南京青奥片区城市滨水界面形态评价与分析模型构建

自 2022 年以来，中国城镇化发展开始进入“下半场”，人们对于人居环境品质的要求日益提高。城市滨水空间因独特的地理区位优势及形态特征，成为彰显城市特色风貌、品质及美好人居环境的重要空间载体之一，能够反映城市空间环境的特色与品质[1]。20 世纪 90 年代至今，在国内外建筑学、风景园林学领域滨水空间研究热度始终较高[2-5]。

杭州西湖、南京秦淮河、武汉东湖、上海苏州河等城市水域的滨水空间形态一直以来都是城市研究及实践的关注焦点。但城市早期发展建设导致滨水沿线的城市界面形态失序，沿线公共空间受到挤压，影响了公众的活动体验。从人群自身漫游体验及感知出发塑造良好的滨水城市空间，对于平衡“滨水空间”与“公众诉求”的关系具有积极作用。

1 相关研究进展

1.1 城市滨水界面相关研究

城市滨水界面相关研究旨在探讨如何合理利用既有的滨水资源禀赋，并满足滨水城市空间中的公众诉求。既有研究成果可分为滨水生态修复、滨水空间风貌控制和设计策略分析 3 个方面，涉及社会文化、使用管理、规划设计、生态理念等多个因素。

其中，滨水空间风貌控制主要关乎城市滨水界面的空间形态研究。格式塔心理学、空间视知觉、环境行为学等经典理论均认为人群对于空间形态的认知与其动态行为之间存在关联[6]。既往研究表明城市滨水界面形态对人群视觉感知及活动具有显著影响[7-8]，主要聚焦于特色建筑风貌、天际线、高度与形态、重点标志物、山体可视性等视觉形态方面的分析与探索[9]。

学者采用二维图示分析[10-11]、问卷美学评价[12-13]、分形理论[14]、ArcGIS 计算[15]、深度学习算法[16]等多个维度的主客观分析方法解读了滨水界面形态特征。具体的分析评价关注各类环境要素及对应指标，如界面密度、建筑占空度等建筑要素指标，山体占空比、山体可见度、山体起伏度等地形或山体要素指标，天际线要素的错动度、起伏频率、起伏频度、可见层次、天空率、曲折度等指标。

1.2 人群视觉关注度相关研究

人群视觉关注度可以反映观察者对事物的关注程度，即注意力分配情况，可作为衡量公众需求的重要评价基准之一[17-18]。过往研究对人群视觉关注度的评价多以静态分析评价视角为主[19-20]，通过图像照片等向被试者展示研究对象；而人群在城市建成环境中有着随机漫游的活动特质，如鲁道夫·阿恩海姆（RudolfArnheim）[21]指出在运动状态下观者通过视觉可快速区别外部空间的动态与静态，他们对接收到的信息有不同层次的记录。

随着研究深入，学者们对空间设计的考量逐步从静态转向动态，将人群动态漫游下的空间关注体验纳入研究中。2009 年，王建国等[22]以西湖为例，提出了“景—观”互动的双向规划理论，解析了人群动态视觉关注度与城市空间形态的内在相关性，使城市滨水界面的人群关注度评价更为多元且贴近游览人群的实际体验，有助于制定空间形态优化提升的对应策略，实现“景”和“观”的等量齐观。Amati 等[23]以人在公园漫步的视频为动态刺激物，通过对视觉关注度的动态分析评价区分了人群对公园中物体的关注行为和人群的停留行为，并分析出物体的显著性和可识别性分别是这 2 种行为的产生原因，超越了静态分析评价视角的局限。

随着生理监测等多种技术手段的发展，很多学者采用眼动、脑电等生理监测数据来衡量人群在校园、公园等场景中行经过程的视觉关注情况及生理指标变化[24]，如眼动指标中反映时间维度的注视频率、注视总时间、平均注视时间、回视时间、回视次数、眼动轨迹等，反映空间维度的眼眺距离、注视次数和瞳孔直径等。此类研究将客观数据与主观认知数据相结合，以此作为衡量特定景观空间场景品质优劣的依据之一[25]。

相较于传统视觉评价方式，基于眼动分析的动态视觉关注度评价更加贴合人群在景观空间中的真实活动方式及观景感受，强调多速率、多视点、多角度、全景式“阅读”城市的形态和轮廓，能够让公众形成对城市的整体景观印象，可直观呈现游览者对周边环境的关注情况，可作为衡量城市空间审美质量的主要方式之一。

1.3 过往研究局限

综合过往相关研究成果，目前主要存在 2 个方面的局限性。

1）未厘清滨水界面对人群不同运动方式下视觉关注度的影响及关键影响指标。受人群运动速率的影响，对于相同滨水界面形态，不同运动方式的人群的视觉关注特征会存在差异。过往研究常关注人群静态视觉关注度的变化[26]，而对于不同运动方式间人群动态视觉关注度差异的讨论则相对较少。虽有部分学者尝试用生理数据监测设备记录并分析人群对特定景观空间的动态视觉生理反应，但数据采集仍主要依靠单张图像展示和问卷打分[27-28]的方法，图片的片段化及问卷的主观性会造成研究结论差异较大。

2）未建构起人群动态视觉关注度与滨水界面形态的关联机制。过往对于上述 2 个维度关联机制的探讨多停留于理论层面[29]，未建立起 2 个维度各指标间的量化关联；无法厘清不同运动方式下人群动态视觉关注度变化受到哪些滨水界面形态指标的影响，未梳理出影响人群动态视觉关注度的关键性滨水界面指标及区间，不便于后续对滨水空间的管控。

综上，本研究旨在探讨 2 个方面的议题：1）构建基于动态视觉关注度的城市滨水界面形态评价与分析模型，厘清滨水界面形态变化对不同运动方式下人群视觉关注度的影响，并挖掘关键影响指标；2）厘清滨水界面形态指标与人群动态视觉关注度指标间的关联机制，为城市滨水界面规划设计、品质提升提供实践引导。

2 研究方法

2.1 研究路径设计

本研究以动态视觉关注度分析为评价方法，聚焦于滨水界面的形态特征对不同运动方式下人群视觉关注度的影响。研究从空间、人群 2 个层面入手。空间层面：采集滨水空间路径样本实景数据，并通过 ArcGIS 平台对滨水界面形态数据进行量化。人群层面：依据实景数据，采用眼动分析对人群动态视觉关注度数据进行量化。最终建立“关注度-界面”的关联机制并进行分析（图 1）。

2.1.1 空间层面数据采集与量化

1）滨水空间样本及路径样本采集。考虑到滨水界面是由人眼可视范围内的滨水建筑及自然空间投射而成的，因此，依据人眼可视范围将滨水两侧 1200\ m 内的城市空间作为重点区域，采用倾斜摄影测量技术获取高精度三维点云模型，并在外围补充开源高程数据与城市用地规划图，形成空间样本库。

随后，设定人群在滨水空间的活动路径，划定路径样本单元，以中国人眼平均视线高度 1.53\ m 为采集高度，借助手持云台设备对实景数据的影像加以采集。将采集的路径样本单元影像数据载入三维交互式虚拟仿真环境平台（表 1），借助立体投影幕对各路径样本进行全方位的场景呈现，以支持人群动态视觉关注度数据的获取与量化。

2）滨水界面形态数据量化。根据人群在样本路径单元中的不同运动方式设定相应视点，朝向前进方向偏城市界面 30° 对相应的滨水界面数据进行量化。基于空间样本点云模型，采用 ArcGIS 平台对各视点所对应的各类空间指标逐一量化计算，实现对于滨水界面各项形态指标计算结果的集成。

2.1.2 人群层面数据采集与量化

将滨水空间活动路径影像数据进行速率调整，匹配不同运动方式下人群的活动速率，在虚拟仿真环境中呈现不同运动方式下人眼所看到的真实场景。随后采用固定式眼动生理监测设备对不同运动方式下人群对滨水界面视觉关注度的变化情况进行数据收集。最后在 ArcGIS 中将采集到的被试者眼动生理数据拟合至路径中，以直观反映各路径样本单元中人群动态视觉关注度的差异。

2.1.3 “关注度-界面”的关联机制与数据分析

将不同运动方式下路径样本单元中视点的滨水界面形态数据与人群动态视觉关注度数据相关联，采取定性与定量相结合的现代数学决策分析方法，对涉及的多项影响因子进行统计分析、相关性分析等综合判断。明确滨水界面形态特征与人群动态视觉关注度的关联机制，探索两者的变化规律及滨水界面形态指标对动态视觉关注度的影响程度，实现对滨水城市空间“景—观”的综合考量。

2.2 滨水界面形态指标

不同于以往单一视点的空间指标，人群动态视觉关注度研究强调人群对滨水界面的全景式关注，将空间指标细分为表征连续性界面的界面指标和表征建筑群顶端轮廓变化的轮廓指标 2 个部分（表 2）。

2.3 人群动态视觉关注度指标

眼动分析可客观呈现出人群在处理特定视觉信息时注视与回视的时长和频次、瞳孔直径分布等眼动特征，是反映人群视觉关注度的重要途径之一。对眼动数据进行系统筛选，再通过 SPSS 软件采用非参数检验的傅里德曼（Friedman）检验分析各项眼动指标，经计算发现瞳孔直径分布变动最为显著，注视频率和回视频率明显高于其他眼动指标。考虑到不同运动方式下视频样本总时长不同，需借助频率指标消除时长不一致的影响；且左右瞳孔直径反映的信息相同，为避免重复，取左右瞳孔直径平均值进行后续分析。因此，本研究最终综合采用注视频率、回视频率和左右瞳孔平均直径 3 项眼动指标进行分析（表 3）。

3 实证研究

3.1 研究案例选取

本研究选取南京河西滨江青奥片区作为研究案例。青奥片区处于河西滨江风光带核心段，场地周边开发较完善，人群聚集度较高。片区内部包括“南京眼”、青奥双子塔等特色标志物，是南京现代城市风貌的重要展示区。该片区占地面积 40.43\ hm^2，本研究采集数据区域为滨水空间及周边城市建成环境，面积共计 257.14\ hm^2（图 2）。

3.2 实验建构

根据研究路径对青奥片区进行实验建构。

1）空间样本采集及路径选取。2022 年 8 月，综合采用倾斜摄影测量技术、开源高程数据及 2015 年南京用地规划图等多源数据，构建出研究片区分析模型，并基于实地调研情况，选取片区滨水主轴路（长度为 1690\ m）作为主要实验路径（图 2）。

2）对不同运动方式下路径样本单元进行划分并选取视点。基于实地调研明确研究片区中人群的主要动态观览方式（步行、慢跑、骑行），并计算不同运动方式的平均速率（表 4）。

在保证视高（1.53\ m）、视域（120°）不变的基础上，根据步行活动速率录制空间视频，进而制作路径样本。为保证样本的一致性，消除画面质量等因素的差异，本研究通过对样本影像材料的画幅、画面色彩及视频亮度等因素进行均质化处理，裁除驶入车辆等突发性影响因素的画面，并调整视频速率参数，模拟不同运动方式下人群的动态视觉体验，以更好地贴近真实行进感受，减少其他因素对实验的影响。综合考虑人群视觉疲劳、样本时间长度、实验可操作性等因素，以 4\ min 为标准时长对录制的空间视频予以划分，根据不同运动方式的速率共计制作 11 段路径样本视频，每段视频样本选取 16 个观览视点（图 2）①，以便于后续实验开展与数据提取。利用自动光学检测（automatedopticalinspection,AOI）系统，将观览视点视域内的建筑部分划定为兴趣区域，以供空间分析和眼动数据采集。

3）滨水界面形态数据采集。根据 3 种活动方式相对应的视点数量及位置进行指标计算。借鉴地理学研究中的形态量化方法，通过 ArcGIS 平台提取出影响滨水界面形态特征水平、垂直及进深方向的视觉阻碍点，并对于“轮廓”及“界面”相关指标展开细化计算。将步行模式下 96 个观览视点、慢跑模式下 48 个观览视点、骑行模式下 32 个观览视点（总计 176 个观览视点）及对应的 4 项滨水界面形态数据汇总，形成空间数据库，从而实现对 3 种活动方式下人群所关注的滨水界面形态变化的系统量化解析。

4）人群动态视觉关注度数据采集。通过眼动数据监测被试者对滨水界面形态的视觉感知。实验涉及变量较多，因此对被试者进行一致性控制，力图减少年龄、教育水平、专业领域等要素对于实验结果的影响。实验于 2023 年 4 月进行，共选取 32 位被试者，这些被试者均为建筑学专业师生，年龄处于 20~40 岁，男女各 16 人。考虑到被测空间为数据复杂度较高且样本量较大的城市环境，故采用 aSeeStudio 固定式眼动仪进行实验。

在实验过程中，首先提示被试者在观看路径样本视频时“着重观察滨水空间相邻城市界面的变化”，然后通过眼动仪记录被试者对于各段样本视频的视觉生理反应，以获取不同运动方式下人群的动态视觉关注度数据，并将被试者在 3 种运动速率下的动态视觉关注度转化为连续矢量数据落位于场地空间中，从而直观反映出滨水界面对不同运动速率下人群视觉关注度的影响（图 3）。

3.3 数据分析

基于上述实验建构所得到的“景”“观”维度的指标数值，对“滨水界面形态”与“人群动态视觉关注度”2 个维度进行相关性分析并建立线性回归模型。

3.3.1 相关性分析

通过 Pearson 相关性分析②，验证因变量人群动态视觉关注度眼动指标与自变量城市滨水界面形态指标间的相关性（表 5）。总体而言，人群动态视觉关注度指标与滨水界面形态指标呈正相关关系，且在不同运动方式下其相关关系的相关程度及影响力存在差异。

3.3.2 线性回归模型建立

在 SPSS 软件中分别输入与 3 类眼动指标存在相关性的滨水界面形态指标数据，并进行多元线性回归分析，得到步行（式 1~3）、慢跑（式 4~6）、骑行（式 7~9）3 种运动方式下的线性回归模型及计算结果。

式中：Y_{B1 为步行行为注视频率，Y_{B2 为步行行为回视频率，Y_{B3 为步行行为左右瞳孔平均直径；Y_{M1 为慢跑行为注视频率，Y_{M2 为慢跑行为回视频率，Y_{M3 为慢跑行为左右瞳孔平均直径；Y_{Q1 为骑行行为注视频率，Y_{Q2 为骑行行为回视频率，Y_{Q3 为骑行行为左右瞳孔平均直径；X_1 为建筑占空度，X_2 为界面层次数量，X_3 为轮廓起伏频率，X_4 为轮廓起伏频度。

3.4 模型有效性分析

在上述分析的基础上进行线性回归模型的有效性分析，通过比较 R^2 值、实际观测值与模型预测值（图 4~6），分别分析模型的代表性与拟合效果。

3.4.1 R^2 值比较

回归模型的 R^2 值可表示因变量与自变量的线性拟合效果，该值越接近 1，代表拟合越有效。因上述线性回归模型存在多元自变量，本研究采用调整后 R^2 值（表 6）衡量拟合效果，发现该回归模型可有效反映注视频率原数据约 80\%，反映回视频率、左右瞳孔平均直径原数据超 95\%，拟合十分有效。

3.4.2 实际观测值与模型预测值比较

以回归模型预测值为纵坐标、实际观测值为横坐标绘制散点图，根据结果与红色虚线的偏离程度判断多元线性回归模型的拟合效果。

发现 3 种运动方式下回视频率、左右瞳孔平均直径的模型预测值与实际观测值匹配程度较高，误差分布较均匀；注视频率的模型预测值与实际值的误差随着指标值的增长而变大，但同样分布较均匀。因此可以判断 3 种运动方式下的多元线性回归模型均有良好的拟合效果。

3.5 双因素方差分析

由于在滨水空间游览过程中，人群动态视觉关注度（因变量）同时受不同运动方式、滨水界面形态（自变量）的影响，故本研究采用双因素方差分析考察 2 类自变量对因变量的影响是否存在显著交互作用。采用相关性显著的 6 组滨水界面形态指标与人群动态视觉关注度指标分别进行双因素方差分析，并将滨水界面形态指标按照标准正态分布划分为 3 个区间（图 7），发现图中 3 条折线的相应部分都接近平行，说明不同运动方式和滨水界面形态指标对人群动态视觉关注度的影响不存在显著交互作用，两者分别对视觉指标产生独立影响。

4 讨论

4.1 城市滨水界面形态与人群动态视觉关注度的关联机制

根据相关系数（表 5）可知，3 种运动方式下滨水界面形态指标与人群动态视觉关注度指标之间的关联性总体相似。注视频率与建筑占空度相关联；回视频率与轮廓起伏频率、轮廓起伏频度相关联；左右瞳孔平均直径与界面层次数量、轮廓起伏频率相关联，且均呈正向强相关。此外，左右瞳孔平均直径在与轮廓起伏频度相关联的同时，在不同运动方式下关联性存在差异，具体表现为步行及慢跑状态下呈现正向强相关，骑行状态下呈现正向中度相关，而呈负相关的指标较少，说明本研究所涉及的滨水界面形态指标均对人群动态视觉关注度存在促进作用。

根据标准化系数（\beta）对指标间的关联机制及影响力进行分析：

1）注视频率仅受建筑占空度（\beta：0.904~0.919）正向显著影响，即随城市界面建筑物所占视觉空间比例的提升，被试者对周边景观空间的兴趣度随之提高；

2）回视频率受轮廓起伏频率（\beta：0.361~0.394）及轮廓起伏频度（\beta：0.686~0.708）双重正向作用，表明滨水界面沿江建筑物的间距相对较大且高低错落分布时，更能引发被试者的兴趣以及二次关注，其中轮廓起伏频度的影响力相对更强；

3）左右瞳孔平均直径受界面层次数量（\beta：0.749~0.822）、轮廓起伏频率（\beta：0.679~0.698）显著影响，即滨水界面纵向建筑层次多且各界面层次起伏变化越频繁时，天空面积占比变小，视域范围内整体亮度相对较低，导致被试者在此过程中瞳孔直径随之变大，对景观空间的信息接受度会提高，同时信息提取难度增加更易引发被试者关注。

总体而言，在滨水空间营造中应首先关注滨水界面形态的建筑占空度，其次关注界面层次数量、轮廓起伏频率和轮廓起伏频度，从而形成纵向界面建筑错落幅度较大、频次较高的优异滨水视觉体验。

4.2 不同运动方式下指标间关联机制的差异性比较及关键指标分析

滨水界面形态指标会对不同的眼动指标产生影响，且对不同运动方式下的眼动指标存在差异化影响。

1）界面指标。建筑占空度仅影响注视频率，不同运动方式下的影响程度为慢跑 > 步行 > 骑行，界面层次数量则对被试者左右瞳孔平均直径具有显著影响，不同运动方式下的影响程度为骑行 > 步行 > 慢跑。结合计算结果与实地观察，发现界面指标变化与不同运动方式人群的视觉关注度不存在统一变化规律；相比较而言，界面变化对步行状态人群的视觉关注度影响较稳定。被试者在运动速率较高的情况下，运动专注度提高，注视频率降低。但较为丰富的滨江界面建筑可视层次更易引发高兴趣强度。

2）轮廓指标。轮廓起伏频率对回视频率的影响程度一般，不同运动方式下的影响程度为步行 > 骑行 > 慢跑；对左右瞳孔平均值有显著影响，不同运动方式下的影响程度为慢跑 > 步行 > 骑行。轮廓起伏频度仅影响回视频率，影响程度为骑行 > 慢跑 > 步行。结合计算结果与实地观察，发现轮廓指标变化与不同运动方式下人群的视觉关注度同样不存在统一变化规律。总体而言，步行及慢跑被试者更关注滨水界面建筑的起伏变化频率，骑行被试者在高速率运动方式下更倾向于捕捉滨水界面建筑高低错落的形态。

4.3 滨水界面形态与人群动态视觉关注度差异指导滨水空间规划设计

受滨水界面形态与人群不同运动方式的影响，人群动态视觉关注度有较大差异，总体而言，在游览滨水空间的过程中，被试者倾向于关注建筑界面及建筑轮廓双重层面上更为丰富多元的城市界面变化。滨水界面形态指标与人群动态视觉关注度指标总体呈现正相关关系；在不同运动方式下，因运动速率差异，二者指标关联程度各异。

目前城市滨水空间未区分慢行及骑行交通系统，而本研究发现各项滨水界面形态指标对慢跑时眼动指标的影响程度总体趋高，步行状态与慢跑状态下滨水界面形态指标对眼动指标影响趋势较为一致，而骑行状态下影响趋势较为不同。因此，在城市滨水空间更新过程中，可侧重在建筑占比较高及起伏变化丰富的空间段保留原有慢行系统并新增慢跑道，以满足使用者对于视觉关注度的需求，也可适当将慢跑道与步行道进行穿插设计，丰富游览者的视觉体验。对于骑行路径的塑造，则应选取建筑界面层次丰富且起伏变化大的空间段，并在相关路径视廊上强化地标建筑物的视觉引导作用，以满足游览者骑行状态下对建筑轮廓起伏频度的关注度偏好。

5 研究思考

本研究通过建构城市滨水界面形态与人群动态视觉关注度间的关联机制，分析公众在滨水空间中的真实视觉关注度情况，以期厘清公众对于滨水空间的品质诉求。

5.1 研究不足及局限性

不可否认，本研究仍存在一定局限性，主要体现在 3 个方面。1）滨水空间样本形态特征存在差异。本研究关注高密度建成环境下的城市滨水界面，而城市滨水空间沿线受周边建设情况、自然山体资源分布等多方面因素的综合影响。本研究构建的评价与分析模型更加适用于滨水空间周边建设强度较大的高密度城市区域，而对于以山体等自然资源为主的界面形态适用性相对较差。

2）空间数据采集存在干扰因素。在实际的滨江空间中，人群在绿地中的体验与植被等因素紧密相关，因此样本视频采用了实景录制的方式，在贴近人群实景感知的同时，也相应保留行道树等既有设施及其他空间要素对于人群绿地体验的影响。而本研究中的界面形态分析仅聚焦于对建筑界面的量化分析，未考虑其他要素对视觉感知的影响。

3）数据精度有待进一步提升。随着算法的优化及实验设备的更新，未来研究可捕捉不同被试者在现实场景中不同运动方式下的眼动指标变化，并匹配不同被试者的实际运动速率与样本路径，进而计算各项指标的变化，以提升研究精度。

5.2 研究展望

在愈发注重精细化及人本化的城市发展过程中，本研究试图在现状评估、设计实践、后续管控等多个方面提供基于人群动态视觉关注度层面的数字评价支撑。后续研究可从评价维度丰富、人群及场地类型拓展、软件集成应用等方面加以展开。

1）目前的评价更聚焦于人群的视觉关注度层面，在后续研究中可结合其他生理数据监测设备及问卷等手段，探究随滨水界面形态变化，人群不同运动方式下的情绪、心理变化等。

2）将多样化的活动及场地类型纳入考量。由于不同段滨水界面间存在着截然不同的形态变化，后续可进一步关注以自然山体资源为主的滨水界面形态研究。同时人群活动类型较为多样化，本研究仅关注了滨水空间中通过型空间的人群动态活动体验，而停驻型空间承载着健身等多种活动方式，未来可关注滨水界面对不同停驻型空间中人群视觉关注度的影响。

3）进一步扩大既有数据量，充分验证人群动态视觉关注度与滨水界面形态间的数学关系，并在软件层面将经过校验的关系模型进一步设计集成，实现从人群动态视觉关注度视角下对滨水界面形态评价结果的实时输入与输出。