西安市中心城区街道视域景观研究：基于百度街景全景图的大数据分析

摘要：本文介绍了针对西安市核心行政区开展的城市街道视域景观研究。研究利用百度地图全景静态图数据，结合PASS深度学习模型进行语义分割，探讨了不同全景投影格式（等量矩形投影、极坐标、立方体格式）在景观指数计算中的适用性。通过对13359张有效全景图的预处理，为分析城市街道空间组成与邻里尺度特征效应奠定了数据基础。

关键词：西安；街道景观；全景图；语义分割；数据预处理；城市视域

1.1 研究区域

西安市是中国陕西省省会、特大城市、关中平原城市群核心城市、中国西部地区重要的中心城市。西安市常住人口约1020.35万人，是公认的十三朝古都，是联合国教科文组织于1981年确定的世界历史名城。选取西安市（34°15′N，108°56′E）碑林区、莲湖区，雁塔区、新城区、未央区和灞桥区6个行政区域作为研究对象，探索基于全景图的城市街道视域景观指数与邻里尺度特征效应及影响。

1.2 数据来源及预处理

1.2.1 数据分析工具

所有计算均由Python编程语言完成（使用Anaconda平台下的Spyder解释器），代码托管于GitHub平台代码仓库。地图则由QGIS软件建立。

1.2.2 数据来源

本研究基于区域尺度进行街道空间组成分析。首先，以西安6个行政区域界定研究范围，提取百度道路数据；道路数据来源于中国专业IT社区CSDN（Chinese Software Developer Network）的开放数据。其次，沿道路每200m设置一个采样点，共获取14973个采样点。最后，从百度地图应用下载对应采样点的全景静态图，去掉没有数据的无效采样点1614个，实际下载的有效全景静态图数为13359张。

1.2.3 数据预处理

从百度地图应用下载的全景静态图是等量矩形投影图（图1-1）。因此，本研究采用全景图像语义分割方法PASS（panoramic annular semantic segmentation）深度学习模型[28]，对等量矩形投影图进行像素级语义分割（pixel-wise semantic segmentation，图1-2）。语义分割对象有27类，主要包括建筑、道路、植被、天空、车辆、设施、行人等。

在城市街道空间的组成结构分析过程中，需要根据不同的分析内容对数据进行预处理，使其满足分析的要求，改善计算的准确性。极坐标格式全景图（小行星视角360°全景，图1-3、1-4），用于天空相关指数的计算，避免等量矩形投影图受未闭合的天空形状影响。

等量矩形投影图和极坐标格式全景图因为投影变形，对象像素所占比例不能最大限度地反映实际视觉下对象比例关系；而立方体格式全景图[29]由前、后、左、右、上、下6张透视图组成（图1-5、1-6），用于语义分割对象占所有像素百分比的统计相对合理。