研究背景
长期以来，城市街道绿化被认为是城市景观的设计元素，对社会、环境和生态有重要作用。例如缓解城市热岛效应，减少洪涝灾害，增加生物多样性等。随着城市化进程的加快，如何科学评估和提升城市绿化质量成为重要议题。其中，绿视率（Green View Index，GVI）作为一个重要指标，因其独特优势而受到广泛关注。
绿视率的概念与意义
绿视率最早由日本学者青木阳二于1987年提出，定义为人们视野中绿色植物所占的比例。与传统的绿地率等二维指标相比，绿视率能够从人的视觉感知角度，立体直观地反映城市居民日常生活中所感受到的绿化环境质量，更符合以人文本的城市环境建设要求。
研究表明，较高的街道绿视率与居民的心理健康、身体活动水平和情感幸福感呈显著正相关。街道绿视率的提升可以激发居民参与户外活动的意愿，改善身心健康状况，增进社区归属感。
绿视率计算方法的演进
传统的GVI计算主要依赖地面调查和人工处理，成本高、效率低且难以实时更新。随着技术发展，GVI计算方法经历了从人工到自动化、再到人工智能的演进过程。
目前，基于深度学习的语义分割技术已成为GVI计算的主流方法。为街道GVI的计算和评价提供了新的手段。近年来，研究验证了深度学习方法在识别精度上优于颜色提取RGB方法和HSL方法。尽管语义分割技术在街景图像中的应用取得了一些成果，但随着复杂的语义场景因素的出现，对城市环境感知提出了更高的挑战。
研究创新点
针对现有研究的局限性，本文以兰州市主城区为例，提出了GSENet语义分割模型。该模型的编码器整合了GSE-Block特征校准模块，融合了空间和通道注意力；解码器采用高效自注意力模块（Mix-transforemr），引入缩放因子并使用1*1卷积替换全连接层，结合了Transformer的全局建模能力和卷积局部处理能力。通过对采样点、道路和行政区划等多尺度进行分析，研究了兰州主城区GVI的时空变化，同时探索了GVI及其变化与街景指标及社会因素的相关性，为城市规划和绿化管理提供了科学依据。
GSENet模型设计
图1 GSENet模型整体架构
本文提出GSENet模型，该模型基于卷积神经网络，结合混合注意力机制，同时采用ResNet50作为特征提取的主干网络（Backbone），以编码器-解码器为主要架构。
编码器特征校准模块（GSE-Block）
GSENet模型的核心架构基于ResNet50，这是一种广泛应用于计算机视觉任务的深度残差网络。为了提高特征表达能力，编码器整合特征校准模块GSE-Block，融合空间注意力和通道注意力（Add），对主干网络每一层级的结果进行连接（Concat）。这种设计能够更好地捕捉图像中的空间关系和通道间的依赖性，提升模型对复杂场景的理解能力。
解码器高效自注意力模块（Mix-transformer）
解码器采用高效自注意力模块（Mix-transforemr），高效多头自注意力部分（EMHSA）引入缩放因子C缩减输入向量维度，混合前馈网络部分（Mix-FFN）使用1*1卷积替换全连接层，结合了Transformer的全局建模能力和卷积局部处理能力。这种设计不仅提高了模型的计算效率，还增强了模型对全局信息的感知能力，使其能够更好地处理复杂的街景图像。
模型性能评估
GSENet模型以ResNet50为主干网络，在Cityscapes数据集上的MIOU达74.7%，优于PSPNet、DeepLabV3等主流模型。特别是在识别植被、建筑等大面积类别时，F1分数可达0.95，表现出优异的性能。这种高精度的语义分割能力为后续的绿视率计算提供了可靠的基础。
研究方法与数据
研究区域
本研究选取兰州市主城区作为研究对象，包括城关区、七里河区、安宁区和西固区四个行政区。兰州市是甘肃省省会，地处中国西北内陆，黄河上游，是西北地区重要的工业基地和综合交通枢纽。
兰州市地形特殊，呈狭长带状分布于黄河谷地，山水环抱，气候干旱，这些地理特征对城市绿化建设带来了独特的挑战。近年来，兰州市积极推进生态文明建设，加大城市绿化力度，为研究城市绿视率的时空变化提供了理想的案例。
图2 研究区位置及路网图
数据获取与处理
百度街景数据
本研究基于百度地图API获取2014-2023年兰州市主城区的街景图像数据。为确保数据的代表性和覆盖面，采用系统抽样方法在研究区内设置采样点，每个采样点获取四个方向（东南西北）的街景图像。最终获取的有效街景图像共计约20,000张，覆盖了研究区内的主要道路和街区。
辅助数据
为分析绿视率变化的影响因素，本研究还收集了以下辅助数据：(1)道路网络数据，用于提取道路宽度等特征；(2)建筑物数据，用于计算建筑密度；(3)人口统计数据，用于分析人口密度与绿视率的关系；(4)行政区划数据，用于不同尺度的空间分析。这些数据主要来源于政府公开数据平台和开放地图数据。
绿视率计算方法
基于GSENet模型对街景图像进行语义分割后，绿视率(GVI)的计算公式如下：
GVI = (植被像素数 / 总像素数) × 100%
对于每个采样点，计算四个方向街景图像的平均绿视率作为该点的最终绿视率值。为分析时间变化趋势，将研究时段分为两个阶段：2014-2018年和2019-2023年，比较两个时段的绿视率变化情况。
研究结果
1. 兰州市绿视率整体变化趋势
研究结果显示，2019-2023年相比2014-2018年，兰州市主城区绿视率平均上升了2.3%。在所有采样点中，70.9%的点位显示出上升趋势，但只有8.4%的点位增幅超过10%。这表明兰州市在研究期间整体绿化水平有所提升，但提升幅度较为温和。
从行政区划来看，安宁区的绿视率提升最为显著，达到3.5%；其次是七里河区和西固区，分别为2.8%和2.5%；城关区的提升幅度最小，仅为1.9%。这种差异可能与各区的城市更新和绿化建设策略有关。
2. 绿视率空间分布特征
通过热点分析发现，研究区中部偏西及东北部地区GVI显著上升，特别是在高校周边区域，如兰州大学、兰州交通大学等高校附近形成了明显的绿视率提升热点。这可能与高校周边环境改善和绿化建设投入增加有关。
相反，在商业中心和交通枢纽附近，如兰州火车站、西关十字等区域，GVI出现明显下降。这些区域通常人流量大、商业活动频繁，城市建设更注重功能性而非生态性，导致绿化水平相对下降。
3. 绿视率变化影响因素分析
研究分析了街景特征和社会因素对绿视率变化的影响，发现这些影响存在明显的空间异质性。具体来说：
建筑密集度与GVI变化呈负相关，相关系数为-0.42。这表明建筑密度越高的区域，绿视率提升越困难，这可能是由于高密度建筑区域的可用绿化空间有限。
道路宽阔度与GVI变化的相关性较弱，相关系数仅为0.18。这意味着道路宽度并不是影响绿视率变化的决定性因素，宽阔道路和狭窄街道都有可能实现绿化水平的提升。
人口密度与GVI变化在不同空间尺度上表现出不同的相关性。在街道尺度下，二者呈现出较强的正相关（相关系数0.56），这可能反映了人口密集区域往往获得更多的绿化建设资源投入。
关键发现
模型性能
GSENet模型MIOU达74.7%，优于主流模型，大面积类别F1分数可达0.95
时间变化
2019-2023年相比2014-2018年，GVI平均上升2.3%，70.9%的采样点显示上升趋势
空间分布
高校周边区域GVI显著上升，商业中心和交通枢纽附近GVI明显下降
影响因素
建筑密集度与GVI变化呈负相关，人口密度在街道尺度与GVI变化呈正相关
结论与讨论
方法创新
本研究提出的GSENet模型在街景图像语义分割任务上表现优异，特别是在植被识别方面，为绿视率的精确计算提供了可靠工具。该模型结合了空间注意力和通道注意力，以及高效自注意力机制，有效提升了对复杂城市场景的理解能力。
绿视率时空特征
研究发现兰州市主城区绿视率整体呈上升趋势，但存在明显的空间异质性。安宁区提升最为显著，高校周边区域形成绿视率提升热点，而商业中心和交通枢纽附近绿视率相对下降。这种空间分异反映了城市功能分区对绿化建设的影响。
影响因素分析
建筑密集度与绿视率变化呈负相关，表明高密度建成区绿化提升面临更大挑战。人口密度在街道尺度与绿视率变化呈正相关，反映了人口聚集区往往获得更多绿化资源。这些发现为差异化的城市绿化策略提供了科学依据。
研究意义与应用价值
未来研究展望
未来研究可从以下几个方面进一步深化：(1)结合更多环境和社会经济因素，构建更全面的绿视率影响因素模型；(2)扩展研究区域和时间跨度，进行多城市比较研究；(3)探索绿视率与居民健康、幸福感等社会效益的关联；(4)进一步优化深度学习模型，提高小面积绿化要素的识别精度。