基于街景图像的南京市市区美景度评估及驱动机制时空演变

摘要

【目的】科学智能地评估南京市市区街道美景度(SB)及其驱动机制，为未来街道设计与管理提供理论参考。【方法】首先，爬取2014—2022年街景图像，通过DeepLabV3+模型提取物质性视觉要素；其次，基于ResNet50模型训练并预测不同区域的SB,分析其时空演变趋势；最后，构建绿视率(GVI)、天空开阔度(SOI)、界面围合度(IEI)与机动车丰富度(MVRI)4类驱动因素，并基于XGBoost-SHAP与地理加权随机森林(GWRF)模型分别探究全局性与局部性层面SB的驱动机制特征。【结果】1)极低及较低等级SB区域的面积呈下降趋势，其余等级整体上升；2)2014—2022年GVI对SB贡献度最高，但2016与2022年分别由IEI、SOI主导，MVRI整体贡献最低；3)GVI对SB呈正向驱动作用、SOI和IEI呈正负交织但整体负向、MVRI呈正负交织；4)2014、2015、2019与2021年中GVI作为核心驱动因素的影响范围最大，其余因素在特定年份影响范围最大。【结论】南京市市区SB呈积极改善趋势；GVI是SB的关键驱动因素；SB驱动机制在不同时间与空间上存在复杂差异；XGBoost-SHAP与GWRF模型的结合能有效提升SB驱动机制在全局性与局部性层面的解释深度。

关键词

美景度 / 街景图像 / DeepLabV3+ / XGBoost-SHAP / 地理加权随机森林