基于街景数据与深度学习的城市绿化与居民健康研究

点击上图了解详情

引用：Wang, R., Helbich, M., Yao, Y., Zhang, J., Liu, P., Yuan, Y., & Liu, Y. (2019). Urban greenery and mental wellbeing in adults: Cross-sectional mediation analyses on multiple pathways across different greenery measures. Environmental Research. 176: 108535.

整理：王若宇 贾明晖

研究背景

城市社区绿化能否提高居民的心理健康水平？当中的作用机制又是如何？大部分基于观察数据或者实验数据的研究都指向了一个结论：绿化暴露有益于心理健康（Markevych et al., 2017）。也有研究从下述几个方面揭示了绿化暴露影响心理健康的路径：缓解精神压力和精神疲劳；鼓励人们开展体力活动；减少环境压力因素（如防尘降噪）；促进邻里互动和增强社区凝聚力（Markevych et al., 2017）。

然而，由于绿化暴露测度方法的不同，既有研究往往存在着不一致的结论（Helbich et al., 2019）。例如，大部分研究人员基于遥感影像数据或者国土调查数据，采用自上而下的鸟瞰视角，测度一个地区植被覆盖程度的高低。然而，基于这种测度方法得出的绿化程度与居民的实际感受不太一致（Ye et al., 2018）。

近年来，越来越多研究人员基于谷歌和腾讯等公司的街景数据，采用人眼视角，测度一个地区街道绿化程度的高低（Ye et al., 2018）。在北京开展的研究表明，相比于基于遥感数据的绿化程度，基于街景数据的绿化程度与居民心理健康水平的关联性更强（Helbich et al., 2019）。然而，鲜有研究从“生理-心理-社会”多维度的视角，结合街景数据和机器学习技术，揭示绿化暴露水平影响居民心理健康的机制和路径。

本研究的目标如下：首先，基于遥感数据和腾讯街景数据，运用深度学习的方法，分别测算城市社区居民的绿化暴露水平；其次，运用多层级线性回归分析，估计城市社区的绿化暴露水平与居民心理健康之间的关联水平；然后，运用中介效应分析技术，检验是否存在绿化暴露影响居民心理健康的多种路径；最后，比较基于遥感数据和基于街景数据所得到的分析结果，并探讨分析结果存在异同背后的原因。

研究区域和数据来源

个体数据：本研究选择位于珠江三角洲的广州市（图1）。我们采用多阶段分层PPS抽样方法，在全市随机抽取35个社区，并采用等距抽样方法，在每个社区中随机抽取30个受访家庭。最后采用KISH表法，在每个受访家庭抽取一名受访者。受访者条件限定为年龄在20-76岁之间，且在广州连续居住至少为12个月。最终抽取受访者1050人，有效样本为1029人，有效率为98%。

图1 研究区域

心理健康水平：采用世界卫生组织精神健康状态表(WHO-5)测度受访者的心理健康水平。WHO-5包含了五个条目，该变量是取值为0-25的连续值。

中介变量：体力活动的测度方式为每周体力活动的时间（分钟）；感知压力通过询问受访者的压力状态获得（1-5分）；空气污染和噪音水平通过询问受访者对社区相应的环境质量的满意度获得（1-5分）；社区凝聚力水平通过一系列社区凝聚力指标（邻里互访、邻里互动、邻里互助、邻里互信和信息交换）的平均分测度（1-5分）。

协变量：回归模型所控制协变量包括：性别、年龄、受教育程度、婚姻状况、户口、家庭财富、家庭规模、在本社区居住的时长、行动能力、医疗保险状况、有无吸烟和有无饮酒。

街景数据：基于2016年的OpenStreetMap数据，在沿道路网每隔100米的位置采样，每个采样点收集四个基本方向(0°、90°、180°、270°)的街景图像（图2）。最终我们选取31,414个采样点和125,656张尺寸为480x320像素的街景图像。

图2 采样点街景图像获取示例

遥感数据：从USGS Earth Explorer获取2016年6-8月无云的Landsat 8影像，计算归一化植被指数（NDVI），空间分辨率为30米。

研究方法

采用斯皮尔曼（Spearman）相关系数来衡量街景绿化和NDVI之间的关联。为了检验绿化暴露是否通过多条“生理-心理-社会”路径(体力活动、压力、空气污染和噪音以及社区凝聚力)影响居民的心理健康水平，我们进行了分步中介效应分析。

该研究主要分为以下几步：

(1)采用Python构建全卷积神经网络（FCN-8s），结合MIT发布的场景解析数据集（ADE20K），进行图像分割(Yao et al., 2019)，最终识别街景图片中的植被像素（图3）。计算每张图片中植被像素的占比，并计算每个社区当中所有街景图片植被像素占比的平均值，从而算出社区的绿化指数（图4）。

图3 采用全卷积神经网络（FCN-8s）对街景图像进行分割

图4 广州市街景绿化可视化

(2)基于遥感影像，以一公里半径的圆形缓冲区为分析单元，计算归一化植被指数（NDVI）（图5）。计算公式为NDVI = (NIR-RED)/(NIR+RED)。其中，NIR为近红外波段的反射值，RED为红光波段的反射值。

图5 广州市NDVI指数可视化

(3)运用多层级线性回归模型，计算社区的绿化暴露与居民心理健康水平的关联程度。通过赤池信息量准则(Akaike information criterion)评估模型拟合优良性，AIC值越小拟合度越优。

(4)运用中介效应分析技术，基于两种绿化暴露的测度方法（人眼视角的街景绿化指数和鸟瞰视角的NDVI），检验绿化暴露对居民心理健康水平的多种路径（图6）。对绿化暴露的心理健康效应进行分解，分别计算直接效应和间接效应。

图6 绿化暴露影响居民心理健康水平的“生理-心理-社会”机制

研究结果

我们发现人眼视角的街景绿化指数和鸟瞰视角的植被指数（NDVI）存在正相关关系，但未达到统计学显著性。两类绿化指数均与心理健康水平呈正相关关系，但拥有植被指数（NDVI）的模型比拥有街景绿化指数的模型模型拟合优度更高。中介变量与绿化指数的相关性随绿化暴露测度方式的不同而有所不同（图7）：体力活动和社区凝聚力均与两类绿化指数呈正相关关系，而感知压力和环境污染仅和街景绿化指数呈显著关联。

图7 社区绿化暴露对四种中介变量的多层级线性回归分析结果

（该表仅展示关键变量的回归系数，模型已控制各种协变量）

中介效应分析结果表明，人眼视角的街景绿化可以通过鼓励体力活动、缓解精神压力、防尘降噪以及增强社区凝聚力四条途径提升居民的心理健康水平，鸟瞰视角的植被指数仅通过鼓励体力活动和增强社区凝聚力两条途径提升居民的心理健康水平。

图8 社区绿化暴露影响居民心理健康的机制：中介效应分析的结果

（该表仅展示关键变量的回归系数，模型已控制各种协变量）

结论

研究结果表明，采用不同的绿化暴露测度方式，社区绿化程度与居民心理健康水平的关联性会有所不同。人眼视角的街景绿化在缓解精神压力和防尘降噪两方面的效果更显著，这可能是因为：

欣赏绿色植物有助于缓解精神压力，而街景绿化能够更真实地反映人们在日常生活中（例如上下班通勤和户外散步）所接触到的绿化。相对而言，鸟瞰视角的植被指数未必能够真实反映居民在日常生活中的绿化体验。

道路交通污染是当今我国大城市主要的大气污染来源和噪音污染来源，行道树能够有效地控制道路交通污染。行道树的数目和密度与街景绿化程度密切相关，但未必能够被植被指数（如NDVI）所准确测度。

尽管本研究还存在一定程度的改进和不足，但街景数据与深度学习技术相结合，为大规模自动化的城市绿化评估提供了十分有效的工具。同时街景绿地的影响路径显然要比遥感测度的绿地更为丰富，这也体现了城市中街道尺度绿化的重要性。在城市绿地规划设计的时候，应该更多的关注街道人本尺度的微观绿化环境，在中心城区加大街头绿地、道路绿地和口袋公园的建设，鼓励在大型公共建筑开展立体绿化，增加居民在日常生活中的绿化暴露量，而不仅仅单纯提高城市的绿化覆盖率。

资助

课题资助项目号: 国家自然科学基金 (项目号：41871140，41801306， 51678577)，广东省创新研发团队引进项目 （项目号：2017ZT07X355），European Research Council (ERC) under the European Union's Horizon 2020 research and innovation program （项目号：714993）

关于作者

王若宇，中山大学地理科学与规划学院，研究助理（共同第一作者）

Marco Helbich，荷兰乌特勒支大学人文地理与空间规划系，副教授（共同第一作者）

姚尧，中国地质大学（武汉）地理与信息工程学院，副教授

张金宝，中山大学地理科学与规划学院，博士研究生

刘鹏华，中山大学地理科学与规划学院，硕士研究生

袁媛，中山大学地理科学与规划学院，教授（共同通讯作者）

刘晔，中山大学地理科学与规划学院，教授（共同通讯作者）

相关参考文献

Markevych, I., Schoierer, J., Hartig, T., Chudnovsky, A., Hystad, P., Dzhambov, A. M., ..., Nieuwenhuijsen, M. J. (2017). Exploring pathways linking greenspace to health: Theoretical and methodological guidance. Environmental Research, 158, 301-317.

Helbich, M., Yao, Y., Liu, Y., Zhang, J., Liu, P., & Wang, R. (2019). Using deep learning to examine street view green and blue spaces and their associations with geriatric depression in Beijing, China. Environment International, 126, 107-117.

Ye, Y., Richards, D. R., Lu, Y., Song, X., Zhuang, Y., Zeng, W., & Zhong, T. (2018). Measuring daily accessed street greenery: A human-scale approach for informing better urban planning practices. Landscape and Urban Planning.

Yao, Y., Liang, Z., ..., & Guan, Q. (2019). A human-machine adversarial scoring framework for urban perception assessment using street-view images. International Journal of Geographical Information Science. DOI: 10.1080/13658816.2019.1643024.

END.

| 往期精选 |

| 其他合作 |