CN116822798B - 一种用于城乡风貌特色塑造的区域地方性度量方法 - Google Patents

一种用于城乡风貌特色塑造的区域地方性度量方法 Download PDF

Info

Publication number
CN116822798B
CN116822798B CN202310826275.XA CN202310826275A CN116822798B CN 116822798 B CN116822798 B CN 116822798B CN 202310826275 A CN202310826275 A CN 202310826275A CN 116822798 B CN116822798 B CN 116822798B
Authority
CN
China
Prior art keywords
urban
local
rural
elements
frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310826275.XA
Other languages
English (en)
Other versions
CN116822798A (zh
Inventor
汪芳
刘钊
董颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202310826275.XA priority Critical patent/CN116822798B/zh
Publication of CN116822798A publication Critical patent/CN116822798A/zh
Application granted granted Critical
Publication of CN116822798B publication Critical patent/CN116822798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
    • G06F40/18—Editing, e.g. inserting or deleting of tables; using ruled lines of spreadsheets
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Library & Information Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于城乡风貌特色塑造的区域地方性度量方法，包括：S1，获取规划范围内的城乡风貌照片形成图片数据库；S2，对城乡风貌照片进行地方性要素编码及特征提取；S3，计算不同地区的地方性平均感知度和重要程度值，由此遴选出不同城乡地方性核心要素；S4，根据各地方性核心要素间共现频次和相关系数，确定不同城乡地区的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案。本发明方法能准确提炼城乡风貌的地方性特色要素及其组合，提出应对风貌修复、地域设计再现的城乡空间开发及更新策略，能帮助高效形成规划设计方案及对方案的风貌特色评价，可以城乡为单元进行风貌管控和地方性特色塑造。

Description

一种用于城乡风貌特色塑造的区域地方性度量方法
技术领域
本发明涉及信息技术、城乡规划、工程建设等技术领域，尤其涉及一种用于城乡风貌特色塑造的区域地方性度量方法。
背景技术
地方性是地方本身所具有的自然特质和文化特征。随着全球化浪潮席卷、快速城镇化推进，原本各具特色的城乡以统一标准和相同模板机械复制、竞相模仿、互相攀比，城乡建设逐渐脱离本土与地域，呈现为风格雷同、形式趋同，以高效、快捷、便利而著称的建设模式在短短数年间出现了“千城一面”“千村一面”“山寨建筑”“欧美风格”等，迅速消解着在漫长历史长河中逐渐积累起来的地方性特质，颠覆了城镇、街区、村落、建筑等乡土景观特色与个性，同样消解着边界、地界与自我身份或文化认同，过去长久以来形成的地域性和历史性特征受到前所未有的冲击与挑战，甚至面临解体、变异和消亡，丧失了昔日的特色与魅力。城乡风貌是城乡形象的直接展现，风貌特色则是城乡最典型特征和个性的体现。随着城乡建设由规模、效益优先转向为追求品质、魅力与特性，更加注重自然、人文等特色要素，城乡景观强调更好地体现地域特征、民族特色和时代风貌。因此，建设塑造具有地方性的城乡风貌特色是城乡规划、城市更新、乡村建设等领域的重要目标和内容。
而城乡风貌特色塑造的前提是需要挖掘和识别出地方性特色要素及其组合，这就涉及到自然地理脉络和社会人文脉络，其中自然地理脉络包括山水林田湖草沙等自然环境特征，社会人文脉络包括历史文化特征(历史遗迹、历史人物、历史事件、历史文化背景等)和民族民俗文化特征(生活习俗、民族文化等)。目前，对于地方性特色要素分类大多从山水、植被、古城、遗址、寺庙、堡垒、聚落、城镇等为主，将这些空间地方性要素视作存在文化、社会和经济活动方面频繁互动联系，具有复合的历史文化价值、有机的空间体系结构和协同的功能性质关联的“地域基因”。
过去，对于地方性的度量大多采用内容分析法，内容分析是一种对于传播内容进行客观，系统和定量的描述的研究方法，其实质是由表征的有意义的词句推断出准确意义的过程。从描述城乡的地方志、文字作品、报刊杂志、广播电视、网络新闻等内容文本中对地方性进行建构。近几年，在信息化和互联网时代，凭借海量、易得、真实性等特征，大数据与开放数据在通讯、交通、医疗、教育、旅游等领域得到广泛应用。网络大数据能够突破以往资料陈旧、割裂、不全的缺点，其应用使城乡地方性度量在顶层设计、理论范式、管理应用和规划实践方面都有所突破和创新，对大数据的捕捉、采集、挖掘、分析和处理，为管理者提供了更强的洞透力和决策力。
与传统媒体相对应，新媒体的兴起和社交软件的应用使得全面、真实的数据的获取与共享成为可能。游客在网络上通过博客、贴吧、摄影和视频等多种方式分享交流自己的旅游经历，发表旅游评论，表达对旅游地的感知与体验。地方性度量不再单纯依赖官方的内容宣传造势，而是可以从全民共享、互联互通的用户生成内容(User-generated content,UGC)中获取和采集。这种基于用户视角的地方性最大程度地还原了人所感知的城乡风貌特色。特别是利用带有地理信息标签的海量随愿照片进行地方性度量，具有即时更新、位置追踪特征的海量信息极大地弥补了素材来源渠道单一、数量有限的不足等问题，在城乡风貌特色塑造的过程中，照片能够体现出拍摄者看待环境的角度和方式，以及他们愿意呈现给其他人的内容。
目前，基于随愿照片的图片分析方法大致可以分为三类：1)图片内容分析法：涉及景观偏好、游客行为选择与决策、特定旅游资源在旅游体验中的重要性、新移民对环境的选择和适应情况、旅游意象、游客与居民对特定地方意象的对比分析、参与性户外活动的意义、体验性活动对旅游形象的影响等；2)图片内容分析与信息内容分析结合法：涉及对图像画面的分析和针对照片所携带的一系列形式信息(即拍摄手法)的分析，包括景别、焦距、角度、构图聚焦及光线等方面，由此探究旅游地的视觉表征或旅游者的摄影行为和心理特征等；3)空间分析法：涉及照片所传递的视觉信息及其位置信息。作为对时间和空间的凝固式记录，照片所携带的时间和空间信息能够被记录、被捕获、被分析，需要三个条件同时满足：地理信息系统平台的支持、获取用户位置技术的发展以及移动终端设备(智能硬件)的普及。
当前，中国有风貌特色规划的城市及村落几乎都采用结构主义方法，强调风貌结构控制与特色骨架塑造，例如北京市的“十字格局”。然而城市使用者感受到的风貌主要取决于量大面广的基本面的风貌(例如北京的胡同大院和居住小区)，而非规划所强调的大轴线和少数小面积的重点片区的风貌。城乡风貌特色规划不是一个结构性问题，而是一个基本面的问题，应该让全体空间或大多数可视空间美起来、活起来。城乡的特色也不仅在于上帝视角的空间结构，还在于人的视角所见之具体的、鲜活的场景，在于基本风貌和基本元素等。而基于随愿照片的图片数据分析对基本风貌和基本元素等的关注正可以弥补结构主义规划忽视基本面的缺陷。此外，城乡风貌图片中提供了部分来自人对地方性感知的主观认知信息，可与传统的反映城乡风貌特色的客观指标相结合，成为城乡规划实践的重要参考。由于全过程的可算法化，城乡风貌特色的地方性度量在支持智慧城市规划上有很大潜力，可将人的社会经济属性信息、时空间信息、场景信息等集成于一个城乡空间信息平台中，对城乡这样一个复杂巨系统进行地方性的多群体、全时空实时动态表征，捕捉城乡风貌特色中的核心要素。
总的来说，目前城乡风貌特色塑造方法有以下不足：
(1)多关注个案：由于城镇化进程不一，城乡风貌也不相同，因此方法大多集中在案例个体，缺乏将城乡置于区域背景系统的特色提取和比较，因此缺乏对风貌特色的系统性认知，风貌特色整体性、原真性保护与管控目标难以实现，甚至出现保护性破坏现象；
(2)仅关注建筑：城乡风貌是由城市和乡村的自然山水格局、历史文化积淀、建筑形态容貌、公共开放空间、街道广场绿化、公共环境艺术等多种要素相互协调所表现出的整体气质，不仅仅是建筑，城乡的每一个部分都是城乡风貌特色不可分割的整体。目前方法大多强调传统建筑对城乡特色塑造的重要价值，忽略了空间中的其他地方性要素；
(3)缺少要素综合视角：目前方法更为重城市内部轻自然环境、重建筑个体轻城市布局、重现代手法轻地域特色，仅关注城乡某一方面的地方性要素，难以衔接国土空间规划对全域全要素城乡建设视角的要求，忽视了与风貌相关的各类景观要素，缺乏系统且统一的模式；
(4)偏重主观定性，缺乏客观定量：目前方法大多采用定性分析手段，依靠规划师的个人经验对少数几种城乡风貌特色进行评价分析，因而无法对所有可能的风貌特色要素进行充分全面的分析。对城乡空间缺少客观综合、普遍适用的地方性度量，也尚缺乏对风貌特色统一科学的测度路径和模式，这让规划编制、工程建设、空间治理缺乏有效抓手，尤其是广大的中小城市和乡村地区；
(5)缺少“自下而上”基于人对城乡空间感知的地方性特色识别：传统方法大多基于传统建筑、自然风光等的客观物质环境或工程测绘资料，从“自上而下”的空间治理角度进行规划编制，忽视了人是城乡风貌特色塑造的主体和受体，方法没有从众多城乡居民视角去提取集体记忆中的地方性，缺乏全面性和真实性；
(6)技术结果随意性大：目前方法依托人脑的智力活动，在判断的合理性和准确性上存在局限，其规划的结果往往无法作为城乡风貌特色塑造的最优方案；
(7)相关数据收集难度大：传统数据收集难度大、数据量小、时效性差，从网络获取的随愿照片具有数据量大、收集效率高、成本低、开放性与透明性较强、易于获取、便于空间可视化、可快速复制和检验等优点，有关城乡的随愿照片便是城乡风貌特色的直接且适宜的反映，并能一定程度上代替耗时又耗力的城乡环境现场观测工作，尤其在较大区域范围内的城乡研究上具有无可比拟的优势。
因此，如何设计一种用于城乡风貌特色塑造科学、系统、高效的方法，兼顾数据量级、客观定量、系统性强、操作成本低、要素综合、适用广泛等优势，对区域地方性进行度量，将是本发明技术的重点和难点。
发明内容
本发明的目的是从海量的网络随愿照片数据中提取地方性空间要素，以此衡量城乡风貌特色的地方性要素组合，为城乡风貌特色的自下而上、人性化、科学化、系统化和定量化分析提供了可靠的基础。所要解决的技术问题包括：如何准确提炼城乡风貌特色要素，如何识别城乡空间的核心地方性要素，如何寻找地方性要素间的关联关系，如何从地方性要素组合实现风貌特色塑造，如何能帮助高效形成规划设计方案及对方案的风貌特色评价等。
基于上述目的，本发明提出一种用于城乡风貌特色塑造的区域地方性度量方法，包括以下步骤：
S1，获取规划范围内的城乡风貌照片形成图片数据库；
S2，对城乡风貌照片进行地方性要素编码及特征提取；
S3，计算不同地区的地方性平均感知度和重要程度值，由此遴选出不同城乡地方性核心要素；
S4，根据各地方性核心要素间共现频次和相关系数，确定不同城乡地区的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案。
进一步的，所述步骤S1包括：
S1.1，根据规划范围，确定面域地理范围及采集点坐标：在GIS(地理信息系统)平台中确定规划范围边界的地理坐标，并将其导入到Truffer等科学计算与数据可视化软件。然后任取地图上的某一点，采用合适的“步进”方法(左右、上下移动一屏时对应地图上纬度、经度数值变化，主要受计算机屏幕大小的影响)，在该软件中计算得到规划范围内的采集点个数及坐标，导入到GIS平台中；
S1.2，根据采集点坐标，获取城乡风貌照片：从街景图片网站、社交媒体平台或开放式图像共享平台，根据S1.1得到的采集点坐标，可以通过Python网络爬虫技术编制图片采集规则，获取规划范围内每个采集点对应的带有地理标签的网络随愿照片数据，再对图像数据进行清理，剔除室内环境、人物照相、手绘漫画、数字虚拟等与城乡空间环境特征主题无关的图片数据，重点选择户外实物照片，包括风景、古迹、街景、房子、公园等，保证广泛的认可度、较强的辨识度、较高的图片质量和较低的重复率；
S1.3，将城乡风貌照片形成图片数据库：根据规划区域范围以及照片携带的有效信息，比如照片编号(网站自动命名的ID)、经纬度、所属地点、上传时间、作者、名称、浏览量等，将每张照片看作一个单独的内容分析单元，对应一组信息集合作为标签，导入到GIS平台形成图片数据库，属性标签包括：地名N为照片名称，地理足迹F为经纬度和所属行政区(省/市/县/镇/乡/村)，信息I为上传者、上传日期和浏览量。
进一步的，所述步骤S2包括：
S2.1，对不同城乡风貌照片中的地方性要素进行编码提取：将S1中获得的照片导入到地理信息系统平台中，以开放式编码的形式将照片标注为若干个标签，标签依据照片中包括的地方性要素而定，所述地方性要素包括：山景、砂砾、水景、石景、雪景、特殊地形地貌、其它自然景观，森林、灌木、草本、人工植被、鲜花、其它植被，蓝天、白色天空、雾霾、扬沙或浓烟、白云、其它气象，长城、烽火台、古代建筑、石碑石刻石像、遗址遗迹、古塔、西方建筑、陵墓、其它文化景观，马路、现代建筑物、人工构筑物、交通工具、夜景、人工光源、都市整体风貌、其它现代景观，传统民居、民族特色建筑、生产生活物品、日常生活场景、聚落与村寨、庄稼/农作物、其它传统生活，旅游服务设施、仿古建筑、旅游景区、其它旅游系统，普通人、少数民族、游客、其他人物，鸟和家禽、鹿、马和驴、鱼类、熊猫、老虎、骆驼、猴子、牛羊、其它动物等。地方性要素是地方性构成的最小意义单元，将每个地方性要素作为一个标签标记为自由节点，一张照片分布的自由节点数量不超过4个。
S2.2，将自由节点归并为9类树状节点：由于自由节点数目较多，为方便同类自由节点间的比较，进一步对自由节点进行轴心式编码，完成重新分类与归纳。对于地方性要素内容比较丰富的照片，将按照一定的优先位序进行编码，位序取决于要素在地方性表达方面是否充分典型，即自然景观、植被系统、文化景观的位序＞气象特征、现代风格、传统生活的位序＞旅游系统、人物、动物的位序。通过归类合并与意义主题上的提炼，最终可得到61个自由节点和9类树状节点，分类原则如下：
S2.3，统计规划范围内不同城乡9类树状节点及其对应的自由节点的频次和频率：频次指该自由节点或树状节点所代表的地方性要素在全部照片中出现的次数；自由节点的频率指该自由节点的频次与其所属树状节点频次的比值，树状节点的频率指该树状节点的频次与规划范围内树状节点总体频次的比值。
进一步的，所述步骤S3包括：
S3.1，计算不同城乡的地方性平均感知度：由于同一幅照片经常包括多个地方性要素，被编码为多个自由节点，且全部自由节点所代表的地方性要素并非随机、混乱、均匀地分布在每张照片中，而是具有同时出现的倾向。不同地方性要素之间的关联与组合特征，构成了每张照片所呈现和传达的地方性，也是基于自由节点这一携带地方性信息的最小意义单元的秩序结构与网络体系。鉴于规划范围内城乡风貌特色典型要素及其组合都有所不同，由此，以城乡为单元计算每个地区的地方性感知度GZD和平均感知度gzd，公式如下：
式中，vi是照片信息集合中的浏览量；pvi表示该照片的浏览量占全部照片总浏览量的比例(同时扩大1000倍，以减少小数位数)；A[m，n]表示所有n张照片包括的代表地方性要素的自由节点所组成的m*n的地方性要素原始矩阵，m值为1或0，表示该地方性要素(自由节点)在照片中是否被编码；n是图片数据库中的照片总数；N是每个地方性要素(自由节点)出现的总频次。感知度GZD越大，表示该地方性要素所在照片被更多的人浏览，其认可度越高，传播范围越广，影响力越大，该地方性要素作为地方性构成的最小意义单元，大众对其地方性感知越充分。特别地，地方性平均感知度gzd可以消除照片数量对感知度GZD带来的影响，因而对地方性要素感知水平的体现更加准确。
S3.2，计算不同城乡的地方性重要程度值：为了消除绝对数量和出现频次的影响，更加公平、公正地体现某一具体地方性要素对特定区域的代表性和独特性，并区分不同地区之间的地方性差异，借助TFIDF算法(term frequency–inverse documentfrequency)——这是一种用于信息检索与数据挖掘的常用加权技术，用以评估一个集合中某个要素的重要程度，由此可以计算地方性要素的重要程度值。其原理是不仅关注某一要素在该集合中出现的次数，同时查看它在全部数据库中(包含其他集合)出现的总频率，如果某一要素在一个集合中频繁出现，而在其他集合中很少出现，那么被认为该要素对于该集合具有很好的区分能力，可以作为该集合的代表性要素，地方性的重要程度值tfidf计算公式如下：
w＝tfidf(t，d，D)＝tf(t,d)×idf(t,D) (4)
式中，tf指的是单个地方性要素t在某个要素集合d中出现的频率，可以认为该数值即为地方性要素在某个城乡风貌图片中出现的频次与该城乡风貌图片总数之比；idf指的是单个地方性要素在图片数据库D中的逆文档频率；D代表包含所有要素集合的集合；N是每个地方性要素(自由节点)出现的总频次。
在本研究中，为了衡量单个地方性要素在某个城乡区别于其他城乡的重要作用，将idf定义为图片数据库D中的每个地方性要素(自由节点)出现的总频次N，除以该地方性要素t出现在除了要素集合d以外的其他要素集合中的频次加1(为了避免出现分母为零的情况，即某个地方性要素在其他城乡风貌照片中都不存在，因此加1)，对该结果再取对数。将公式(5)优化之后的计算公式为：
根据步骤2.3计算得到的自由节点各自出现的总频次，以及它们在不同城乡单元中分别出现的频次，两者相减得到每个地方性要素(自由节点)在每个城乡单元中的排除频次，即该地方性要素出现在其他城乡单元中的次数，该数值越大，说明该地方性要素越分散，对于该城乡地方性的的贡献程度越小。进而计算出每个地方性要素在每个城乡单元中的idf值；再计算地方性要素在某个城乡风貌图片中出现的频次与该城乡风貌图片总数之比，即为tf值。最后将tf和idf中相对应的每一项数值相乘，计算出每个城乡单元中各个自由节点的tfidf值，即为地方性的重要程度值。
S3.3，根据每个城乡单元的地方性平均感知度和重要程度值，遴选出不同城乡地方性核心要素：对于地方性核心要素的选取遵循以下原则：1)较高的代表性和典型性：该地方性要素在该城乡的平均感知度值大于或等于所有城乡所有地方性要素的平均感知度值的平均数；2)较好的独特性和区分度：该地方性要素在该城乡的重要程度值大于或等于所有城乡所有地方性要素的重要程度值的平均数。基于以上两个条件，满足其一即可通过筛选，由此得到不同城乡的地方性核心要素。
进一步的，所述步骤S4包括：
S4.1，计算各个城乡的地方性核心要素间的共现频次：若在同一城乡风貌照片中，两个地方性核心要素同时出现，则记为二者共现频次为1次。将照片对应的地方性核心要素频次导入到Excel中进行条件筛选、共现统计和分要素组合汇总统计，获得各个城乡不同地方性核心要素组合的共现频次。
S4.2，计算各个城乡的地方性核心要素间的相关系数：基于步骤S3选取的不同城乡单元的地方性核心要素选取，将步骤S2.3计算得到的地方性要素频率值按照城乡单元数量整理成地方性核心要素矩阵，导入SPSS统计分析软件中，选择皮尔森相关性分析计算不同城乡单元地方性核心要素组合间的相关系数r，计算公式如下：
式中，表示地方性核心要素X的离均差平方和；表示地方性核心要素Y的离均差平方和； 表示地方性核心要素X与Y的离均差平方和；n代表地方性核心要素X的总数。相关系数r是一个无量纲的统计指标，其取值范围为-1≤r≤1，相关系数小于0为负相关，大于0为正相关，等于0表示不存在相关。相关系数的绝对值越大，表示两个地方性核心要素间的相关程度越密切。
S4.3，根据每个城乡单元的各地方性核心要素间的共现频次和相关系数，确定不同城乡地区的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案：地方性核心要素组合提取原则如下：1)有统计意义的相关程度：两个要素的相关性在0.01或0.05水平上显著，即相关系数r能通过95％或99％的显著性检验，即只有5％或者1％的要素是不满足相关系数r；2)比较明显的共现次数：两个要素的共现频次大于等于10。以上两个原则必须同时满足才能筛选成为地方性核心要素组合，根据要素组合绘制不同城乡的地方性认知网络图：每个椭圆形代表一个参与运算的自由节点，即地方性要素；椭圆形上的数字即为该地方性要素在该城乡地区的所有照片中出现的总频次；深色椭圆形表示出现频次较高的地方性要素；两个椭圆形之间的连线表示两个地方性要素具有同时出现的倾向，即为共现频次；连线上的数字和其后括号中的数字分别表示二者间的共现频次和相关系数，其中相关系数中的**表示两个要素的相关性在0.01水平上显著，*表示两个要素的相关性在0.05水平上显著。根据不同城乡的地方性认知网络图，将地方性核心要素频次从大到小进行排序，频次越高的地方性核心要素，是该地区反映城乡风貌特色的重要要素；再将地方性核心要素组合的相关系数从大到小进行排序，其中位置越靠前的则成为塑造该城乡风貌特色的关键要素组合，在城乡风貌特色规划中作为优先配置的组合单元。
本发明了提供一种用于城乡风貌特色塑造的区域地方性度量方法，与现有技术相比，本发明具有以下优势：(1)通过网络平台开放式海量的城乡风貌照片数据中提取地方性要素，充分发挥多元大数据的科学支撑作用，实现客观与大样本的特征，体现出自下而上人对城乡风貌特色的认知表征和感知构建，有更强的合理性，能够准确提炼城乡风貌的地方性特色要素及其组合，弥补传统风貌特色规划的主观分类和要素判断，尤其对区域城乡这种大尺度空间该方法具有无可比拟的优势；(2)通过不同城乡风貌特色的地方性要素及其组合，提出具体的地方性要素及其组合控制指引要求，结合国土空间规划体系建设，以全域视角、全要素管控为目的，有助于不同地区城乡因地制宜地开展各类风貌特色资源的有效利用，为设计独特城市风貌和开展具有“城乡记忆”的空间营建提供引导，并为城乡风貌特色的自下而上、人性化、科学化、系统化和定量化分析提供了可靠的基础，为不同地区的城乡规划、建设、治理成为具有地方性特质的建筑、景观、环境、风貌等提供技术支撑；(3)可以帮助高效形成具有地方性的城乡风貌特色设计方案，还能对设计方案进行特色评价，据此可以城乡为单元进行城乡风貌管控和地方特色塑造，为系统性地认知、保护、传承与再塑造城乡风貌特色和整体性规划管控提供了规划设计手段，为城乡风貌特色的地方性传承、创造性转化、创新性发展提供新的综合规划方法。
附图说明
图1是本发明提供的一种用于城乡风貌特色塑造的区域地方性度量方法的流程框图。
图2是本发明实施例的农牧交错带中的河北省、内蒙古自治区和甘肃省的地方性认知网络图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
以下为中国农牧交错带地区作为具体实施例来详细阐述本发明的技术方案。
农牧交错带是典型的生态脆弱区、经济落后地区和多民族聚居区，对于地方性研究，该区域具有极强的典型性：1)从自然地理学的角度来看，农牧交错带属于自然环境的过渡带，具有较大的不稳定性和过渡性；2)从文化地理学的角度来看，其产生的新石器中期文化是中国古代文明的重要源头之一，在漫长的历史进程中，当地经历了农业的发生、畜牧业的分化，以及农业文化、畜牧业文化的交替扩张与收缩的巨大变化；3)从城镇格局来看，在极端自然环境与多种文化、人为因素作用下，这里也是历史建成环境文化景观格局面临破碎、变异、甚至消亡危险极为严重的地带；4)从主体认知来看，该区域跨越多个省级行政单元，且有足够的照片数据充分保证定量分析的有效性，支持地方性要素提取。农牧交错带包括中国15个省级行政单位(省/直辖市/自治区)，涉及四川省、内蒙古自治区、北京市、黑龙江省、甘肃省、河北省、山西省、云南省、西藏自治区、宁夏回族自治区、陕西省、青海省、吉林省、辽宁省和天津市。如图1所示，本发明提供的一种用于城乡风貌特色塑造的区域地方性度量方法包括以下步骤：
S1，获取农牧交错带范围内采集点上的城乡风貌照片。
S1.1，根据规划范围，确定农牧交错带的地理范围及采集点坐标：在GIS平台中确定农牧交错带的范围边界。在实践操作中，为了便于数据采集，将区域边界化曲为直，根据农牧交错带的形状找到十个特征点，生成不规则多边形，由此作为农牧交错带的规划范围边界。接着，将十个特征点导入到Truffer软件。然后任取地图上的某一点，采用合适的“步进”方法，将其从左到右移动一屏，确定纬度变化是1.18，再将其从上到下移动一屏，确定经度变化范围是0.58，通过十个特征点以及以上的“步进”参数，在Truffer软件中计算得到农牧交错带规划范围内共有1139个采集点及坐标，导入到GIS平台中；
S1.2，根据1139个采集点坐标，获取27613张城乡风貌照片：通过网络爬虫技术从图像共享存放服务的在线社区Panoramio网站中获得城乡风貌照片，将1139个采集点坐标与Panoramio网站图片坐标链接，采集对应采集点坐标的图片，通过Python网络爬虫技术编制图片采集规则：打开网页→翻页→提取数据→循环。得到的采集数据均为URL地址，将全部地址导入Python程序中编写规则：打开网页→提取数据，循环采集每张图片的全部信息，最终将结果导入到Excel软件中储存，农牧交错带范围内每个采集点对应的带有地理标签的网络随愿照片数据，共有28972条。再对28972张图像数据进行清理，剔除室内环境、人物照相、手绘漫画、数字虚拟等与城乡空间环境特征主题无关的图片数据，重点选择户外实物照片，包括风景、古迹、街景、房子、公园等，排除掉数据重复和坐标偏移等问题，剩余有效的城乡风貌照片27613张。
Panoramio网站图片是进行地方性度量分析的首选，原因有三：1)空间属性精确。Panoramio网站图片与谷歌地图巧妙结合，只要上传的照片包含坐标信息，Panoramio网站就会自动将这个坐标地址读出来并进行归类，在显示照片的同时还在旁边显示谷歌地图的地标。相比之下，Twitter、Instagram、新浪微博等社交媒体平台更注重社交数据而非地理信息，Flickr、视觉中国、六只脚等其他图片平台目前不能自动处理包含坐标的照片，需要手动在地图上标识，其默认地址使用的是卫星地图，范围小，清晰度差；2)地方性特征鲜明。Panoramio网站的设计初衷是让用户将图片定位到谷歌地图上，以显示人们去过的地方。因此其对于照片的选取必须能够体现与地方有关的主题，以室外照片为主，包括风景、古迹、街景、房子、公园等，而非人像或人群、建筑物内部或细节特写等照片，因此对地方性的表达充分且典型；3)审核标准严格。Panoramio网站不仅对照片内容进行专业审核，排除拍摄主体不合适的照片，还会对照片本身进行严格把关，从大小、像素、光线、真实性、清晰度、版权所属、广告植入、肖像权、种族主义等方面筛选合适的照片，由此保证广泛的认可度、较强的辨识度、较高的图片质量和较低的重复率；
S1.3，将农牧交错带内的27613张城乡风貌照片形成图片数据库：Panoramio网站图片携带的有效信息包括照片编号(网站自动命名的ID)、经纬度、所属地点、上传时间、作者、名称、浏览量。将每张照片看作一个单独的内容分析单元，对应一组信息集合作为标签，导入到GIS平台形成图片数据库，每个采集点对应以Panoramio网站上默认ID编号命名的照片，及其携带的信息集合：属性标签包括：地名N为照片名称，地理足迹F为经纬度和所属行政区(省/市/县/镇/乡/村)，信息I为上传者、上传日期和浏览量。一张照片和对应信息的组合可以称为一个“个案”，全部个案的信息集合共同构成图片数据库。通过添加经纬度数据的方式将全部个案以点状要素标记在一张已配准好地理坐标的中国地图上，并在属性表中注明每个点状要素的名称、类型等属性，便于在GIS平台中进行数字化操作与空间分析。大致判断个案点的选取基本合理，无异常值出现。
S2，对农牧交错带内城乡风貌照片进行地方性要素编码及特征提取：
S2.1，对农牧交错带内15个省级行政单位内的城乡风貌照片进行地方性要素编码提取：在GIS中建立项目，在预处理阶段，先随机将部分样本照片导入，以开放式编码的形式转换成若干个标签或符码，作为携带有地方性要素信息的最小意义单元，并将每个单元标记为自由节点，比如“山景”“森林”“遗址遗迹”等。一般情况下，对文字进行内容分析时，每个内容单元只对应一个分类标签。但是由于照片携带的信息内容比文字更为丰富，因此编码数量有所增多，但分布的节点数量以不超过4个为宜。据此对S1中获得的27613张照片全部进行开放式编码，标签依据图片中包括的地方性要素而定，要素包括：山景、砂砾、水景、石景、雪景、特殊地形地貌、其它自然景观，森林、灌木、草本、人工植被、鲜花、其它植被，蓝天、白色天空、雾霾、扬沙或浓烟、白云、其它气象，长城、烽火台、古代建筑、石碑石刻石像、遗址遗迹、古塔、西方建筑、陵墓、其它文化景观，马路、现代建筑物、人工构筑物、交通工具、夜景、人工光源、都市整体风貌、其它现代景观，传统民居、民族特色建筑、生产生活物品、日常生活场景、聚落与村寨、庄稼/农作物、其它传统生活，旅游服务设施、仿古建筑、旅游景区、其它旅游系统，普通人、少数民族、游客、其他人物，鸟和家禽、鹿、马和驴、鱼类、熊猫、老虎、骆驼、猴子、牛羊、其它动物等。根据照片携带的地方性要素特征，在61类自由节点类型中共得到了52个自由节点；
S2.2，对52个自由节点归并为9类树状节点：由于自由节点数目较多，为方便同类自由节点间的比较，进一步对自由节点进行轴心式编码，完成重新分类与归纳。对于地方性要素内容比较丰富的照片，将按照一定的优先位序进行编码，位序取决于要素在地方性表达方面是否充分典型，即自然景观、植被系统、文化景观的位序＞气象特征、现代风格、传统生活的位序＞旅游系统、人物、动物的位序。通过归类合并与意义主题上的提炼，最终得到52个自由节点和9类树状节点，分类原则如下：
S2.3，统计农牧交错带内9类树状节点及其对应的52个自由节点的频次和频率：频次指该自由节点或树状节点所代表的地方性要素在27613张照片中出现的次数；自由节点的频率指该自由节点的频次与其所属树状节点频次的比值，树状节点的频率指该树状节点的频次与农牧交错带内树状节点总体频次的比值；小计中的频率指该树状节点的频次与总体频次的比值。地方性要素在27613张城乡风貌照片中出现的频次和频率统计表如下：
27613张照片经过标签化后，总共被分解为91644个地方性要素信息。自然景观、植被系统和气象特征三类树状节点的数量在全部地方性要素信息中具有主要优势，占总体的76.7％，而文化景观、现代风格、传统生活、旅游系统、人物和动物这六类树状节点出现的频率总和不到24％。从自由节点的频次特征来看，农牧交错带地方性要素主要是山景(12558)、野生灌木(10851)、蓝天(8981)、野生草本(7084)、白色天空(5694)、水景(4722)、白云(4225)、雾霾(4077)、现代建筑物(3680)、人工植被(3671)、人工构筑物(3427)、马路(3135)、传统民居(2510)。其他自由节点频次较少，在数量上处于相对弱势。
考察自由节点与树状节点之间的相对关系，即自由节点出现的频率，可以发现，在“自然景观”类别中，山景出现频次最多(频率为54.4％)；在“植被系统”类别中，野生灌木出现频次最多(频率为45.2％)；在“气象特征”中，蓝天出现频次最多(频率为38.7％)；在“文化景观”中，古代建筑出现频次最多(频率为33.5％)；在“现代风格”中，建筑物、构筑物、马路出现频次均较多(频率分别为31.6％、29.4％、27.0％)；在“传统生活”中，传统民居出现频次最多(频率为49.6％)；在“旅游系统”中，仿古建筑出现频次最多(频率为62.1％)；在“人物”中，游客出现频次最多(频率为57.2％)；在“动物”中，牛羊、马驴这些大型畜类动物出现频次较多(频率分别为55.4％、31.9％)。
S3，计算农牧交错带内15个省级行政单位的地方性平均感知度和重要程度值，由此遴选出不同城乡地方性核心要素：
S3.1，计算15个省级行政单位的地方性平均感知度：除了分析地方性要素出现的频次和频率，还应当分析每类地方性要素感知程度的大小，可以用每张照片的浏览量进行研究。将浏览量作为变量进行加权处理，根据公式(1)～公式(3)，以15个省级行政单位为单元计算每个地区的地方性感知度GZD和平均感知度gzd。感知度GZD越大，表示该地方性要素所在照片被更多的人浏览，其认可度越高，传播范围越广，影响力越大，该地方性要素作为地方性构成的最小意义单元，大众对其地方性感知越充分。特别地，地方性平均感知度gzd可以消除照片数量对感知度GZD带来的影响，因而对地方性要素感知水平的体现更加准确，农牧交错带52种地方性要素的感知度和平均感知度计算结果如下：
S3.2，计算15个省级行政单位的地方性重要程度值：为了区分不同地区之间的地方性差异，根据公式(4)～公式(6)，以15个省级行政单位为单元，借助TFIDF算法计算地方性要素的重要程度值。
根据农牧交错带内52个自由节点各自出现的总频次，以及它们在15个省级行政单位中分别出现的频次，两者相减得到每个地方性要素(自由节点)在每个省级行政单位中的排除频次，即该地方性要素出现在其他省级行政单位中的次数，该数值越大，说明该地方性要素越分散，对于该省级行政单位地方性的贡献程度越小。进而计算出每个地方性要素在15个省级行政单位中的idf值；再计算地方性要素在某个省级行政单位风貌图片中出现的频次与该省级行政单位风貌图片总数之比，即为tf值。最后将tf和idf中相对应的每一项数值相乘，计算出每个省级行政单位中各个自由节点的tfidf值，即为地方性的重要程度值。农牧交错带15个省级行政单位52种地方性要素的重要程度值部分计算结果如下：
自由节点 省份(tfidf值) 自由节点 省份(tfidf值)
山景 藏(0.499)滇(0.468)川(0.411) 构筑物 黑(0.220)辽(0.170)宁(0.143)
砂砾 宁(0.241)蒙(0.217)辽(0195) 交通工具 京(0.096)黑(0.063)吉(0.049)
水景 藏(0.281)滇(0.264)川(0.257) 夜景 吉(0.112)京(0.052)黑(0.049)
石景 青(0.141)藏(0.082)陕(0.076) 人工光源 京(0.070)黑(0047)川(0.035)
雪景 藏(0.271)川(0.161)滇(0.149) 都市风貌 陕(0.039)黑(0.030)甘(0.026)
地形地貌 甘(0.100)辽(0.068)青(0.058) 传统民居 滇(0.166)晋(0.166)川(0.136)
森林 滇(0.315)津(0.301)藏(0.221) 民族建筑 青(0.061)川(0.058)蒙(0.056)
灌木 蒙(0.248)晋(0.209)川(0.204) 生活物品 黑(0.022)蒙(0.016)甘(0.014)
草本 蒙(0.429)冀(0.172)青(0.171) 日常场景 黑(0.081)晋(0.069)蒙(0.048)
人工植被 黑(0.273)京(0.219)冀(0.167) 聚落/村寨 滇(0.174)辽(0.102)川(0.072)
鲜花 蒙(0.044)吉(0.035)川(0.034) 农作物 滇(0.167)黑(0.064)晋(0.060)
蓝天 吉(0.269)黑(0.228)蒙(0.214) 服务设施 津(0.121)滇(0.038)京(0.025)
白色天空 津(0.205)甘(0.196)黑(0.195) 仿古建筑 青(0.062)辽(0.052)晋(0.049)
雾霾 晋(0.474)蒙(0.245)宁(0.236) 旅游景区 津(0.086)吉(0.031)蒙(0.013)
扬沙/浓烟 晋(0.138)吉(0.073)蒙(0.028) 普通人 吉(0.065)滇(0.039)津(0.035)
白云 藏(0.259)滇(0.254)川(0.213) 少数民族 滇(0.022)川(0.016)藏(0.015)
长城 京(0.170)津(0.134)冀(0.063) 游客 津(0.094)滇(0.075)京(0.047)
烽火台 晋(0.146)冀(0.059)宁(0.058) 鸟和家禽 吉(0.034)蒙(0.016)黑(0.014)
古代建筑 晋(0.159)京(0.075)青(0.066) 鹿 川(0.001)
石碑等 津(0.131)晋(0.054)京(0.052) 马和驴 蒙(0.056)滇(0.032)川(0.029)
遗址遗迹 辽(0.061)晋(0.042)京(0.025) 鱼类 吉(0.012)
塔类建筑 京(0.028)晋(0.028)陕(0.027) 熊猫 川(0.008)
西方建筑 黑(0.022)晋(0.021)京(0014) 老虎 京(0.002)
陵墓 宁(0016)晋(0.015)京(0.012) 骆驼 宁(0.019)蒙(0.010)
马路 京(0.242)吉(0.189)宁(0.188) 猴子 滇(0.003)川(0.002)
建筑物 黑(0.268)京(0.220)吉(0.187) 牛羊 蒙(0.100)藏(0.043)吉(0.039)
山景、水景、雪景、森林、白云、少数民族等与自然景观和民族特征有关的地方性要素主要分布在云南、西藏、四川三个省份，描绘了壮阔、瑰丽、纯粹的天然风景，同时云南也是聚落和村寨以及农作物的代表性省份，说明这里在一定程度上保留着传统的生活方式，浓缩着原汁原味的地方特色；表达环境恶劣的砂砾、雾霾、扬沙等地方性要素主要分布在北方。值得注意的是，山西省同时又是烽火台、古代建筑、石碑、遗址遗迹、塔类建筑、西方建筑、陵墓等文化景观的代表性省份。丰富的人类活动遗留产物或许暗示了历史上这里曾经是水草丰美、风光宜人的场所；灌木、草本、牛羊、马驴等地方性要素的代表性省份以内蒙古自治区为主，体现了与游牧民族生产生活方式息息相关的地理环境和特色动物。
S3.3，根据15个省级行政单位的地方性平均感知度和重要程度值，遴选出不同城乡地方性核心要素：对于地方性核心要素的选取遵循以下原则：1)较高的代表性和典型性：该地方性要素在该城乡的平均感知度值大于或等于所有城乡所有地方性要素的平均感知度值的平均数，即0.1；2)较好的独特性和区分度：该地方性要素在该城乡的重要程度值大于或等于所有城乡所有地方性要素的重要程度值的平均数，即0.02。基于以上两个条件，满足其一即可通过筛选，由此得到不同城乡的地方性核心要素。以下结果为农牧交错带中的河北省、内蒙古自治区和甘肃省的地方性核心要素：
S4，根据15个省级行政单位的地方性核心要素间共现频次和相关系数，确定不同城乡地区的地方性核心要素组合，由此得到农牧交错带15个省级行政单位城乡风貌特色塑造的关键空间要素及其组合规划方案：
S4.1，计算15个省级行政单位的地方性核心要素间的共现频次：若在同一城乡风貌照片中，地方性核心要素同时出现，则记为二者共现频次为1次。将27613张照片对应的地方性核心要素频次导入到Excel中进行条件筛选、共现统计和分省级行政单位和分地方性要素组合汇总统计，获得15个省级行政单位不同地方性核心要素组合的共现频次。
S4.2，计算15个省级行政单位的地方性核心要素间的相关系数：基于步骤S3中15个省级行政单位的地方性核心要素选取，将S2.3计算得到的地方性要素频率值按照15个省级行政单位整理成地方性核心要素矩阵，导入SPSS统计分析软件中，选择皮尔森相关性分析计算不同城乡单元地方性核心要素组合间的相关系数，分别得到农牧交错带15个省级行政单位的地方性要素相关系数矩阵表，表格中的每个单元都由三部分构成，即交叉于该表格的横行与纵列两个要素的皮尔森相关系数、显著性水平(双侧检验)以及参与运算的全部地方性要素数量。其中深灰色表示地方性要素自身相关系数＝1，**表示相关系数在0.01检验水平上显著，*表示相关系数在0.05检验水平上显著。
S4.3，确定15个省级行政单位的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案：地方性核心要素组合提取原则如下：1)有统计意义的相关程度：两个要素的相关性在0.01或0.05水平上显著；2)比较明显的共现次数：两个要素的共现频次大于等于10。以上两个原则必须同时满足才能筛选成为地方性核心要素组合，根据要素组合绘制15个省级行政单位的地方性认知网络图：每个椭圆形代表一个参与运算的自由节点，即地方性要素；椭圆形上的数字即为该地方性要素在该省级行政单位的所有照片中出现的总频次；深色椭圆形表示出现频次较高的地方性要素；两个椭圆形之间的连线表示两个地方性要素具有同时出现的倾向，即为共现频次；连线上的数字和其后括号中的数字分别表示二者间的共现频次和相关系数，其中相关系数中的**表示两个要素的相关性在0.01水平上显著，*表示两个要素的相关性在0.05水平上显著。图2展示了农牧交错带中的河北省、内蒙古自治区和甘肃省的地方性认知网络图。
根据地方性认知网络图，“山景”和“灌木”都是出现频次极高的地方性要素，它们在河北省全部照片中出现的频次分别为4663和6295，两者在2417张照片中同时出现过，且相关系数高达0.149，在0.01水平上具有统计显著性。河北省和内蒙古自治区的核心要素(深色椭圆形)都包括山景、灌木、草本、蓝天，而内蒙古自治区则替换为白色天空，甘肃省的核心要素增加了水景和白云两个节点，体现了农牧交错带中从北向南生态环境逐渐优化。
根据不同城乡的地方性认知网络图，将地方性核心要素频次从大到小进行排序，频次越高的地方性核心要素，是该地区反映城乡风貌特色的重要要素；再将地方性核心要素组合的相关系数从大到小进行排序，其中位置越靠前的则成为塑造该城乡风貌特色的关键要素组合，在城乡风貌特色规划中作为优先配置的组合单元。从地方性核心要素组合来看，河北省的“森林-长城”“古建-游客”“草本-牛羊”“聚落/村寨-农作物”“聚落/村寨-地形地貌”“砂砾-雾霾”“人工植被-建筑物”“普通人-日常场景”等要素组合的相关系数在0.1以上，占全部联系总数的21.6％；内蒙古自治区有“山景-森林”“白云-蓝天”“烽火台-砂砾”“砂砾-雾霾”“建筑物-人工植被”“建筑物-马路”“遗址遗迹-石碑”“农作物-地形地貌”等要素组合的相关系数在0.1以上，占全部联系总数的27.5％。“雪景”和“古建”的共现次数均小于10，故没有将其纳入地方性认知网络中；甘肃省有“山景-水景”“山景-灌木”“山景-雪景”“山景-白云”“雪景-蓝天”“草本-牛羊”“草本-鲜花”“水景-森林”“人工植被-白色天空”“人工植被-古建”“森林-聚落/村寨”“聚落/村寨-农作物”“传统民居-日常场景”“人工植被-建筑物”“人工植被-构筑物”“人工植被-马路”“建筑物-白色天空”“建筑物-马路”等要素组合的相关系数在0.1以上，占全部联系总数的45.2％。
因此，以河北省城乡风貌特色塑造为例，应注重“森林-长城”“古建-游客”“草本-牛羊”“聚落/村寨-农作物”“聚落/村寨-地形地貌”“砂砾-雾霾”“人工植被-建筑物”等地方性场景要素的关联构建，这些要素组合也是贯穿城乡风貌规划设计的核心，以此指导和改善整体城乡景观面貌，在恢复景观风貌的同时最大程度地采用以上要素组合表现景观风貌的地方特色，对以上几类地方性核心要素组合需要提高更多的规划设计投入和空间营建，以最大限度的保证河北省城乡风貌特色的地方性要素特征的真实性和客观性。
以上所述为本发明的具体实施方式，但本发明的保护范围不局限于以上实施方式，对于本领域的技术人员而言，在不脱离本发明的原理和精神的情况下，对这些实施例进行变化、修改、替换、整合和变型仍落入本发明的保护范围内。

Claims (6)

1.一种用于城乡风貌特色塑造的区域地方性度量方法，包括以下步骤：
S1，获取规划范围内的城乡风貌照片形成图片数据库；
S2，对城乡风貌照片进行地方性要素编码及特征提取，包括：
S2.1，对不同城乡风貌照片中的地方性要素进行编码提取：将S1中获得的照片导入到地理信息系统平台中，以开放式编码的形式将照片标注为若干个标签，标签依据照片中包括的地方性要素而定，将每个地方性要素作为一个标签标记为自由节点，一张照片分布的自由节点数量不超过4个；
S2.2，将自由节点归并为9类树状节点：对自由节点进行轴心式编码，完成重新分类与归纳，得到9类树状节点：自然景观、植被系统、文化景观、气象特征、现代风格、传统生活、旅游系统、人物、动物；其中，对于地方性要素内容比较丰富的照片，按照一定的优先位序进行编码，位序取决于要素在地方性表达方面是否充分典型，即自然景观、植被系统、文化景观的位序＞气象特征、现代风格、传统生活的位序＞旅游系统、人物、动物的位序；
S2.3，统计规划范围内不同城乡9类树状节点及其对应的自由节点的频次和频率：频次指该自由节点或树状节点所代表的地方性要素在全部照片中出现的次数；自由节点的频率指该自由节点的频次与其所属树状节点频次的比值，树状节点的频率指该树状节点的频次与规划范围内树状节点总体频次的比值；
S3，计算不同地区的地方性平均感知度和重要程度值，由此遴选出不同城乡地方性核心要素，包括：
S3.1，计算不同城乡的地方性平均感知度：以城乡为单元计算每个地区的地方性感知度GZD和平均感知度gzd，公式如下：
其中，vi是照片信息集合中的浏览量；pvi表示该照片的浏览量占全部照片总浏览量的比例；A[m，n]表示所有n张照片包括的代表地方性要素的自由节点所组成的m*n的地方性要素原始矩阵，m值为1或0，表示该自由节点在照片中是否被编码；n是图片数据库中的照片总数；N是每个自由节点出现的总频次；
S3.2，计算不同城乡的地方性重要程度值：借助TFIDF算法计算地方性要素的重要程度值tfidf，计算公式如下：
w＝tfidf(t,d,D)＝tf(t,d)×idf(t,D) (4)
其中，tf指的是单个地方性要素t在某个要素集合d中出现的频率，该数值即为地方性要素在某个城乡风貌图片中出现的频次与该城乡风貌图片总数之比；idf指的是单个地方性要素在图片数据库D中的逆文档频率；D代表包含所有要素集合的集合；N是每个地方性要素即自由节点出现的总频次；
S3.3，根据每个城乡单元的地方性平均感知度和重要程度值，遴选出不同城乡地方性核心要素，所述地方性核心要素需满足下述条件之一：1)该地方性要素在该城乡的平均感知度值大于或等于所有城乡所有地方性要素的平均感知度值的平均数；2)该地方性要素在该城乡的重要程度值大于或等于所有城乡所有地方性要素的重要程度值的平均数；
S4，根据各地方性核心要素间共现频次和相关系数，确定不同城乡地区的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案。
2.如权利要求1所述的区域地方性度量方法，其特征在于，步骤S1包括：
S1.1，根据规划范围，确定面域地理范围及采集点坐标：在地理信息系统平台中确定规划范围边界的地理坐标，并将其导入到科学计算与数据可视化软件；然后任取地图上的某一点，采用“步进”方法在该软件中计算得到规划范围内的采集点个数及坐标，导入到地理信息系统平台中；
S1.2，根据采集点坐标，获取城乡风貌照片：从街景图片网站、社交媒体平台或开放式图像共享平台，根据S1.1得到的采集点坐标，获取规划范围内每个采集点对应的带有地理标签的网络随愿照片数据，剔除其中与城乡空间环境特征主题无关的图片数据，重点选择户外实物照片；
S1.3，将城乡风貌照片形成图片数据库：根据规划区域范围以及照片携带的有效信息，将每张照片看作一个单独的内容分析单元，对应一组信息集合作为标签，导入到地理信息系统平台形成图片数据库，属性标签包括：地名N为照片名称，地理足迹F为经纬度和所属行政区，信息I为上传者、上传日期和浏览量。
3.如权利要求2所述的区域地方性度量方法，其特征在于，在步骤S1.2中通过Python网络爬虫技术编制图片采集规则，获取规划范围内每个采集点对应的带有地理标签的网络随愿照片数据。
4.如权利要求1所述的区域地方性度量方法，其特征在于，在步骤S3.2中，将公式(5)优化为：
其中，将idf定义为图片数据库D中的每个地方性要素出现的总频次N，除以该地方性要素t出现在除了要素集合d以外的其他要素集合中的频次加1，对该结果再取对数；
先计算出每个地方性要素在每个城乡单元中的idf值，再计算地方性要素在某个城乡风貌图片中出现的频次与该城乡风貌图片总数之比，即为tf值；最后将tf和idf中相对应的每一项数值相乘，计算出每个城乡单元中各个自由节点的tfidf值，即为地方性的重要程度值。
5.如权利要求1所述的区域地方性度量方法，其特征在于，步骤S4包括：
S4.1，计算各个城乡的地方性核心要素间的共现频次：若在同一城乡风貌照片中，两个地方性核心要素同时出现，则记为二者共现频次为1次；将照片对应的地方性核心要素频次进行条件筛选、共现统计和分要素组合汇总统计，获得各个城乡不同地方性核心要素组合的共现频次；
S4.2，计算各个城乡的地方性核心要素间的相关系数：基于步骤S3选取的不同城乡单元的地方性核心要素，将步骤S2.3计算得到的地方性要素频率值按照城乡单元数量整理成地方性核心要素矩阵，导入SPSS统计分析软件中，选择皮尔森相关性分析计算不同城乡单元地方性核心要素组合间的相关系数r，计算公式如下：
其中，表示地方性核心要素X的离均差平方和；
表示地方性核心要素Y的离均差平方和；
表示地方性核心要素X与Y的离均差平方和；n代表地方性核心要素X的总数；相关系数r是一个无量纲的统计指标，其取值范围为-1≤r≤1，相关系数小于0为负相关，大于0为正相关，等于0表示不存在相关；相关系数的绝对值越大，表示两个地方性核心要素间的相关程度越密切；
S4.3，确定不同城乡地区的地方性核心要素组合，由此得到城乡风貌特色塑造的关键空间要素及其组合规划方案；其中，地方性核心要素组合提取原则是同时满足如下两点：1)有统计意义的相关程度：两个要素的相关性在0.01或0.05水平上显著，即相关系数r能通过95％或99％的显著性检验；2)比较明显的共现次数：两个要素的共现频次大于等于10；根据要素组合绘制不同城乡的地方性认知网络图；将地方性核心要素频次从大到小进行排序，频次越高的地方性核心要素，是该地区反映城乡风貌特色的重要要素；再将地方性核心要素组合的相关系数从大到小进行排序，其中位置越靠前的则成为塑造该城乡风貌特色的关键要素组合，在城乡风貌特色规划中作为优先配置的组合单元。
6.如权利要求5所述的区域地方性度量方法，其特征在于，在根据要素组合绘制的不同城乡的地方性认知网络图中，每个椭圆形代表一个参与运算的自由节点，即地方性要素；椭圆形上的数字即为该地方性要素在该城乡地区的所有照片中出现的总频次；深色椭圆形表示出现频次较高的地方性要素；两个椭圆形之间的连线表示两个地方性要素具有同时出现的倾向，即为共现频次；连线上的数字和其后括号中的数字分别表示二者间的共现频次和相关系数，其中相关系数中的**表示两个要素的相关性在0.01水平上显著，*表示两个要素的相关性在0.05水平上显著。
CN202310826275.XA 2023-07-06 2023-07-06 一种用于城乡风貌特色塑造的区域地方性度量方法 Active CN116822798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310826275.XA CN116822798B (zh) 2023-07-06 2023-07-06 一种用于城乡风貌特色塑造的区域地方性度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310826275.XA CN116822798B (zh) 2023-07-06 2023-07-06 一种用于城乡风貌特色塑造的区域地方性度量方法

Publications (2)

Publication Number Publication Date
CN116822798A CN116822798A (zh) 2023-09-29
CN116822798B true CN116822798B (zh) 2024-03-29

Family

ID=88121948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310826275.XA Active CN116822798B (zh) 2023-07-06 2023-07-06 一种用于城乡风貌特色塑造的区域地方性度量方法

Country Status (1)

Country Link
CN (1) CN116822798B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436767B (zh) * 2023-12-15 2024-04-09 云南师范大学 基于近远程耦合协调模型的评估方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013041517A1 (en) * 2011-09-22 2013-03-28 Telefonica, S.A. A method to generate a personalized tourist route
CN107609107A (zh) * 2017-09-13 2018-01-19 大连理工大学 一种基于多源城市数据的出行共现现象可视化分析方法
CN110070624A (zh) * 2019-04-26 2019-07-30 厦门大学 一种基于vr结合眼动跟踪的城市风貌特征识别的方法
CN112949413A (zh) * 2021-02-04 2021-06-11 北京大学 基于街景图片的城市景观要素分类及地方性度量方法
CN115292951A (zh) * 2022-08-17 2022-11-04 于飞 一种城乡更新规划设计的智能规划设计辅助系统
CN115984721A (zh) * 2022-12-20 2023-04-18 厦门大学 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013041517A1 (en) * 2011-09-22 2013-03-28 Telefonica, S.A. A method to generate a personalized tourist route
CN107609107A (zh) * 2017-09-13 2018-01-19 大连理工大学 一种基于多源城市数据的出行共现现象可视化分析方法
CN110070624A (zh) * 2019-04-26 2019-07-30 厦门大学 一种基于vr结合眼动跟踪的城市风貌特征识别的方法
CN112949413A (zh) * 2021-02-04 2021-06-11 北京大学 基于街景图片的城市景观要素分类及地方性度量方法
CN115292951A (zh) * 2022-08-17 2022-11-04 于飞 一种城乡更新规划设计的智能规划设计辅助系统
CN115984721A (zh) * 2022-12-20 2023-04-18 厦门大学 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
个性化图像检索和推荐;冀振燕;姚伟娜;皮怀雨;;北京邮电大学学报;20170615(03);全文 *
文本配图系统的设计与实现;张明西;乐水波;李学民;董一鹏;;包装工程;20201010(19);全文 *
智能推荐算法在规国房系统中的应用;盛逍遥;吴友邦;王翔;李丽;;天津科技;20180925(09);全文 *

Also Published As

Publication number Publication date
CN116822798A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
Luo et al. Semantic Riverscapes: Perception and evaluation of linear landscapes from oblique imagery using computer vision
Lu et al. Assessing urban greenery by harvesting street view data: A review
CN116822798B (zh) 一种用于城乡风貌特色塑造的区域地方性度量方法
CN111597949A (zh) 一种基于npp-viirs夜间灯光数据的城市建成区提取方法
Dang et al. The integration of urban streetscapes provides the possibility to fully quantify the ecological landscape of urban green spaces: A case study of Xi’an city
Sun et al. The relation between green visual index and visual comfort in Qingdao coastal streets
Zhang et al. Decoding urban green spaces: Deep learning and google street view measure greening structures
Ma et al. Assessment of street space quality and subjective well-being mismatch and its impact, using multi-source big data
Tavakoli et al. Ecotourism spatial-time planning model using ecosystem approaches and landscape ecology
Huang et al. Using Google Street View panoramas to investigate the influence of urban coastal street environment on visual walkability
Zhang et al. Spatial differentiation characteristics and influencing factors of the green view index in urban areas based on street view images: A case study of Futian District, Shenzhen, China
Li et al. Reconstruction of traditional village spatial texture based on parametric analysis
Lu et al. Mapping the terraces on the Loess Plateau based on a deep learning-based model at 1.89 m resolution
Hu et al. Harnessing multiple data sources and emerging technologies for comprehensive urban green space evaluation
CN111401683A (zh) 古村落传统性的测算方法及装置
Ho LaDeco: A tool to analyze visual landscape elements
Ding et al. Tourists’ Landscape Preferences of Luoxiao Mountain National Forest Trail Based on Deep Learning
Xue et al. Exploring the distribution of city street greenery from eye-level: An application of Baidu Map panoramic images data
Zhu et al. Understanding Urban Residents’ Walking Exercise Preferences: An Empirical Study Using Street View Images and Trajectory Data
Meng et al. Travel preference: an indicator of the benefits of urban green space
Zhao et al. An Analysis of Aesthetic Perception of Karst Landscapes Based on Social Media UGC Data: A Case Study of Huangguoshu Scenic Area
Chen et al. How do residents perceive ecosystem service benefits received from urban streets? A case study of Guangzhou, China
Zhu et al. Research on Evaluating the Characteristics of the Rural Landscape of Zhanqi Village, Chengdu, China, Based on Oblique Aerial Photography by Unmanned Aerial Vehicles
Chang et al. Application of GIS Sensor Technology in Digital Management of Urban Gardens under the Background of Big Data
CN117540102B (zh) 一种基于知识图谱和多模态数据的生态文明模式推荐方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant