针对以上3个问题,本文以厦门市中山路片区及火车站片区为例,对街道空间品质测度的应用过程进行完善。厦门市是东南沿海重要的中心城市、港口,也是著名的风景旅游城市,注重城市公共空间的塑造与品质提升。其中,中山路片区是厦门市最具代表性的旧城街区,其街道体现着老厦门的城市特色和品位。火车站片区紧邻厦门岛重要的交通枢纽——厦门站,用地性质以居住为主,其街道空间的品质影响着居民公共活动的质量,对两者的街道空间品质进行研究具有一定实践意义。
中山路片区与鼓浪屿隔海相望,由厦禾路、公园东路、镇海路和鹭江道围合而成,面积约为1.91km2,片区包含中山路历史风貌街区,以路名为计算标准,扣除小街巷,中山路片区约有50条街道,拥有小尺度的单行道,也有大尺度滨海鹭江道,性质较为复杂;火车站片区以居住和商业为主,占地面积约为1.75km2,共有21条街道(图3)。
有学者于2015年利用谷歌街景图像对曼哈顿东村绿化水平进行测度研究,此案例对优化街道空间品质测度方法具有一定的借鉴意义。其选取样本点的标准为每100m至少有一个样本点,且任意两点之间的距离不小于30m。进一步探究,发现其指标的设定与所选地块的街区尺度相关,其地块平均大小约为75m×230m,而根据《厦门市优化道路交通规划指引》([2014] 市政 003 号 ) 文件规定,“为便于地块出入口设置及地下空间开发利用,市政道路围合的最小地块长边不宜小于100m,最小不得小于80m;最大地块长边不宜大于300m,最大不得大于 400m”,并且通过对中山路及火车站片区街景路网的梳理,发现两个片区均存在两种路网密度,路网密集区的地块尺寸约为150m×250m,路网稀疏区的地块尺寸约为350m×400m。因此,对案例片区的样本点选择标准进行分区制定:路网密集区每200m 选取一个样本点,且两点之间的距离不小于60m;路网稀疏区每300m选取一个样点,并且两个样本点之间的距离不小于90m。此取样标准有利于较为全面地展示各街道的空间品质情况,且有效减少不必要的人力物力浪费。利用ArcGis软件对以上要求进行操作,随机生成样本点,得出以下选择结果(表1):中山路片区的样本点个数为85个,火车站片区共选出样本点76个,具体位置如图4所示。
因为我国街区尺寸普遍介于50~600m,部分新区街区大小能够达到七百多米,所以将此样本点选取规则进行应用扩展,将50~750m的街区尺度划分为5段,分别进行取样标准规定。尺寸在50~150m 的街区,每100m 取一个样本点且两点之间不小于30m;尺寸在150~300m的街区,每200m取一个样本点且两点之间不小于60m,以此类推,具体情况如表2所示。
研究利用街景地图开放数据获取所需的街道图像,街景地图工作原理为通过多部不同角度的相机进行拍摄,最终合成一张球形照片,水平方向为180°环形视角,由于底部车辆的阻挡,垂直视角约为俯角45°到仰角90°。在现有街道空间品质测度方法中,仅选取正东、正西、正南及正北4个方位的正视图像作为每一个样本点的图像数据。为了能够更为准确地模拟街道使用者尤其是行人的视野,研究在每个方位加入俯角45°及仰角45°垂直方向的图像(图5,图6),因此最后用于研究的街景图像为每个点位截取12张,各指标的计算公式则分别为:
通过对比案例片区选取的4张图像与截取的12张街景图像数据,发现差异较为明显(表3,图7),可见增加垂直视角对数据修正意义较大。在绿视率方面,4张街景图像的数据较12张街景图像的数据结果小,其原因为街道两旁行道树的高度会影响绿视率的数值结果,若行道树较高,则普遍加入仰角与俯角视角的数据结果会较大;反之,由于存在较多天空、地面要素,使得4张街景图像的绿视率结果较大。
街道开敞度的数值差异受街道侧界面高度的影响,中山路片区显示的两者差值较为明显且多为负值,火车站片区的不同则较小,其原因为:中山路片区较多低层建筑,因此当行人视角向上移动时,视线内会出现较多的天空要素,从而使得街道开敞度数值提升;而火车站片区的建筑高度普遍较高,因此视角的增加对其数值的影响较小。
在中山路片区与火车站片区,街景图像视角的增加对界面围合度的影响较小。在机动化程度方面则因俯角图像内街道底界面要素的增加而导致12张街景图像的数值较4张街景图像的数值大。另外,行人出现率、自行车出现率及汽车出现率的差异比也较大。
总体来说,加入仰角、俯角街景图像的研究数据能更加客观地反映行人视线范围内的情况,从而更为准确地量化街道空间品质的评价结果。
在图像采集过程中,本文基于Python算法,利用百度地图开放平台提供的API,通过对参数进行定义,从而自动获取网络街景图像。其示例为:http://api.map.baidu.com/panorama/v2?ak=“你的ak”&width=512&height=256&location=116.313393,40.04778&fov=180&heading=45&pitch=45,其中width、height表示输出图像的宽度与高度,location由样本点经纬度构成,fov表示水平方向范围,heading及pitch则分别表示图像的水平与垂直视角角度。在图像分割完成后,对各指标的计算仍然是庞杂的过程,在此可利用 MATLAB对其进行批量处理,以减少数据获取时间,同时提升数据的准确程度。
(五)中山路片区、火车站片区街道空间品质评价结果及对比
(1)中山路片区。
总体来说,中山路片区的街道空间品质较好。在要素客观构成方面,中山路片区的街道绿视率较差,数值多集中于0~10%,但其街道开敞度与界面围合度较为适宜,机动化程度偏高,同时行人出现率也较高(2.01%),总体街道空间尺度较小,较为人性化(图8)。
在主观评价方面,从空间分布上看,中山路—新华路—大同路—鹭江道所围合的区域分值较高(图9);从各指标的平均分看,分项指标贡献率的排序为围合性>通透性>人性化尺度>整洁度>意象化(表4),片区街道除了意象化(0.59)与整洁度(0.61),其余三项得分均在0.75以上,总平均分为3.64,得分较高。由此可见,中山路片区街道尺度良好,并且由于较高水平的街道通透性及建筑特色的存在,街道空间能够吸引较多的驻足人群,但同时整洁度与部分街道的意象化有待提高。
(2)火车站片区。
数据结果显示,火车站片区街道空间品质的各方面指标均有待提升。图像分割后,从各项街道空间品质客观评价指标可以看出(图10),火车站片区的绿视率相对良好,数值多分布于0 ~20%,街道开敞度与界面围合度较为合理,机动化程度与中山路片区一样均偏高,且其行人与自行车出现率较低,总体街道尺度较大,更多地为车行交通服务。
火车站片区各项街道空间品质主观评价指标得分空间分布显示(图11),高分值样本点较少。从各项指标平均得分可看出,贡献率排序依次为整洁度>围合性>人性化尺度=通透性>意象化(表5),意象化得分很低(0.16),除了整洁度(0.77)外,其余项的平均分仅为0.5左右,整体得分较低。由此可见,中山路片区的街道空间人性化设计略差,与客观评价结果相呼应,由于街道设计较多考量车行交通需求,街道通透性较差,且意象化为当前街道空间的主要瓶颈。
(3)中山路片区与火车站片区的街道空间评价结果对比。
通过分析,中山路片区的街道在人性化设计上更胜一筹,具体表现在其街道开敞度、机动化程度和汽车出现率均低于火车站片区,而界面围合度、行人出现率及自行车出现率均高于火车站片区;在主观评价方面,除了整洁度,更是所有指标均优于火车站片区,尤其是在意象化方面(图12,图13)。
(4)中山路片区、火车站片区街道空间品质提升建议。
针对上文中山路片区与火车站片区各项指标的分析,对其街道空间及品质的提升提出以下几点建议:①从绿化及整洁度方面提升街道形象和舒适性。加强低等级道路的绿化建设,尤其是老城区的绿化工作。②精细化设计改善街道尺度的适宜性。考虑行人、骑行者等不同出行人群的需求,以及充分考虑路边停车与街边步行空间的关系;注意街道底界面与街边建筑的关系,保证街边建筑的连续性,建筑高度与街道宽度保持适宜比例。③加强街道柔性空间的设计,提升街道活力与特色。生活型街区无需与旅游街区一样利用游览型商业吸引人群,其可通过公共空间的打造增加街道的逗留活动,提升街道活力与特色。