長期以來，城市研究一直在探究如何通過城市外觀來理解城市。如同生物學(xué)如今可以通過人的面部照片推測生理年齡和某些疾病，城市科學(xué)也迫切希望探索：城市物質(zhì)環(huán)境在多大程度上可以表達和量化城市的社會經(jīng)濟環(huán)境？

北京時間6月27日，《美國科學(xué)院院刊》（PNAS）在線發(fā)表題為“Urban visual intelligence: Uncovering hidden city profiles with street view images”的論文。該研究通過計算機視覺模型對美國七大區(qū)域的2700萬張街景圖像進行分析，通過街景圖像中識別到的視覺特征（如街道設(shè)施、人行道、建筑物立面和植被）的空間分布來估計其附近社區(qū)的健康、交通、犯罪、貧困等方面指標(biāo)，探索了使用街景大數(shù)據(jù)和人工智能方法來全方位估計城市社會經(jīng)濟狀況的潛力。

論文第一作者為香港大學(xué)在讀博士范莊媛，通訊作者為香港科技大學(xué)張帆助理教授；香港大學(xué)、江西師范大學(xué)Becky P.Y. Loo教授以及麻省理工學(xué)院Carlo Ratti教授為論文合作作者。

圖1 方法框架：基于街景視覺特征(SVF)構(gòu)建模型，解釋健康、出行、犯罪、貧困等方面18個居民日常生活與社會經(jīng)濟指標(biāo)(Y)，并與基于興趣點(POI)數(shù)據(jù)的模型的解釋能力作對比。

圖2 街景視覺特征（SVF）與興趣點（POI）數(shù)據(jù)對社會經(jīng)濟狀況的解釋能力對比，研究結(jié)果顯示，僅僅基于構(gòu)成城市景觀的視覺特征（SVF），就能解釋人們出行行為的83%、貧困狀況62%、犯罪率的64%以及健康狀況的68%。這些結(jié)論在城市間呈現(xiàn)一致性規(guī)律。

圖3 基于視覺特征模型的解釋能力在大部分的實驗中超過了基于興趣點（POI）、人口和其他人口統(tǒng)計數(shù)據(jù)建立的經(jīng)典模型。不僅如此，從街景圖像中提取的城市視覺特征與經(jīng)典模型相結(jié)合，可以提高經(jīng)典模型解釋能力的5%-25%。

該工作提出“城市視覺智能”，旨在基于計算機視覺和街景圖像來量化城市物質(zhì)環(huán)境，并進一步揭示“可視的”物質(zhì)環(huán)境背后隱藏的“不可視的”城市社會經(jīng)濟狀況，揭示人與地之間的復(fù)雜關(guān)系，重訪經(jīng)典城市問題。隨著街景數(shù)據(jù)全球覆蓋和計算機視覺方法的廣泛應(yīng)用，城市視覺智能可以幫助更精細地理解和表達城市的方方面面，彌補數(shù)字鴻溝，助力可持續(xù)發(fā)展目標(biāo)的實現(xiàn)。

作者信息

第一作者介紹：

范莊媛，香港大學(xué)地理系在讀博士，麻省理工學(xué)院感知城市實驗室研究員。浙江大學(xué)建筑學(xué)學(xué)士，賓夕法尼亞大學(xué)景觀建筑碩士，麻省理工學(xué)院城市規(guī)劃碩士，美國注冊景觀建筑師。

通訊作者介紹：

張帆，香港科技大學(xué)土木與環(huán)境工程系助理教授，博士生導(dǎo)師。曾任麻省理工學(xué)院高級研究員，感知城市實驗室(MIT Senseable City Laboratory)視覺智能組負(fù)責(zé)人。擔(dān)任國際攝影測量協(xié)會會刊ISPRS Journal of Photogrammetry and Remote Sensing客座編輯，Transactions in Urban Data, Science, and Technology副主編。曾獲 Geospatial World 50 Rising Stars、WGDC全球前沿科技青年科學(xué)家稱號，入選2022年度全球前2%頂尖科學(xué)家榜單。

論文信息：

Fan, Z., Zhang, F., Loo, B. P.Y., & Ratti, C. (2023). Urban visual intelligence: Uncovering hidden city profiles with street view images. Proceedings of the National Academy of Sciences, 120(27), e2220417120. https://doi.org/10.1073/pnas.2220417120

論文鏈接：

https://www.pnas.org/doi/10.1073/pnas.2220417120

論文下載：

https://www.pnas.org/doi/epdf/10.1073/pnas.2220417120