全局检索与知识浏览

居民对城市街道景观的主观感知是影响公共健康、主动出行及社会福祉的重要因素。街景图像（SVI）已成为评估此类感知属性的常用数据源，但其覆盖不均与更新不规律限制了大范围测量。本文提出CVLNet——一种跨视角学习网络，该网络无需在推理阶段使用SVI，即可利用AlphaEarth嵌入与多源城市上下文数据预测街道层级的感知特征。CVLNet采用任务自适应门控机制，联合建模五个感知维度，并以预训练SVI-Percept模型生成的标签作为监督真值。所提方法在四个东南亚城市——新加坡、吉隆坡、雅加达和马尼拉——开展评估。CVLNet在路段层级上取得中位数校正决定系数（Adjusted $R^{2}$）为0.76，且在全部五个感知维度上持续优于基线模型，性能提升幅度为5.9%–11.3%。消融实验表明，AlphaEarth特征与城市上下文特征提供互补信息。我们进一步为全部四座城市生成覆盖全域道路网络的街道景观感知地图，涵盖五个主观感知维度，将感知估计范围从现有SVI直接覆盖的13%–31%道路扩展至各城市完整路网。结合WorldPop格网化人口数据，我们采用赤字帕尔玛比率（Deficit Palma Ratio）量化不同人口密度、人口统计学及土地利用群体间的暴露不平等。结果表明，遥感技术可作为SVI的可扩展替代方案，用于全域街道景观感知制图，从而支持对城市环境不平等更全面的评估。

《国际地理信息系统汇刊》（Transactions in GIS），第30卷，第5期，2026年8月。

发表日期：2026年7月 来源：《计算机、环境与城市系统》，第127卷 作者：金东焕，李承敏，韩彩妍，金友贞，高奉宇，黄义正

出版日期：2026年12月；来源：《Computers, Environment and Urban Systems》，第130卷；作者：白婷婷、徐东、高锋、刘佳伟、宋永泽

尽管近年来已利用机器学习构建了全球覆盖的城市感知数据集，但其在准确评估其他国家和地区局部城市感知方面的有效性仍存在问题。本文描述了一种基于深度学习与迭代反馈及推荐评分相结合的方法，提出了一种人机对抗评分框架，可实现对中国城市局部城市感知的快速、低成本评估。采用先进的全卷积网络（FCN）和随机森林（RF）算法，该方法的感知估计误差低于10%。从视觉特征和城市功能两个方面进行驱动因素分析，验证了其在推导局部城市感知方面的可行性。该人机对抗框架具备高通量与高精度评分能力，为城市规划者和研究人员提供了一种经济、快速的局部城市感知评估解决方案。

街景感知模型可大规模预测安全等主观属性，但其本质仍为相关性建模：无法识别针对特定场景、可能改变人类判断的局部视觉变化。我们提出一种基于杠杆的干预性反事实框架，将场景级可解释性重构为在结构化反事实编辑空间内的有界搜索。每个杠杆定义一个语义概念、空间支持范围、干预方向及受约束的编辑模板。候选编辑通过提示词引导的图像编辑生成，并仅在满足同地点保持性、局部性、真实性和合理性等有效性检验时予以保留。在来自五座城市的50个场景的初步实验中，该框架揭示了基于代理的方向性模式初探结果，以及纯提示编辑下的实用失效分类体系；其中，交通基础设施（Mobility Infrastructure）与物理维护（Physical Maintenance）两类杠杆引发的安全性辅助变化最为显著。人类成对判断仍为未来验证的基准真值终点。

城市感知描述了人们如何主观评估城市环境，从而塑造城市被体验与理解的方式。现有计算方法主要直接从街景图像建模城市感知，却在很大程度上忽略了形成此类判断所依赖的人类感知过程。本文提出 Place Pulse-Gaze 数据集，该数据集在街景图像基础上同步增加了眼动追踪记录及个体感知标签。基于该数据集，我们构建了注视引导的城市感知框架（Gaze-Guided Urban Perception Framework），以研究注视行为如何助力主观城市感知的建模。该框架系统性地考察了三种互补设定：仅使用注视信息建模、将注视信息与显式语义场景表征相融合、以及将注视信息与隐式更丰富的视觉表征相融合。实验表明，仅注视信息本身已包含对主观城市感知具有预测价值的信号；而将注视信息与场景表征相结合，可在语义表征与更丰富视觉表征两种设定下进一步提升预测性能。总体而言，我们的发现强调了在城市场景理解中纳入人类感知过程的重要性，并为注视引导的多模态城市计算开辟了新方向。

变化检测与场景识别技术已被广泛应用于街景影像（SVI），以理解跨年度场景的变化。然而，仅依赖元数据往往不足以可靠地找到视觉上对齐的图像对。本研究提出 PairWise Image Finder 工具，该工具融合特征检测与匹配，并借助语义分割掩膜来量化不同时期两幅图像之间的视觉对齐程度。该工具输出匹配关键特征的比例、匹配特征的距离与覆盖范围，以及语义掩膜的对齐度，使用户可根据对齐质量与具体应用场景筛选图像对。由此获得的视觉对齐图像对可用于精确开展显式纵向变化分析，并有助于降低城市感知研究中的人工工作量。本研究通过纵向变化对比分析验证了该工具的可用性，并强调了在量化变化时视角的重要性。所提出的方案为研究人员与相关利益方提供了一种可扩展、开源的工具，用于城市分析、感知及相关应用中高质量图像对的查找。

随着数字工具日益影响空间规划实践，理解不同数据源如何反映人类对城市环境的体验至关重要。街景影像（SVI）与公众参与地理信息系统（PPGIS）是两种捕捉场所感知的代表性方法，可支持城市规划决策，但二者之间的可比性仍缺乏深入研究。本研究探讨了芬兰赫尔辛基市基于街景影像的感知吸引力与通过全市范围PPGIS调查获取的居民实际体验之间的匹配程度。利用参与者评分的街景影像数据和语义图像分割技术，我们训练了一个机器学习模型，以视觉特征预测感知吸引力。将模型预测结果与PPGIS识别出的吸引或不吸引地点进行对比，并采用严格和适度两套标准计算一致性。研究发现，两类数据集之间仅存在部分一致性。在适度阈值下，吸引性地点的一致性为67%，非吸引性地点为77%；而在严格阈值下，一致性分别降至27%和29%。通过分析包括噪声、交通、人口密度及土地利用在内的多种情境变量，我们发现非视觉因素显著导致了不一致。该模型未能涵盖活动水平和环境压力等影响感知但无法在图像中体现的体验维度。结果表明，尽管街景影像可作为城市感知的可扩展且可视化的代理指标，但无法完全替代PPGIS所捕捉的丰富体验。我们认为，两种方法各有价值，但功能不同，因此需要更整合的方法以全面捕捉城市感知。

发表日期：2027年1月。来源：《Computers, Environment and Urban Systems》，第131卷。作者：Youlong Gu, Xiucheng Liang, Zicheng Fan, Yujun Hou, Filip Biljecki

城市活力是城市宜居性和吸引力的关键品质，其中街道层面的社会动态被视为核心表征。然而，现有的捕捉此类动态的方法（主要通过行人数量）依赖于静态图像、基于位置的代理数据或定制传感器。这些方法通常是不连续的，时空分辨率有限，成本高昂，且忽视了声音在塑造环境中的作用。为了解决这些差距，本研究探讨了使用街景视频（SVV）这一新颖、有前景但尚未充分利用的数据源来捕捉街道层面动态的可行性。利用广泛可用的众包城市游览视频作为SVV的代表形式，我们开发了一个自动化且可扩展的框架，通过提取文本和深度信息来实现SVV的高精度地理定位。此外，我们提出了一种视觉-听觉管道，将连续的行人活动和声音环境整合作为揭示街道层面社会动态的互补维度。以墨尔本为例，我们识别了892个高质量且可地理定位的视频，总时长超过542小时，地理定位准确率达到77%。我们生成的时空地图不仅重现了研究较多的行人数量模式，还涵盖了此前被忽视的方面，包括人类行为（行走、站立、坐着）、声音强度以及声音类型（语音、音乐、车辆）。相关性和象限分析进一步探讨了这些活力维度之间的关系，揭示了独特的街道特征，并突出了传统道路分类的局限性。总体而言，这些发现证明了SVV作为城市活力指标的多模态和可重复来源的潜力，为未来的城市感知应用提供了概念验证。

作为回应，基于公共参与地理信息系统（PPGIS）的数字平台——被理解为用于绘制公民感知地图的地理空间工具——已成为将机构决策与社区体验重新连接起来的有前景的机制。

街景影像（SVI）被广泛用于量化城市环境的关键指标，例如绿化率、天空可视率或道路可视率。然而，现有研究主要集中于测量当前街道景观，极少支持生成替代性或尚未存在的城市场景——而这正是城市规划与设计等地理空间学科的核心任务。为弥补这一空白，我们提出一种生成式多模态人工智能框架，该框架可根据目标视觉指标条件化合成替代性街道景观，从而实现对城市场景的直接可视化探索。我们首先构建了一个多模态数据集，将芝加哥和奥兰多两地的街景影像与文本描述、语义分割图、道路掩膜以及视觉要素的定量指标进行对齐。基于该数据集，我们证明扩散模型能够生成既真实又语义一致的街道景观影像，并同时响应文本与图像两类控制信号。定量评估表明，引入视觉控制可提升语义一致性，LPIPS 指标降低约 6%，同时保持全局视觉真实性；mIoU 指标显示，奥兰多和芝加哥的整体语义一致性分别提升 23.7% 和 46.4%，其中建筑可视率指标在类别层面的提升甚至超过 100%。街道景观生成可通过视觉与文本提示实现细粒度控制；当两类控制发生冲突时，图像控制始终占主导地位，表明存在明确的控制层级关系，也凸显了进一步发展面向城市场景生成的视觉控制方法的重要性。总体而言，本工作为基于街景影像与扩散模型的街道景观生成确立了重要基准，并阐明了生成式人工智能如何赋能城市设计实践。

尽管已有研究评估了视觉空间指标与城市居民心理感知之间的关系，但关于城市视觉空间与居民心理感知之间系统性关联的研究仍较为稀缺。本研究旨在探讨城市视觉空间与居民心理感知之间的相关性，分析视觉空间指标对居民主观感知的影响，并重点关注蓝绿空间在可步行性、围合度、开放性、形象性及交通流量等机制下对城市居民心理影响的作用。研究采用全卷积网络（FCN-8s）对武汉的街景图像进行分割，通过人机对抗框架与随机森林算法结合构建城市感知数据集。基于街景数据，设计七类视觉空间指标，以上述五项视觉空间指标为中介变量，对城市居民感知进行多元线性回归分析，并开展蓝绿空间对居民心理影响的中介效应分析。结果表明，城市视觉空间指标与居民心理感知之间存在显著关联，其中绿度与围合度等视觉空间指标对居民心理感知具有显著影响，且部分视觉空间指标在蓝绿空间影响居民心理的过程中发挥显著中介作用。本研究系统分析了视觉空间指标与居民心理感知之间的关系及其作用机制，为深入探索复杂城市环境中的心理响应机制提供了前瞻性基础。

尽管基于影像或GIS的客观街道指标已成为城市分析的标准工具，但其仍难以捕捉包容性城市设计所必需的主观感知。本研究提出一种新型多模态街道评估框架（MSEF），将视觉Transformer（VisualGLM-6B）与大语言模型（GPT-4）相融合，实现对街道景观的可解释双输出评估。该框架利用中国哈尔滨逾15,000张标注街景图像，采用LoRA与P-Tuning v2方法进行参数高效微调。模型在客观特征识别任务中达到0.84的F1分数，在居民主观感知一致性检验中达成89.3%的吻合率，并在分层社会经济地理区域中完成验证。除分类准确率外，MSEF还能揭示情境依赖的矛盾现象：例如，非正规商业活动虽提升感知活力，却同时降低行人舒适度；亦能识别非线性及语义依赖模式——如建筑透明度在居住区与商业区引发截然不同的感知效应，从而暴露普适性空间启发法的局限性。通过基于注意力机制生成自然语言推理依据，该框架弥合了感官数据与社会情感推断之间的鸿沟，支持符合联合国可持续发展目标SDG 11的透明化城市诊断。本研究既为城市感知建模提供了方法论创新，也为亟需协调基础设施精度与真实生活体验的规划系统提供了实践价值。

见SSRN 4174009

街景图像日益被用于推断城市属性，但仅凭预测准确率无法揭示照片相对于同一地点已有数据所贡献的增量信息。我们利用五种公共数据源中的七个属性以及三个视觉语言模型（VLM），将基于图像的预测与现有城市数据进行对比。评估针对相同的城市单元进行，分别使用图像、任务上下文、邻近观测数据和公共记录，并通过图像替换和冲突记录测试模型对数据源的依赖程度。对于道路损坏、路缘坡道和房价，现有城市数据的匹配度或表现优于仅使用图像的模型；而对于人口统计，邻近的官方统计数据几乎达到了最佳图像结果的水平。在建筑类型、建筑功能和低层建筑楼层数方面，图像提供了更具信息量的数据。对于楼层数，随着与最近标注建筑距离每增加一倍，图像的优势提升5.7个百分点；但对于屋顶线常超出画面范围的高层建筑，图像优势则下降。模型经常遵循存在冲突的记录。OpenFACADES 的楼层注释是基于 OpenStreetMap 的楼层值生成的，其高度相关的误差模式与仅使用图像重新运行的结果相反。因此，街景图像的价值取决于视觉可辨识性和本地数据覆盖情况。将图像与现有城市数据进行比较，可以指导图像采集工作，并明确衍生城市地图的数据来源。

感知研究越来越多地采用街景图像进行建模，但许多方法仍依赖于像素特征或物体共现统计，忽略了塑造人类感知的显式关系。本研究提出一个三阶段流程，将街景图像（SVI）转化为结构化表示，以预测六种感知指标。第一阶段，使用开放集全景场景图模型（OpenPSG）解析每张图像，提取物体-谓词-物体三元组。第二阶段，通过异质图自编码器（GraphMAE）学习紧凑的场景级嵌入。第三阶段，利用神经网络从这些嵌入中预测感知评分。我们在准确率、精确度和跨城市泛化能力方面，将所提方法与仅基于图像的基线模型进行对比评估。结果表明：（i）本方法在感知预测准确率上平均比基线模型提升26%；（ii）在跨城市预测任务中仍保持较强的泛化性能。此外，结构化表示揭示了影响城市场景感知评分的特定关系模式，例如墙面涂鸦和车辆停放在人行道上。总体而言，本研究证明了基于图的结构能够为建模都市感知提供表达性强、泛化性好且可解释的信号，推动以人为本、情境感知的城市分析发展。

Landscape and Urban Planning；卷 212；页码 104125；发表于 2021 年；出版机构 Elsevier。

《美国地理学家协会年鉴》；第115卷；第7期；第1720-1741页；2025年发表；出版机构Routledge。

理解人类如何解读城市场景可为设计与规划提供依据。我们引入了一个小型基准，用于测试视觉-语言模型（VLMs）在城市感知方面的表现，采用100张蒙特利尔街景图像，照片与逼真合成场景各占一半。来自七个社区团体的12名参与者提供了涵盖30个维度的230份标注表单，包含物理属性与主观印象。法语回答经标准化处理为英文。我们在零样本设置下，使用结构化提示和确定性解析器评估了七种VLMs。对于单选题采用准确率，多标签题采用Jaccard重叠度；人类标注一致性使用Krippendorff's alpha和成对Jaccard计算。结果表明，模型在可见的客观属性上表现出更强的对齐性，而在主观评价方面则较弱。表现最佳的系统（claude-sonnet）在多标签任务上的宏平均准确率为0.31，平均Jaccard值为0.48。人类标注一致性较高时，模型得分也相应更高。合成图像略微降低模型表现。我们公开发布该基准、提示模板及评估工具包，以支持参与式城市分析中的可复现且具备不确定性意识的评估。

《计算机、环境与城市系统》；第78卷；第101386页；2019年发表；出版机构Pergamon