LA专题 | 陈崇贤 李海薇 侯咏淇 刘京一 | 计算机视觉技术在景观与健康关系研究中的应用进展

全文刊登于《风景园林》2023年第1期 P30-37

陈崇贤，李海薇，侯咏淇，刘京一.计算机视觉技术在景观与健康关系研究中的应用进展[J].风景园林，2023，30（1）：30-37.

计算机视觉技术在景观与健康关系研究中的应用进展

陈崇贤

男 / 博士 / 华南农业大学林学与风景园林学院副教授 / 本刊特约编辑 / 研究方向为风景园林规划设计与理论

李海薇

女 / 华南农业大学林学与风景园林学院在读博士研究生 / 研究方向为风景园林规划设计与理论

侯咏淇

女 / 华南农业大学林学与风景园林学院在读硕士研究生 / 研究方向为风景园林规划设计与理论

刘京一

男 / 博士 / 华南农业大学林学与风景园林学院讲师、硕士生导师 / 研究方向为风景园林规划设计与理论

摘要：【目的】计算机视觉技术的发展为基于图像的景观自动化判别与分析提供了新的认知视角，非常有必要系统性认识计算机视觉技术在景观与健康关系研究中的应用。【方法】基于文献检索和筛选，系统梳理分析了中国知网数据库和Web of Science核心合集数据库中发表的20篇中文文献和90篇英文文献，并总结当前的研究趋势、主要应用方向及优劣势。【结果】结果显示：1）语义分割和图像分类在景观与健康关系领域研究中的应用最为广泛；2）生理健康威胁、体力活动、心理健康效益和环境感知评估是目前主要的研究应用方向；3）已有研究存在算法局限、计算精度不足、数据获取时间滞后及缺乏动态性等问题。【结论】计算机视觉技术的应用能促进快速、精准、大规模地进行景观与健康关系评价研究，但还需要在优化目标检测算法、融入设计和后评估过程、拓展景观与社会健康关系研究及构建时序数据集等方面进一步发展。

关键词：风景园林；计算机视觉；公共健康；深度学习；图像数据

景观对身心健康有直接或间接的影响，能促进人的体力活动以提高身体健康水平；也能对人的心理健康产生直接作用，包括减缓压力、提升积极情绪与促进注意力恢复等；还有助于减少空气污染、降低噪声水平与极端气温，从而减弱环境风险的健康威胁。因此，探究景观与健康之间的关系对建设健康宜居城市有重要意义。近年来，城市规划和风景园林领域涌现出大量基于图像的大规模城市环境测度的研究，也有从不同视角展开的综述研究。尽管如此，但对于它在景观与健康关系研究中的应用仍然缺乏整体认识。随着该研究领域的不断深入与拓展，非常有必要进一步对已有研究进行系统性梳理与总结。

综上，本研究通过系统梳理计算机视觉技术在景观与健康关系研究领域的应用现状及主要应用方向，分析它存在的缺陷和不足，提出未来研究展望，以期为计算机视觉技术在景观与健康关系研究中的应用提供参考。

1 计算机视觉的相关概念及类别

计算机视觉是指基于图像建立起对物体的整体认知理解，以让机器能像人一样对物体进行视觉信息解译的科学，目标是实现人类视觉系统的任务自动化。经过几十年的发展，它目前已成为一门融合了计算机科学、应用数学、统计学、认知科学等的综合性学科，是当前人工智能领域的研究热点之一。近年来，大数据和新技术的涌现推动着计算机视觉技术在不同领域广泛应用。目前，常用的计算机视觉技术任务有图像特征提取、图像分类、目标检测、语义分割、目标追踪、行为识别及图像生成七大类别（图1，表1）。总体而言，计算机视觉技术因为能够简化视觉工作流程、快速执行任务并提升结果的准确性而被广泛应用于各个领域，但同时也受到数据集和算法的限制，在复杂目标处理及稳定性等方面还存在不足。  

1 计算机视觉技术任务输出结果示例

表1  常用的计算机视觉技术任务类别

2 计算机视觉技术在景观与健康关系研究中的应用

2.1 在景观对心理影响研究中的应用

图像特征提取、图像分类、目标检测及语义分割等计算机视觉技术的出现，使得不同的景观视觉信息能够从海量多源图像中被自动化解读和获取，推动了景观对人心理影响的评估从传统的主观问卷形式向客观景观要素定量分析的转变，尤其是基于景观视觉的心理健康效益和环境感知研究在尺度规模、数据来源与指标构建等方面的发展（表2）。 

表2  计算机视觉技术在探究景观对心理维度健康影响的具体应用

2.1.1 心理健康效益评估

在心理健康效益评估方面，早期的研究多采用较为简单的计算机图像处理技术（如Photoshop软件），这尽管为基于图像数据的心理健康效益研究奠定了基础，但也存在耗时长且效率低下的局限。随着语义分割技术和SegNet、PSPNet等算法的出现，采用大规模街景图像、卫星地图及遥感图像等数据开展研究成为可能。例如一些学者基于语义分割技术获取城市或街区范围街景图像中的绿视率、视觉可步行性、自然集中度等指标，并探究对幸福指数、抑郁、焦虑、自杀率等的影响。也有学者从卫星地图或遥感图像数据中获取蓝绿空间占比、归一化植被指数等指标，从更大尺度探究景观与居民不同情绪之间的关系。相比传统实地调查，此类图像数据通常获取便利、可操作性高，便于开展大规模研究，但受到识别分析能力的限制，形成的景观要素指标类型通常较为固定，并且存在图像大数据与健康数据获取时间不一致、与真实环境及人的体验有差异等缺陷。

2.1.2 环境感知评估

人对环境的心理感知反映了人对环境的感受和看法，从而对心理健康产生间接影响。计算机视觉技术可以快速识别和获取图像中不同的景观要素，为进一步精准测度和量化影响感知的具体因素提供了便捷途径。已有大量学者基于街景照片和众包数据，利用语义分割与图像分类技术，模拟与预测城市景观对人们的风貌认知、审美感知及风险感知的影响，并进一步分析景观要素如绿视率、建筑、道路及色彩等与感知的关联。同时，由于该种方法的便捷、高效及客观等特点，有研究人员专门构建了用于评估城市环境包括安全、美丽、沮丧、活泼、富有和无聊等感知的Place Pulse数据集，该数据集和算法精度已经过大量研究的重复验证并被广泛借鉴应用。但是，由于目前能公开获取的主要是百度、腾讯及谷歌等街景图像，因此已有研究主要以城市街道为对象（图2），对其他类型如公园、居住区户外环境等关注较少。

2 腾讯街景地图中的城市街景图像

2.2 在景观对生理影响研究中的应用

许多研究证明景观对人体生理健康有直接或间接的影响，包括对人体产生直接的生理健康威胁和通过影响人们的体力活动对生理健康产生间接的影响。除了获取环境图像数据中对人生理产生影响的景观要素，计算机视觉技术还能够基于行为识别和目标检测等方法判断图像中人的活动强度、活动类型及活动特征等，拓展了研究方法和思路（表3）。  

表3  计算机视觉技术在探究景观对生理维度健康影响的具体应用

2.2.1 生理健康威胁

计算机视觉技术可以基于宏观与微观的图像数据，提取景观视觉要素信息如绿视率、天空可视率、围合度、建筑、道路面积占比等，从而有助于探究这些要素与慢性非传染性疾病（如肥胖、癌症、糖尿病等）、传染性疾病（如COVID-19等）、空气污染、噪声、热舒适性及身体伤害（如物质滥用、交通事故）、生理功能强弱等之间的联系。近年，随着数据来源的多元化发展，不少学者开始借助互联网或便携式相机（图3）等获取图像以展开研究。但是，已有研究中的景观视觉要素信息仍存在难以全面表征不同时空下环境特征的缺陷。

3 使用便携式相机在公园和居住区户外环境等中收集图像

2.2.2 体力活动

定期进行户外体力活动有助于降低各种慢性生理疾病的风险，从而提升生理健康水平。然而，如何量化评估环境中景观要素对体力活动的影响是研究的关键。目前，大多数研究主要基于计算机视觉技术提取图像数据中的景观视觉要素指标，探究它与体力活动的关系。也有学者通过提取图像数据中围合度、视觉拥挤度、视觉可步行性等指标，探究与步行和骑行概率、时长及速率等之间的关系。但上述已有研究的客观环境数据都是静态的，评价体力活动的数据偏向主观，仅描述了某一时刻的环境特征及它与体力活动的关联，与真实的环境和人的活动情况存在一定差异。因此，随着行为识别和目标检测技术的应用，一些学者也开始关注景观与客观体力活动相关指标（包括活动强度、活动类型及活动时长等）的关系。

2.3 在景观对社交活动影响研究中的应用

探究社交活动与景观特征的关系有助于促进高质量公共空间的营造。反映社交活动的数据，如活动轨迹和行为，往往具有动态变化的特征。近年来，目标追踪、行为识别和目标检测等技术的发展以及图像和视频大数据方法的引入，弥补了过去研究主要采用人工定点记录耗时、费力的缺陷，实现了这一过程的自动化（表4）。

表4 计算机视觉技术在探究景观对社交维度健康影响的具体应用

2.3.1 人群行为

在人群行为与环境的关系方面，已有研究主要通过相机、摄像机、传感器及网络数据等采集景观空间中的人群行为轨迹、空间分布、人流量及街道活力等数据，并进一步结合计算机视觉技术分析人群行为的时空规律及其影响因素。除了探讨环境因素对人群行为的影响之外，还有学者更进一步借助不同计算机视觉算法探究在微观尺度的街道环境、宏观尺度的城市环境中影响人群行为活动的景观特征（如空间形状、边界及色彩等），并预测人群的空间分布规律。以上研究中的视觉数据主要利用相机、摄像机等对场地进行定点收集获取，弥补了街景图像、遥感图像等静态、时间滞后性的缺陷，但数据获取的时间、设备及人力成本相对更高。

2.3.2 其他社交因素

人群行为是社交的客观反映，也有研究从社交的主观反映视角探讨如社会凝聚力、社区组织活力及社交网络等其他社交因素与景观的关系。相关研究主要借助了语义分割技术对街景图像的环境要素进行提取，结合相关社交因素的问卷调查，以探讨环境要素与社交因素的关系。总体而言，目前在探究其他社交因素方面采用的计算机视觉技术及图像数据来源均较为单一。  

3 结语

本研究系统梳理了计算机视觉技术在景观与健康关系研究中的应用。基于综合分析，已有研究主要具有三大特点：1）在应用技术方面，语义分割和图像分类技术已较为成熟且便于操作，在景观与健康关系研究中的应用最为广泛。2）在应用领域方面，已有研究主要基于计算机视觉技术探究景观视觉要素与人的生理、心理及社交活动等方面的关系。3）在算法及数据方面，尽管已有大部分研究都具有数据获取快速便利、可操作性高、成本低等优点，但在算法精准度和时序数据构建方面仍存在缺陷。

综上，本研究从3个方面提出未来的研究方向：1）在技术上，为探究真实环境中人和环境之间的复杂关系捕捉更多实时动态信息，有必要优化和应用动态目标追踪及目标检测等算法，弥补现有研究以分析静态数据为主的缺陷。2）在研究内容上，促进社会科学与计算机视觉的交叉融合，拓展景观与社会健康关系的研究。3）在数据集方面，需要加强构建能够全面表征特定景观时空特征的数据。

图片来源：

图2来自腾讯街景地图（获取时间为2020年6月15日），其余图表均由作者绘制。

为了微信阅读体验，文中参考文献标注进行了删减，详见杂志。

参考文献

[1] WEICHENTHAL S, HATZOPOULOU M, BRAUER M. A Picture Tells a Thousand Exposures: Opportunities and Challenges of Deep Learning Image Analyses in Exposure Science and Environmental Epidemiology[J]. Environment International, 2019, 122: 3-10.

[2] RZOTKIEWICZ A, PEARSON A L, DOUGHERTY B V, et al. Systematic Review of the Use of Google Street View in Health Research: Major Themes, Strengths, Weaknesses and Possibilities for Future Research[J]. Health and Place, 2018, 52: 240-246.

[3] KANG Y H, ZHANG F, GAO S, et al. A Review of Urban Physical Environment Sensing Using Street View Imagery in Public Health Studies[J]. Annals of GIS, 2020, 26(3): 261-275.

[4] IBRAHIM M R, HAWORTH J, CHENG T. Understanding Cities with Machine Eyes: A Review of Deep Computer Vision in Urban Analytics[J]. Cities, 2020, 96: 102481.

[5] 刘伦，王辉.城市研究中的计算机视觉应用进展与展望[J].城市规划，2019，43（1）：117-124.

LIU L, WANG H. Application of Computer Vision in Urban Studies: Review and Prospect[J]. City Planning Review, 2019, 43(1): 117-124.

[6] 翟俊海，赵文秀，王熙照.图像特征提取研究[J].河北大学学报（自然科学版），2009，29（1）：106-112.

ZHAI J H, ZHAO W X, WANG X Z. Research on the Image Feature Extraction[J]. Journal of Hebei University (Natural Science Edition), 2009, 29(1): 106-112.

[7] 黄凯奇，任伟强，谭铁牛.图像物体分类与检测算法综述[J].计算机学报，2014，37（6）：1225-1240.

HUANG K Q, REN W Q, TAN T N. A Review on lmage Object Classification and Detection[J]. Chinese Journal of Computers, 2014, 37(6): 1225-1240.

[8] 张慧，王坤峰，王飞跃.深度学习在目标视觉检测中的应用进展与展望[J].自动化学报，2017，43（8）：1289-1305.

ZHANG H, WANG K F, WANG F Y. Application and Prospect of Deep Learning in Visual Object Detection[J]. Acta Automatica Sinica, 2017, 43(8): 1289-1305.

[9] 姜枫，顾庆，郝慧珍，等.基于内容的图像分割方法综述[J].软件学报，2017，28（1）：160-183.

JIANG F, GU Q, HE H Z, et al. Survey on Content-Based Image Segmentation Methods[J]. Journal of Software, 2017, 28(1): 160-183.

[10] 胡一可，李晶.基于旅游者和日常访问者人群行为的城市型景区“共处”空间研究[J].中国园林，2019，35（6）：61-66.

HU Y K, LI J. Research on the “Coexistence” Space of Urban Scenic Spots Based on the Behavior of Tourists and Daily Visitors[J]. Chinese Landscape Architecture, 2019, 35(6): 61-66.

[11] CARLSON J A, LIU B O, SALLIS J F, et al. Automated High-Frequency Observations of Physical Activity Using Computer Vision[J]. Medicine and Science in Sports and Exercise, 2020, 52(9): 2029-2036.

[12] YU D. Reprogramming Urban Block by Machine Creativity: How to Use Neural Networks as Generative Tools to Design Space[C]. Berlin: eCAADe, 2020.

[13] YE X Y, DU J X, YE Y. MasterplanGAN: Facilitating the Smart Rendering of Urban Master Plans via Generative Adversarial Networks[J]. Environment and Planning B: Urban Analytics and City Science, 2021, 49(3): 689263772.

[14] 张丽英，裴韬，陈宜金，等. 基于街景图像的城市环境评价研究综述[J].地球信息科学学报，2019，21（1）：46-58.

ZHANG L Y, PEI T, CHEN Y J, et al. A Review of Urban Environmental Assessment Based on Street View Images[J]. Journal of Geo-information Science, 2019, 21(1): 46-58.

[15] BIBAULT J, BASSENNE M, REN H, et al. Deep Learning Prediction of Cancer Prevalence from Satellite Imagery[J]. Cancers, 2020, 12(12): 3844.

[16] ORDONEZ V, BERG T L. Learning High-Level Judgments of Urban Perception[C]//FLEET D, PAJDLA T, SCHIELE B, et al. Computer Vision: ECCV 2014. Switzerland: Springer, Cham, 2014: 494-510.

[17] WANG R Y, YUAN Y, LIU Y, et al. Using Street View Data and Machine Learning to Assess How Perception of Neighborhood Safety Influences Urban Residents’ Mental Health[J]. Health and Place, 2019, 59: 102186.

[18] THOMPSON J, STEVENSON M, WIJNANDS J S, et al. A Global Analysis of Urban Design Types and Road Transport Injury: An Image Processing Study[J]. Lancet Planet Health, 2020, 4(1): e32-e42.

[19] CLARK S N, ALLI A S, BRAUER M, et al. High-Resolution Spatiotemporal Measurement of Air and Environmental Noise Pollution in Sub-Saharan African Cities: Pathways to Equitable Health Cities Study Protocol for Accra, Ghana[J]. BMJ Open, 2020, 10(8): e35798.

[20] VERMA D, JANA A, RAMAMRITHAM K. Predicting Human Perception of the Urban Environment in a Spatiotemporal Urban Setting Using Locally Acquired Street View Images and Audio Clips[J]. Building and Environment, 2020, 186: 107340.

[21] ZHANG F, ZHOU B L, LIU L, et al. Measuring Human Perceptions of a Large-Scale Urban Region Using Machine Learning[J]. Landscape and Urban Planning, 2018, 180: 148-160.

[22] ROSSETTI T, LOBEL H, ROCCO V, et al. Explaining Subjective Perceptions of Public Spaces as a Function of the Built Environment: A Massive Data Approach[J]. Landscape and Urban Planning, 2019, 181: 169-178.

[23] JAVANMARDI M, HUANG D, DWIVEDI P, et al. Analyzing Associations Between Chronic Disease Prevalence and Neighborhood Quality Through Google Street View Images[J]. IEEE Access, 2020, 8: 6407-6416.

[24] BOLME D S, BEVERIDGE J R, DRAPER B A, et al. Visual Object Tracking Using Adaptive Correlation Filters[C]//IEEE. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2010: 2544-2550.

[25] VOIGTLAENDER P, LUITEN J, TORR P H, et al. Siam R-CNN: Visual Tracking by Re-detection[C]//IEEE. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New York: IEEE, 2020: 6577-6587.

[26] PANDEY A, WANG D. TCNN: Temporal Convolutional Neural Network for Real-Time Speech Enhancement in the Time Domain[C]//IEEE. ICASSP 2019: 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). New York: IEEE, 2019: 6875-6879.

[27] CARLSON J, LIU B, SALLIS J, et al. Automated Ecological Assessment of Physical Activity: Advancing Direct Observation[J]. International Journal of Environmental Research and Public Health, 2017, 14(12): 1487.

[28] 曾明如，熊嘉豪，祝琴.基于T-Fusion的TFP3D人体行为识别算法[J/OL].计算机集成制造系统，2022：1-13[2022-12-04].http://kns.cnki.net/kcms/detail/11.5946.TP.20221027.1649.006.html.

ZENG M R, XIONG J H, ZHU Q. TFP3D Human Behavior Recognition Algorithm Based on T-Fusion[J/OL]. Computer Integrated Manufacturing Systems, 2022: 1-13[2022-12-04]. http://kns.cnki.net/kcms/detail/11.5946.TP.20221027.1649.006.html.

[29] 位俊超，陈春雨.基于SAT-GCN的花样滑冰选手动作检测算法研究[J/OL].应用科技，2022：1-7[2022-12-05].http://kns.cnki.net/kcms/detail/23.1191.U.20221101.1729.004.html.

WEI J C, CHEN C Y. Research on Motion Detection Algorithm of Figure Skaters Based on Spatio-Temporal Graph Convolution Method[J/OL]. Applied Science and Technology, 2022: 1-7[2022-12-05]. http://kns.cnki.net/kcms/detail/23.1191.U.20221101.1729.004.html.

[30] 徐一峰.生成对抗网络理论模型和应用综述[J].金华职业技术学院学报，2017，17（3）：81-88.

XU Y F. A Review of Generative Adversarial Network Theoretical Models and Applications[J]. Journal of Jinhua Polytechnic, 2017, 17(3): 81-88.

[31] GE Y H, XU J S, ZHAO B N, et al. DALL-E for Detection: Language-Driven Context Image Synthesis for Object Detection[EB/OL]. (2022-06-20)[2022-07-12]. https://arxiv.org/abs/2206.09592.

[32] KAPLAN S. The Restorative Benefits of Nature: Toward an Integrative Framework[J]. Journal of Environmental Psychology, 1995, 15(3): 169-182.

[33] NORDH H, HARTIG T, HAGERHALL C M, et al. Components of Small Urban Parks that Predict the Possibility for Restoration[J]. Urban Forestry and Urban Greening, 2009, 8(4): 225-235.

[34] LI D Y, DEAL B, ZHOU X L, et al. Moving Beyond the Neighborhood: Daily Exposure to Nature and Adolescents’ Mood[J]. Landscape and Urban Planning, 2018, 173: 33-43.

[35] HELBICH M. Dynamic Urban Environmental Exposures on Depression and Suicide (NEEDS) in the Netherlands: A Protocol for a Cross-Sectional Smartphone Tracking Study and a Longitudinal Population Register Study[J]. BMJ Open, 2019, 9(8): e30075.

[36] HELBICH M, POPPE R, OBERSKI D, et al. Can’t See the Wood for the Trees? An Assessment of Street View and Satellite-Derived Greenness Measures in Relation to Mental Health[J]. Landscape and Urban Planning, 2021, 214: 104181.

[37] SALESSES P, SCHECHTNER K, HIDALGO C A. The Collaborative Image of The City: Mapping the Inequality of Urban Perception[J]. PLoS One, 2013, 8(7): e684007.

[38] DUBEY A, NAIK N, PARIKH D, et al. Deep Learning the City: Quantifying Urban Perception at a Global Scale[C]//LEIBE B, MATAS J, SEBE N, et al. Computer Vision: ECCV 2016. Switzerland: Springer, Cham, 2016.

[39] TANG J, LONG Y. Measuring Visual Quality of Street Space and Its Temporal Variation: Methodology and Its Application in the Hutong Area in Beijing[J]. Landscape and Urban Planning, 2019, 191: 103436.

[40] KWON J, CHO G. An Examination of the Intersection Environment Associated With Perceived Crash Risk Among School-Aged Children: Using Street-Level Imagery and Computer Vision[J]. Accident Analysis & Prevention, 2020, 146: 105716.

[41] MA X Y, MA C Y, WU C, et al. Measuring Human Perceptions of Streetscapes to Better Inform Urban Renewal: A Perspective of Scene Semantic Parsing[J]. Cities, 2021, 110:103086.

[42] LIU Y Q, WANG R Y, LU Y, et al. Natural Outdoor Environment, Neighbourhood Social Cohesion and Mental Health: Using Multilevel Structural Equation Modelling, Streetscape and Remote-Sensing Metrics[J]. Urban Forestry and Urban Greening, 2020, 48: 126576.

[43] HELBICH M, YAO Y, LIU Y, et al. Using Deep Learning to Examine Street View Green and Blue Spaces and Their Associations with Geriatric Depression in Beijing, China[J]. Environment International, 2019, 126: 107-117.

[44] WEI H, HAUER R J, ZHAI X. The Relationship Between the Facial Expression of People in University Campus and Host-City Variables[J]. Applied Sciences, 2020, 10(4): 1474.

[45] PARSONS R. The Potential Influences of Environmental Perception on Human Health[J]. Journal of Environmental Psychology, 1991, 11(1): 1-23.

[46] ZHANG F, ZU J Y, HU M Y, et al. Uncovering Inconspicuous Places Using Social Media Check-Ins and Street View Images[J]. Computers, Environment and Urban Systems, 2020, 81: 101478.

[47] MITCHELL R, POPHAM F. Effect of Exposure to Natural Environment on Health Inequalities: An Observational Population Study[J]. Lancet, 2008, 372(9650): 1655-1660.

[48] ULRICH R S. View Through a Window May Influence Recovery From Surgery[J]. Science, 1984, 224(4647): 420-421.

[49] MAHARANA A, NSOESIE E O. Use of Deep Learning to Examine the Association of the Built Environment with Prevalence of Neighborhood Adult Obesity[J]. JAMA Network Open, 2018, 1(4): e181535.

[50] ZHENG T S, BERGIN M H, HU S J, et al. Estimating Ground-Level PM2.5 Using Micro-Satellite Images by a Convolutional Neural Network and Random Forest Approach[J]. Atmospheric Environment, 2020, 230: 117451.

[51] WANG R, YANG B, YAO Y, et al. Residential Greenness, Air Pollution and Psychological Well-Being Among Urban Residents in Guangzhou, China[J]. Science of the Total Environment, 2020, 711: 134843.

[52] ZHANG Y, CHEN N C, DU W Y, et al. Multi-Source Sensor Based Urban Habitat and Resident Health Sensing: A Case Study of Wuhan, China[J]. Building and Environment, 2021, 198: 107883.

[53] SUN Q C, MACLEOD T, BOTH A, et al. A Human-Centred Assessment Framework to Prioritise Heat Mitigation Efforts for Active Travel at City Scale[J]. Science of the Total Environment, 2021, 763: 143033.

[54] RACHELE J N, WANG J, WIJNANDS J S, et al. Using Machine Learning to Examine Associations Between the Built Environment and Physical Function: A Feasibility Study[J]. Health and Place, 2021, 70: 102601.

[55] MENNIS J, LI X, MEENAR M, et al. Residential Greenspace and Urban Adolescent Substance Use: Exploring Interactive Effects with Peer Network Health, Sex, and Executive Function[J]. International Journal of Environmental Research and Public Health, 2021, 18(4): 1611.

[56] WANG R Y, HELBICH M, YAO Y, et al. Urban Greenery and Mental Wellbeing in Adults: Cross-Sectional Mediation Analyses on Multiple Pathways Across Different Greenery Measures[J]. Environmental Research, 2019, 176: 108535.

[57] LU Y, SARKAR C, XIAO Y. The Effect of Street-Level Greenery on Walking Behavior: Evidence from Hong Kong[J]. Social Science & Medicine, 2018, 208: 41-49.

[58] LI X, SANTI P, COURTNEY T K, et al. Investigating the Association Between Streetscapes and Human Walking Activities Using Google Street View and Human Trajectory Data[J]. Transactions in GIS, 2018, 22 (4): 1029-1044.

[59] LU Y, YANG Y Y, SUN G B, et al. Associations Between Overhead-View and Eye-Level Urban Greenness and Cycling Behaviors[J]. Cities, 2019, 88: 10-18.

[60] LU Y. Using Google Street View to Investigate the Association between Street Greenery and Physical Activity[J]. Landscape and Urban Planning, 2019, 191: 103435.

[61] WANG R Y, LIU Y, LU Y, et al. The Linkage Between the Perception of Neighbourhood and Physical Activity in Guangzhou, China: Using Street View Imagery with Deep Learning Techniques[J]. International Journal of Health Geographics, 2019, 18(1): 1-11.

[62] CHEN L, LU Y, SHENG Q, et al. Estimating Pedestrian Volume Using Street View Images: A Large-Scale Validation Test[J]. Computers, Environment and Urban Systems, 2020, 81: 101481.

[63] XING X Y, HUANG Z, CHENG X M, et al. Mapping Human Activity Volumes Through Remote Sensing Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 5652-5668.

[64] LI M Y, LIU J X, LIN Y F, et al. Revitalizing Historic Districts: Identifying Built Environment Predictors for Street Vibrancy Based on Urban Sensor Data[J]. Cities, 2021, 117: 103305.

[65] WANG M S, VERMEULEN F. Life Between Buildings from a Street View Image: What Do Big Data Analytics Reveal About Neighbourhood Organisational Vitality?[J]. Urban Studies, 2021, 58(15): 3118-3139.

版面预览

相关阅读：

完整深度阅读请参看《风景园林》2023年1期

扫描下方二维码或点击阅读原文进入店铺购买

文章编辑 刘玉霞 李卫芳

微信编辑 刘芝若

微信校对 王一兰

审核 曹娟

声明

本文版权归本文作者所有

未经允许禁止转载

如需转载请与后台联系

欢迎转发