of urban perception[M]//Computer Vision - ECCV 2014. Cham: Springer International Publishing, 2014:494-510. DOI:10.1007/978-3-319-10599-4_32

DOI

[4]
Tuan Y F. Space and place: the perspective of experience[M]. Minneapolis: University of Minnesota Press, 1977

[5]
Kaplan R, Kaplan S. The experience of nature: A psychological perspective[M]. Cambridge: Cambridge University Press, 1989

[6]
Ulrich R S, Simons R F, Losito B D, et al. Stress recovery during exposure to natural and urban environments[J]. Journal of Environmental Psychology, 1991, 11(3):201-230. DOI:10.1016/S0272-4944(05)80184-7

DOI

[7]
Lynch K. The image of the city[M]. Cambridge, Mass.: M.I.T. Press, 1964.

[8]
Ma X, Chau C K, Lai J H K. Critical factors influencing the comfort evaluation for recreational walking in urban street environments[J]. Cities, 2021, 116:103286. DOI:10.1016/j.cities.2021.103286

DOI

[9]
Duncan M J, Mummery W K, Steele R M, et al. Geographic location, physical activity and perceptions of the environment in Queensland adults[J]. Health & Place, 2009, 15(1):204-209. DOI:10.1016/j.healthplace.2008.04.006

DOI

[10]
Weimann H, Rylander L, van den Bosch M A, et al. Perception of safety is a prerequisite for the association between neighbourhood green qualities and physical activity: Results from a cross-sectional study in Sweden[J]. Health & Place, 2017, 45:124-130. DOI:10.1016/j.healthplace.2017.03.011

DOI

[11]
安莉娟, 丛中. 安全感研究述评[J]. 中国行为医学科学, 2003, 12(6):698-699.

[An L J, Cong Z. A review of research[J]. Chinese Journal of Behavioral Medicine and Brain Science, 2003, 12(6):698-699.] DOI:10.3760/cma.j.issn.1674-6554.2003.06.052

DOI

[12]
Márquez L. Safety perception in transportation choices: Progress and research lines[J]. Ingeniería y Competitividad, 2016, 18(2):11-24.

DOI

[13]
Li X J, Zhang C R, Li W D. Does the visibility of greenery increase perceived safety in urban areas? Evidence from the place pulse 1.0 dataset[J]. ISPRS International Journal of Geo-Information, 2015, 4(3):1166-1183. DOI:10.3390/ijgi4031166

DOI

[14]
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

DOI

[15]
Van der Wurff A, Van Staalduinen L, Stringer P. Fear of crime in residential environments: Testing a social psychological model[J]. The Journal of Social Psychology, 1989, 129(2):141-160. DOI:10.1080/00224545.1989.9711716

DOI

[16]
Farrall S, Bannister J, Ditton J, et al. Social psychology and the fear of crime[J]. The British Journal of Criminology, 2000, 40(3):399-413. DOI:10.1093/bjc/40.3.399

DOI

[17]
Grahn P, Stigsdotter U K. The relation between perceived sensory dimensions of urban green space and stress restoration[J]. Landscape and Urban Planning, 2010, 94(3/4):264-275. DOI:10.1016/j.landurbplan.2009.10.012

DOI

[18]
Kabisch N, Qureshi S, Haase D. Human-environment interactions in urban green spaces: A systematic review of contemporary issues and prospects for future research[J]. Environmental Impact Assessment Review, 2015, 50:25-34. DOI:10.1016/j.eiar.2014.08.007

DOI

[19]
Dadvand P, Bartoll X, Basagaña X, et al. Green spaces and General Health: Roles of mental health status, social support, and physical activity[J]. Environment International, 2016, 91:161-167. DOI:10.1016/j.envint.2016.02.029

DOI PMID

[20]
Baran P K, Tabrizian P, Zhai Y, et al. An exploratory study of perceived safety in a neighborhood park using immersive virtual environments[J]. Urban Forestry & Urban Greening, 2018, 35:72-81. DOI:10.1016/j.ufug.2018.08.009

DOI

[21]
刘智谦, 吕建军, 姚尧, 等. 基于街景图像的可解释性城市感知模型研究方法[J]. 地球信息科学学报, 2022, 24(10):2045-2057.

DOI

[Liu Z Q, Lv J J, Yao Y, et al. Research method of interpretable urban perception Model based on street view imagery[J]. Journal of Geo-Information Science, 2022, 24(10):2045-2057.] DOI:10.12082/dqxxkx.2 022.210712

DOI

[22]
张丽英, 裴韬, 陈宜金, 等. 基于街景图像的城市环境评价研究综述[J]. 地球信息科学学报, 2019, 21(1):46-58.

DOI

[Zhang L Y, Pei T, Chen Y J, et al. A review of urban environmental assessment based on street view images[J]. Journal of Geo-Information Science, 2019, 21(1):46-58.] DOI:10.12082/dqxxkx.2019.180311

DOI

[23]
Biljecki F, Ito K. Street view imagery in urban analytics and GIS: A review[J]. Landscape and Urban Planning, 2021, 215:104217. DOI:10.1016/j.landurbplan.2021.104217

DOI

[24]
Helbich M, Yao Y, Liu Y, et al. Using deep learning to examine street view green and blue spaces and their associations with geriatric depression in Beijing, China[J]. Environment International, 2019, 126:107-117. DOI:10.1016/j.envint.2019.02.013

DOI PMID

[25]
Naik N, Kominers S D, Raskar R, et al. Do people shape cities, or do cities shape people? The Co-evolution of physical, social, and economic change in five major U.S. cities[J]. SSRN Electronic Journal, 2015. DOI:10.2139/ssrn.2698292

DOI

[26]
Glaeser E L, Kominers S D, Luca M, et al. Big data and big cities: The promises and limitations of improved measures of urban life[J]. Economic Inquiry, 2018, 56(1):114-137. DOI:10.1111/ecin.12364

DOI

[27]
Zhang W X, Witharana C, Li W D, et al. Using deep learning to identify utility poles with crossarms and estimate their locations from google street view images[J]. Sensors, 2018, 18(8):2484. DOI:10.3390/s18082484

DOI

[28]
Gebru T, Krause J, Wang Y L, et al. Using deep learning and Google Street View to estimate the demographic makeup of neighborhoods across the United States[J]. Proceedings of the National Academy of Sciences of the United States of America, 2017, 114(50):13108-13113. DOI:10.1073/pnas.1700035114

DOI PMID

[29]
Kang J, Körner M, Wang Y, et al. Building instance classification using street view images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145:44-59.

DOI

[30]
Yin L, Wang Z. Measuring visual enclosure for street walkability: Using machine learning algorithms and Google Street View imagery[J]. Applied Geography, 2016, 76:147-153. DOI:10.1016/j.apgeog.2016.09.024

DOI

[31]
杨灿灿, 许芳年, 江岭, 等. 基于街景影像的城市道路空间舒适度研究[J]. 地球信息科学学报, 2021, 23(5): 785-801.

DOI

[Yang C C, Xu F N, Jiang L, et al. Approach to quantify spatial comfort of urban roads based on street view images[J]. Journal of Geo-information Science, 2021, 23(5):785-801.] DOI:10.12082/dqxxkx.2021.200353

DOI

[32]
Ramírez T, Hurtubia R, Lobel H, et al. Measuring heterogeneous perception of urban space with massive data and machine learning: An application to safety[J]. Landscape and Urban Planning, 2021, 208:104002. DOI:10.1016/j.landurbplan.2020.104002

DOI

[33]
Salesses P, Schechtner K, Hidalgo C A. The collaborative image of the city: Mapping the inequality of urban perception[J]. PLoS One, 2013, 8(7):e68400. DOI:10.1371/journal.pone.0068400

DOI

[34]
Zhang F, Zhou B, 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

DOI

[35]
Zhang F, Zu J, Hu M, et al. Uncovering inconspicuous places using social media check-ins and street view images[J]. Computers, Environment and Urban Systems, 2020, 81:101478. DOI:10.1016/j.compenvurbsys.2020.101478

DOI

[36]
林玉莲, 胡正凡. 环境心理学[M]. 北京: 中国建筑工业出版社, 2000.

[Lin Y L, Hu Z F. Environmental Psychology[M]. Beijing: China Architecture & Building Press, 2000.]

[37]
Wang R, Liu Y, Lu Y, et al. Perceptions of built environment and health outcomes for older Chinese in Beijing: A big data approach with street view images and deep learning technique[J]. Computers, Environment and Urban Systems, 2019, 78:101386. DOI:10.1016/j.compenvurbsys.2019.101386

DOI

[38]
Zhou H, Tao G, Nie Y, et al. Outdoor thermal environment on road and its influencing factors in hot, humid weather: A case study in Xuzhou City, China[J]. Building and Environment, 2022, 207:108460. DOI:10.1016/j.buildenv.2021.108460

DOI

[39]
Wen X, Xie Y, Jiang L, et al. Applications of machine learning methods in traffic crash severity modelling: Current status and future directions[J]. Transport Reviews, 2021, 41(6):855-879. DOI:10.1080/01441647.2021.1954108

DOI

[40]
Evans G W. The built environment and mental health[J]. Journal of Urban Health, 2003, 80(4):536-555. DOI:10.1093/jurban/jtg063

DOI

[41]
Lee A C K, Maheswaran R. The health benefits of urban green spaces: A review of the evidence[J]. Journal of Public Health, 2011, 33(2):212-222. DOI:10.1093/pubmed/fd q068

DOI

[42]
Li X, Hijazi I, Koenig R, et al. Assessing essential qualities of urban space with emotional and visual data based on GIS technique[J]. ISPRS International Journal of Geo-Information, 2016, 5(11):218. DOI:10.3390/ijgi5110218

DOI

[43]
Tang J, Liang J, Han C, et al. Crash injury severity analysis using a two-layer Stacking framework[J]. Accident Analysis & Prevention, 2019, 122:226-238. DOI:10.1016/j.aap.2018.10.016

DOI

[44]
Li X, Yeh A G O. Neural-network-based cellular automata for simulating multiple land use changes using GIS[J]. International Journal of Geographical Information Science, 2002, 16(4):323-343. DOI:10.1080/1365881021013 7004

DOI

[45]
Lundberg S M, Lee S I. A unified approach to interpreting model predictions[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: ACM, 2017:4768-4777. DOI:10.5555/3295222.3295230

DOI

[46]
Yang Y R, Yuan Y, Han Z, et al. Interpretability analysis for thermal sensation machine learning models: An exploration based on the SHAP approach[J]. Indoor Air, 2022, 32(2):e12984. DOI:10.1111/ina.12984

DOI

[47]
Qi H, Yao Y, Zhao X, et al. Applying an interpretable machine learning framework to the traffic safety order analysis of expressway exits based on aggregate driving behavior data[J]. Physica A: Statistical Mechanics and Its Applications, 2022, 597:127277. DOI:10.1016/j.physa.2022.127277

DOI

[48]
De Silva C S, Warusavitharana E J, Ratnayake R. An examination of the temporal effects of environmental cues on pedestrians' feelings of safety[J]. Computers, Environment and Urban Systems, 2017, 64:266-274. DOI:10.1016/j.compenvurbsys.2017.03.006

DOI

[49]
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

DOI

[50]
Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4):834-848. DOI:10.1109/TPAMI.2017.2699184

DOI

[51]
Redmon J, Farhadi A. YOLOv3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018. DOI:10.48550/arXiv.1804.02767

DOI

[52]
Benjdira B, Khursheed T, Koubaa A, et al. Car detection using unmanned aerial vehicles: Comparison between faster R-CNN and YOLOv3[C]// 2019 1st International Conference on Unmanned Vehicle Systems-Oman (UVS). IEEE, 2019:1-6. DOI:10.1109/UVS.2019.8658300

DOI

[53]
Li C, Wang R, Li J Z, et al. Face detection based on YOLOv3[M]// Recent Trends in Intelligent Computing, Communication and Devices. Singapore: Springer Singapore, 2019:277-284. DOI:10.1007/978-981-13-9406-5_34

DOI

[54]
Ke G L, Meng Q, Finley T, et al. LightGBM: A highly efficient gradient boosting decision tree[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: ACM, 2017:3149-3157. DOI:10.5555/3294996.3295074

DOI

[55]
Lundberg S M, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees[J]. Nature Machine Intelligence, 2020, 2(1):56-67. DOI:10.1038/s42256-019-0138-9

DOI PMID

[56]
兰州市统计局. 2021年兰州市国民经济和社会发展统计公报[EB/OL]. http://tjj.lanzhou.gov.cn/art/2022/4/13/art_4850_1110642.html.

[Lanzhou Municipal Bureau of Statistics. Statistical Bulletin of National Economic and Social Development of Lanzhou in 2021[EB/OL]. http://tjj.lanzhou.gov.cn/art/2022/4/13/art_4850_1110642.html.

[57]
Hall E T. The hidden dimension[M]. [1st ed.]. Garden City, N.Y.: Doubleday, 1966

[58]
Stephan E, Liberman N, Trope Y. Politeness and psychological distance: A construal level perspective[J]. Journal of Personality and Social Psychology, 2010, 98(2):268-280. DOI:10.1037/a0016960

DOI PMID

[59]
Nasar J L. Perception, cognition, and evaluation of urban places[M]//Public Places and Spaces. Boston, MA: Springer US, 1989:31-56. DOI:10.1007/978-1-4684-5601-1_3

DOI

[60]
Bonnes M, Mannetti L, Secchiaroli G, et al. The city as a multi-place system: An analysis of people: Urban environment transactions[J]. Journal of Environmental Psychology, 1990, 10(1):37-65. DOI:10.1016/S0272-4944(05)80023

DOI

Options
Outlines

/

〈 〉