CN114331232B - 街道空间品质监测评估预警方法 - Google Patents

Abstract

本发明公开了一种街道空间品质监测评估预警方法，属于街道空间品质评价技术领域，包括：S1，数据收集，收集各类规划数据，街景数据，数字城市地理空间框架数据，互联网街景地图数据；S2，数据采集，补充采集部分街道街景数据及三维激光点云数据；S3，数据处理：利用机器学习的方式，提取建立各个要素的像素占比、要素边界、数量信息；S4，建立街道空间品质数据库：将收集、采集以及处理的信息存储到数据库中，并将街景图片数据与基础空间相关联；S5，建立指标体系，确定街道空间品质的测度评价指标的目标导向值；S6，建立预警体系，确定预警阈值，划分轻警、中警、重警状态，评估更加高效和快捷。

Description

街道空间品质监测评估预警方法

技术领域

本发明涉及街道空间品质评价技术领域，尤其是一种空间品质监测评估预警方法。

背景技术

国土空间规划建设和现状评估工作要求要着力发现规划实施中存在的空间纬度“重量轻质”、时间维度“重静轻动”、政策维度“重地轻人”等突出矛盾问题，以人为本，从规模、结构、质量、效率、时序等多角度充分挖掘存量空间和流量空间价值，提出针对性解决措施，促进规划更好编制实施。同时强调，要落实国家大数据战略要求，在充分利用现状基础数据、规划成果数据等基础上，鼓励采用社会大数据，提高空间治理问题的动态精准识别能力，着力构建可感知、可学习、善治理、自适应的智慧规划监测评估预警体系。

目前市县国土空间开发保护现状评估基本指标，如森林步行15分钟覆盖率，公园绿地、广场步行5分钟覆盖率，社区卫生医疗设施步行15分钟覆盖率，社区体育设施步行15分钟覆盖率，消防救援5分钟可达覆盖率等涉及覆盖率分析的指标，其计算方法仅是从缓冲区分析的角度计算，该方法存在很多问题，例如忽略了可达性、舒适性和实用性。并且，随着现代技术的发展和应用，目前大部分的城市规划积极倡导集中式、规模化的公共空间，将城市分为居住、工作、娱乐和交通等几大板块，鲜有从细节出发、从人的感受出发打造的规划评估。这些方法导致城市整体被割裂开来，城市综合功能无法有效利用，细节之处容易被忽视。

发明内容

本发明需要解决的技术问题是提供一种高效、快捷的街道空间品质监测评估预警方法。

为解决上述技术问题，本发明所采用的技术方案是：

一种街道空间品质监测评估预警方法，包括以下步骤：

S1，数据收集，收集各类规划数据，街景数据，数字城市地理空间框架数据，互联网街景地图数据；

S2，数据采集，利用高精度移动测量车补充采集部分街道街景数据及三维激光点云数据；

S3，数据处理：基于步骤S1和步骤S2中的数据，利用机器学习的方式，提取建立街道车行道、步行道、山体、植物、围墙、机动车、行人、基础设施、自行车、建筑各个要素的像素占比、要素边界、数量信息；

S4，建立街道空间品质数据库：将收集、采集以及处理的信息存储到数据库中，并将街景图片数据与基础空间相关联；

S5，建立指标体系，确定街道空间品质的测度评价指标的目标导向值；

S6，建立预警体系，制定各类街道空间的测度评价指标的监测底线，形成预警阈值，划分轻警、中警、重警状态。

本发明技术方案的进一步改进在于：步骤S1数据收集具体方法为：

以城市道路矢量数据为基础，将道路以50m等距离采点并按节点打断，根据打断后每一段道路的起止点，计算道路的实际方向以及正向视角，通过正向视角，分别算出另外三个方向的视角，根据节点坐标以及方向视角，通过百度地图API实现采样点位四个视角方向的街景图片下载。

本发明技术方案的进一步改进在于：步骤S2中数据采集方法为：

对于S1中未下载到数据的节点，根据该节点的经纬度以及视角信息，通过高精度移动测量车实地补充采集该节点四个视角方向的街景图像。

本发明技术方案的进一步改进在于：步骤S4中首先构建含道路中心线、道路等级、建筑、街区、交通站点空间信息；然后以街景图片数据为补充，将包含植物、围墙、机动车、行人、基础设施、建筑要素的像素占比、要素边界、数量信息与空间信息相关联并保存到数据库中。

本发明技术方案的进一步改进在于：步骤S6中测度评价指标包括路面可行性、设施便利性、路网通达性、步行安全性、空间舒适性、场所社交性。

本发明技术方案的进一步改进在于：路面可行性包括步行通畅度C1和步行连续度C2；

步行通畅度C1：指计算街景图片解译出的步行道与车行道面域像素的综合比值，计算公式为：

C1＝S₁/S₂；

式中，S₁为步行道面域像素，S₂为车行道面域像素；

步行连续度C2：指计算街景图片解译出的步行道所占街景图片像素面积的标准差的倒数；

路网通达性包括道路通达性C3和公交站点密度C4；

道路通达性C3：是指研究范围内连接各个区域道路数量的有关指标，其主要作用是用来衡量路网的通行便捷程度，计算公式为：

式中，M_R为第R个节点所连接的相邻道路数，且N为道路网节点数量,M为干道的道路数之和；

公交站点密度C4：统计街道中公交站点个数之和，除以街道的总长度，计算公式为：

C4=S₃/L₁

式中， S₃为街道中公交站点的数量，L₁为街道的长度，单位为千米；

设施便利性包括服务设施覆盖率C5和服务功能多样性C6；

服务设施覆盖率C5：通过计算各类服务设施300米可达范围与该街道步行空间长度的比值来表征街道服务设施覆盖率，计算公式为：

C5=S₄/L₂

式中，S₄为服务设施覆盖范围，L₂为服务设施覆盖范围内的街道长度，C5值越高则代表该街道服务覆盖度越高，所提供服务的可达性越高；

服务功能多样性C6：通过计算每一条街道覆盖范围内所包含的服务职能种类的数量为服务功能多样性的指标评价值，计算公式为：

式中，N_{i类poi数量}代表所采集种类下的业态点数量，N_poi总数代表该街道覆盖范围内各类业态点数量总和；C为业态类别数量，当C6越接近1，则代表街道覆盖范围内的业态点种类分布越均匀，该条街道所能提供的业态服务则越丰富；

步行安全性包括机动车干扰率C7和非机动车干扰率C8；

机动车干扰率C7：计算街景照片中机动车面域像素占车行道的比值为评价值，公式为：

C7=S₅/S₂ x100%

式中，S₂为车行道面域像素，S₅为机动车面域像素；

非机动车干扰率C8：通过分别计算街景照片中的电动车、自行车的像素数占街景图片中车行道的比值作为非机动车干扰率的指标值，

公式为：C8=S₆/S₂ x100%

式中S₂为车行道面域像素，S₆为非机动车面域像素；

场所社交性：以行人出现率C9为场所社交性的指标因子，以街景图片中行人要素占街景图片中的车行道、步行道的比值为行人出现率C9的指标值，计算公式为：

C9=S₇/S₈ x100%

式中，S₇为行人面域像素，S₈为车行道与步行道面域像素；

空间舒适性包括街道周边的空间尺度C12、界面围合度C13和街道开敞度C14；

空间尺度C12：两侧建筑的平均高度与街道宽度的比值；

界面围合度C13：指街景图片的街道两侧具有围合意义的墙面像素占街景图片的比值；

街道开敞度C14：指街景图片中的天空面域的像素占街景图片的比值。

本发明技术方案的进一步改进在于：不同街道类型对街道有着不同功能的需求，对各街道评价指标的要求不同，街道空间品质的评价应根据街道类型，展开差异化评价。

由于采用了上述技术方案，本发明取得的技术进步是：

本发明提出了一种基于开放数据且高效、快捷的空间品质评估方法，通过运用机器学习技术结合大样本的街景数据，可以快速实现对于较大尺度下的高精度街道空间品质评价，并针对性地对于各个区乃至各条街道的空间品质给出数值测度和直观的可视化展示，这是以往专家主观经验判断所难以实现的。

本发明构建的街道空间品质监测评估预警方法具有一定的科学性和可操作性，为市县国土空间开发保护现状评估基本指标中涉及街道空间品质提供了技术支持。

本发明从人的角度出发，重视城市的细节之处，将道路作为城市的关键连接点，将高效率、大尺度和绿色化作为其中诉求之一，强调舒适性、通达性、安全性、多样性。从之前割裂的规划中回归人性化、整体化，从地理信息科学、环境心理学等角度出发进行详细精确的计算和规划，使得城市整体得以有效联系。项目实施突出以人为本的核心理念，强调人地协调统筹发展，将人的感受放在首位，打造高效便捷精准的国土空间监测评估核心指标计算方法，着重解决市县级国土空间监测评估中的生活品质指标精度不足的难点，提升国土空间监测评估预警的质量和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；

图1是实施例中主城区街道空间品质评估结果；

图2是张家口地区遥感影像图；

图3是张家口主城区ndvi计算结果图。

具体实施方式

下面结合实施例对本发明做进一步详细说明：

一种街道空间品质监测评估预警方法，包括以下步骤：

S1，数据收集，收集各类规划数据，街景数据，数字城市地理空间框架数据，互联网街景地图数据；具体方法为：

以城市道路矢量数据为基础，将道路以50m等距离采点并按节点打断，根据打断后每一段道路的起止点，计算道路的实际方向以及正向视角，通过正向视角，分别算出另外三个方向的视角，根据节点坐标以及方向视角，通过百度地图API实现采样点位四个视角方向的街景图片下载。

S2，数据采集，利用高精度移动测量车补充采集部分街道街景数据及三维激光点云数据；

对于S1中未下载到数据的节点，根据该节点的经纬度以及视角信息，通过高精度移动测量车实地补充采集该节点四个视角方向的街景图像。

S3，数据处理：基于步骤S1和步骤S2中的数据，利用机器学习的方式，提取建立街道车行道、步行道、山体、植物、围墙、机动车、行人、基础设施、自行车、建筑各个要素的像素占比、要素边界、数量信息；

S4，建立街道空间品质数据库：将收集、采集以及处理的信息存储到数据库中，并将街景图片数据与基础空间相关联，具体如下：

首先构建含道路中心线、道路等级、建筑、街区、交通站点空间信息；然后以街景图片数据为补充，将包含植物、围墙、机动车、行人、基础设施、建筑要素的像素占比、要素边界、数量信息与空间信息相关联并保存到数据库中。

S5，建立指标体系，确定街道空间品质的测度评价指标的目标导向值；

S6，建立预警体系，制定各类街道空间的测度评价指标的监测底线，形成预警阈值，划分轻警、中警、重警状态。

其中测度评价指标包括路面可行性、设施便利性、路网通达性、步行安全性、空间舒适性、场所社交性。

路面可行性包括步行通畅度C1和步行连续度C2；

步行通畅度C1：指计算街景图片解译出的步行道与车行道面域像素的综合比值，计算公式为：

C1＝S₁/S₂；

式中，S₁为步行道面域像素，S₂为车行道面域像素；

步行连续度C2：指计算街景图片解译出的步行道所占街景图片像素面积的标准差的倒数；

路网通达性包括道路通达性C3和公交站点密度C4；

道路通达性C3：是指研究范围内连接各个区域道路数量的有关指标，其主要作用是用来衡量路网的通行便捷程度，计算公式为：

式中，M_R为第R个节点所连接的相邻道路数，且N为道路网节点数量,M为干道的道路数之和；

公交站点密度C4：统计街道中公交站点个数之和，除以街道的总长度，计算公式为：

C4= S₃/ L₁

式中，S₃为街道中公交站点的数量，L₁为街道的长度，单位为千米；

设施便利性包括服务设施覆盖率C5和服务功能多样性C6；

服务设施覆盖率C5：通过计算各类服务设施300米可达范围与该街道步行空间长度的比值来表征街道服务设施覆盖率，其中，服务设施包括：教育（学校、托幼、教育培训机构等）、社区服务（养老、助残、宽带、干洗店、美容店、快递网点等）、医疗（医院、卫生所等）、体育（体育馆、体育场、健身场所等）、文化（少年宫、电影院、戏院、剧院等）、商业（购物中心、商场等）、金融（银行、保险网点、信托网点、证券网点等）各类为城市服务的公共设施；计算公式为：

C5=S₄/L₂

式中，S₄为服务设施覆盖范围，即以各类服务设施为中心划定的半径为300米的一个圈所覆盖的范围，L₂为服务设施覆盖范围内的街道长度，C5值越高则代表该街道服务覆盖度越高，所提供服务的可达性越高；

服务功能多样性C6：通过计算每一条街道覆盖范围内所包含的服务职能种类的数量为服务功能多样性的指标评价值，计算公式为：

式中，N_{i类poi数量}代表所采集种类下的业态点数量；N_poi总数代表该街道覆盖范围内各类业态点数量总和；C为业态类别数量，当 C6越接近1，则代表街道覆盖范围内的业态点种类分布越均匀，该条街道所能提供的业态服务则越丰富；其中业态点指服务设施点，服务设施即上述提到的教育、社区服务、医疗、体育、文化、商业、金融各类为城市服务的公共设施；业态类别即服务设施类别；

步行安全性包括机动车干扰率C7和非机动车干扰率C8；

机动车干扰率C7：计算街景照片中机动车面域像素占车行道的比值为评价值，公式为：

C7=S₅/S₂ x100%

式中，S₂为车行道面域像素，S₅为机动车面域像素；

非机动车干扰率C8：通过分别计算街景照片中的电动车、自行车的像素数占街景图片中车行道的比值作为非机动车干扰率的指标值，公式为：

C8=S₆/S₂ x100%

式中S₂为车行道面域像素，S₆为非机动车面域像素；

场所社交性：街道作为城市中的重要公共空间，熙熙攘攘的街道环境更能能够为步行者带来个人的安全感，反之空无一人的街道往往会成为诱发犯罪发生的场所。街道步行空间中能够容纳的人数多少意味着周边环境对于街道的监视度高低。当街景照片中行人的像素占比高时，意味着更多的人能看到该街景点所处的位置，那么这个位置也就会相对更加安全。以行人出现率C9为场所社交性的指标因子，以街景图片中行人要素占街景图片中的车行道、步行道的比值为行人出现率C9的指标值，计算公式为：

C9=S₇/S₈ x100%

式中，S₇为行人面域像素，S₈为车行道与步行道面域像素；

空间舒适性包括街道周边的空间尺度C12、界面围合度C13和街道开敞度C14；

空间尺度C12：两侧建筑的平均高度与街道宽度的比值；

界面围合度C13：指街景图片的街道两侧具有围合意义的墙面（建筑、围墙要素）像素占街景图片的比值；

街道开敞度C14：指街景图片中的天空面域的像素占街景图片的比值。

进一步的，不同街道类型对街道有着不同功能的需求，对各街道评价指标的要求不同，街道空间品质的评价应根据街道类型，展开差异化评价。

为了证明步骤S1数据收集的合理性，以同时期遥感影像提取的张家口主城区NDVI值对街景照片提取的植物绿视率进行如下验证：

首先通过卫星遥感影像计算张家口主城区的ndvi指数（归一化植被指数，数值越大表明该地区植被越多密度越大），来验证街景照片提取的植物绿视率，图2展示的是张家口地区遥感影像，街景图片采样点分辨率30m。黑框为主城区行政边界。白色点为主城区的所有的街景图片采样点的位置，共8932个。图3为张家口主城区ndvi计算结果。

下表为提取的街景提取植被以及ndvi值，数据量较大，仅附部分数据进行展示。

根据表1中的街景提取植被以及ndvi值可以得出非参数相关性，非参数相关性如表2所示：

其中，.502^**代表较高的相关性。

综上所述，对于同一个采样点位，统计分析其《街景图片提取的绿视率》与《ndvi值》的相关性，用来说明街景图片提取值的合理性，使用斯皮尔曼相关性分析，得到的sig值小于0.01，表明《街景图片提取的绿视率》与《ndvi值》有统计学意义，相关系数为0.502，表明有较强的正相关，说明绿视率高的地方，ndvi值也高，绿视率低的地方，ndvi值也低。以此验证街景图片解译结果的正确性和合理性。

将所有街道分为5类：

①交通主导类：该类交通能力较强，以车行交通为主，公共服务能力较弱，车道数在4条车道以上，涵盖I级主干路、II级主干路两类道路等级。

②商业综合类：商业综合类街道承担一定的交通功能（车道数>4），公共服务功能较强，沿街有大型商业、医疗或文化设施。涵盖城市III级主干路、次干路两类道路等级。

③生活服务类：生活服务街道以城市支路、内部道路为主，车道数小于4，主要承担日常通勤的交通功能、以生活性设施为主的公共服务功能，两侧以居住建筑为主，两侧商业业态以生活性服务为主。

④静稳通过类：该类主要为街坊内道路、小区内部道路，公共服务能力较弱，道路两侧界面以建筑、围墙为主，基本无商业设施，仅承担短距离的交通功能。

⑤特色类：该类以历史风貌街巷、商业步行街为代表，交通能力较弱，以步行为主，以居民休闲、娱乐、旅游为主要功能。特色类道路两侧主要分为历史建筑界面、商业或河流绿地等景观环境。

对于以上5类道路，各自根据全国典型地区的道路制定指标标准，比如生活服务类道路：人流密集，生活服务设施种类繁多，小孩与老人较多，对步行安全性要求较高，将上海苏家屯路、上海密云路、上海抚顺路作为生活服务类优秀街道参考标准，通过计算可知，步行通畅度指标值在0.44以上步行空间通畅度较好，因此生活服务类道路该指标以0.44为目标导向值。

以测度张家口中心城区城市街道空间品质为基本目标，对张家口市中心城区的街道空间品质进行研究与评价，最终获得精度较高的步行分钟覆盖率评价方法，具体工作内容如下：

步骤S1，数据收集

张家口中心城区街道空间数据以张家口市中心城区数字城市数据、地理国情数据资料为基础，以Arcgis为空间分析平台，同参考《城市综合交通体系规划标准》及《张家口市城市规划条例》中关于街道路幅宽度以及两侧建筑的退界要求，对街道空间进行提取，以道路中心线为参照，向两侧进行拓展：快速路和主干道向两侧各拓宽50米，次干道向两侧各拓宽35米，支路各拓宽29米，最终获取的街道空间范围。

通过百度API端口的Python爬虫脚本获取街景图片，街景图片携带信息数据包含Size、Location、Heading、Pitc等参数信息。街景图片数据采取原则按照50米为采样距离(通过人工对比不同距离的截取下的街景图像中城市景观特征的同质性，低于50m截取的图像覆盖的景观类型的同质性过高，部分景观特征重叠，高于50m截取的图像同质性过低，容易遗漏部分街景特征)，每个样本点位获取街道视角前后左右四个方向的街景图片（根据50米间隔将路网打断，根据每一小段的首尾坐标确定道路前视角方向，进而通过将前视角方向+90°、+180°、+270°来分别确定右、后、左视角方向）。

步骤S2，数据采集

对于街景要素缺失的采样点，通过缺失点位的经纬度确定位置，利用街景车进行补采，最后共获得包含约两万张图片数据及相对应的携带信息数据。

S3，数据处理

采用pytorch框架创建用来进行深度学习的神经网络，使用Cityscape数据集作为神经网络的训练数据集，通过建立模型—损失函数—参数学习的机器学习过程，使其对街景要素进行识别，最终识别准确率>80%；通过DeepLab网络对街景图片进行语义分割，将街景图片分割为不同的街景要素，不同的街景要素分别赋予不同的颜色。最终，通过训练后的深度学习的神经网络，对分割出的街景要素进行识别、赋值，最终得到每张街景图片中各街景要素所占街景图片的比例。

S4，街道空间品质数据库

每个采样点有4张街景照片，对应4组街景要素占比数据，将4组街景要素占比汇总，得到该采样点的街景要素占比值，将该采样点的街景要素占比值与采样点矢量文件进行挂接，可得到街景要素占比的空间分布数据；将采样点的数据按街道进行汇总，可以得到某条街道的街景要素占比；将行政区划内所有街道的街景要素占比进行汇总，得到整个行政区划的街景要素占比。以此建立数据库。

S5，建立指标体系

将张家口所有道路按行政区划和街道类型进行分类，最终结果为：主城区交通主导类道路共50条、综合服务类道路共13条、生活服务类道路共87条、静稳通过类道路112条、特色类道路共18条；崇礼区综合服务类道路共5条、生活服务类道路共15条、静稳通过类道路共25条、特色类道路共24条；万全区交通主导类道路共9条、综合服务类道路共4条、生活服务类道路共10条、静稳通过类道路共70条、特色类道路共1条；宣化区交通主导类道路共14条、综合服务类道路共5条、生活服务类道路共50条、静稳通过类道路共119条、特色类道路共4条；

对于不同类型的道路，选择全国此类的典型街道进行评分，进而确定该类道路这项指标的目标导向值，如在计算机动车干扰率的目标导向值时，交通主导类选择北京中关村大街、深圳深南路和北京荣华北路三处典型路段计算目标导向值；商业综合类选择上海淞沪路、浦东南路和北京西单北大街三处典型路段计算目标导向值；生活服务类选择上海苏家屯路、上海密云路和上海抚顺路作为典型路段计算目标导向值；静稳通过类选择上海政通路、北京白广路和北京玉渊潭南路作为典型路段计算目标导向值，目标导向值约为几个典型路段指标值的均值。

S6、建立预警系统

通过选取国内相关优秀街道案例进行单指标评价分析，以优秀街道案例单要素评价结果作为无警状态警限范围，再结合相关政策、规范划定预警警限，图1为主城区街道空间品质评估结果。

标准如表12所示：

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种街道空间品质监测评估预警方法，其特征在于包括以下步骤：

S1，数据收集，收集各类规划数据，街景数据，数字城市地理空间框架数据，互联网街景地图数据；

S2，数据采集，利用高精度移动测量车补充采集部分街道街景数据及三维激光点云数据；

S3，数据处理：基于步骤S1和步骤S2中的数据，利用机器学习的方式，提取建立街道车行道、步行道、山体、植物、围墙、机动车、行人、基础设施、自行车、建筑各个要素的像素占比、要素边界、数量信息；

S4，建立街道空间品质数据库：将收集、采集以及处理的信息存储到数据库中，并将街景图片数据与基础空间相关联；

S5，建立指标体系，确定街道空间品质的测度评价指标的目标导向值；

S6，建立预警体系，制定各类街道空间的测度评价指标的监测底线，形成预警阈值，划分轻警、中警、重警状态；

步骤S6中测度评价指标包括路面可行性、设施便利性、路网通达性、步行安全性、空间舒适性和场所社交性；

路面可行性包括步行通畅度C1和步行连续度C2；

步行通畅度C1：指计算街景图片解译出的步行道与车行道面域像素的综合比值，计算公式为：

C1＝S₁/S₂；

式中，S₁为步行道面域像素，S₂为车行道面域像素；

步行连续度C2：指计算街景图片解译出的步行道所占街景图片像素面积的标准差的倒数；

路网通达性包括道路通达性C3和公交站点密度C4；

道路通达性C3：是指研究范围内连接各个区域道路数量的有关指标，其主要作用是用来衡量路网的通行便捷程度，计算公式为：

式中，M_R为第R个节点所连接的相邻道路数，且N为道路网节点数量,M为干道的道路数之和；

公交站点密度C4：统计街道中公交站点个数之和，除以街道的总长度，计算公式为：

C4＝S₃/L₁

式中，S₃为街道中公交站点的数量，L₁为街道的长度，单位为千米；

设施便利性包括服务设施覆盖率C5和服务功能多样性C6；

服务设施覆盖率C5：通过计算各类服务设施300米可达范围与该街道步行空间长度的比值来表征街道服务设施覆盖率，计算公式为：

C5＝S₄/L₂

式中，S₄为服务设施覆盖范围，L₂为服务设施覆盖范围内的街道长度，C5值越高则代表该街道服务覆盖度越高，所提供服务的可达性越高；

服务功能多样性C6：通过计算每一条街道覆盖范围内所包含的服务职能种类的数量为服务功能多样性的指标评价值，计算公式为：

式中，N_{i类poi数量}代表所采集种类下的业态点数量；N_poi总数代表该街道覆盖范围内各类业态点数量总和；C为业态类别数量，当C6越接近1，则代表街道覆盖范围内的业态点种类分布越均匀，该条街道所能提供的业态服务则越丰富；

步行安全性包括机动车干扰率C7和非机动车干扰率C8；

机动车干扰率C7：计算街景照片中机动车面域像素占车行道的比值为评价值，公式为：

C7＝S₅/S₂x100％

式中，S₂为车行道面域像素，S₅为机动车面域像素；

非机动车干扰率C8：通过分别计算街景照片中的电动车、自行车的像素数占街景图片中车行道的比值作为非机动车干扰率的指标值，

公式为：C8＝S₆/S₂x100％

式中，S₂为车行道面域像素，S₆为非机动车面域像素；

场所社交性：以行人出现率C9为场所社交性的指标因子，以街景图片中行人要素占街景图片中的车行道、步行道的比值为行人出现率C9的指标值，计算公式为：

C9＝S₇/S₈x100％

式中，S₇为行人面域像素，S₈为车行道与步行道面域像素；

空间舒适性包括街道周边的空间尺度C12、界面围合度C13和街道开敞度C14；

空间尺度C12：两侧建筑的平均高度与街道宽度的比值；

界面围合度C13：指街景图片的街道两侧具有围合意义的墙面像素占街景图片的比值；

街道开敞度C14：指街景图片中的天空面域的像素占街景图片的比值。

2.根据权利要求1所述的街道空间品质监测评估预警方法，其特征在于：步骤S1数据收集具体方法为：

以城市道路矢量数据为基础，将道路以50m等距离采点并按节点打断，根据打断后每一段道路的起止点，计算道路的实际方向以及正向视角，通过正向视角，分别算出另外三个方向的视角，根据节点坐标以及方向视角，通过百度地图API实现采样点位四个视角方向的街景图片下载。

3.根据权利要求2所述的街道空间品质监测评估预警方法，其特征在于：步骤S2中数据采集方法为：

对于S1中未下载到数据的节点，根据该节点的经纬度以及视角信息，通过高精度移动测量车实地补充采集该节点四个视角方向的街景图像。

4.根据权利要求1所述的街道空间品质监测评估预警方法，其特征在于：步骤S4中首先构建含道路中心线、道路等级、建筑、街区、交通站点空间信息作为矢量文件，然后以街景图片数据为补充，将包含植物、围墙、机动车、行人、基础设施、建筑要素的要素占比值与构建的代表空间信息的矢量文件相关联，以此建立数据库；其中要素占比值包括像素占比、要素边界和数量信息。

5.根据权利要求1所述的街道空间品质监测评估预警方法，其特征在于：不同街道类型对街道有着不同功能的需求，对各街道评价指标的要求不同，街道空间品质的评价应根据街道类型，展开差异化评价。

Images