城市景观、社区面貌为何改观？城市物理和空间变迁与人文、社会、经济结构有何关系？近日，美国麻省理工学院与哈佛大学联合组成的研究团队，利用计算机视觉系统对城市景观变迁进行考察，发现根据居住人口密度、居民教育水平、街区所处地理位置等因素可以预测城市景观变化。该研究在检验经典理论的同时，呈现了利用计算机视觉技术改进城市物理空间的定量研究过程。

　　检验城市变迁传统理论

　　几十年来，人文社科学者对城市外观的重要性以及可能促成城市景观变化因素进行了讨论。基于对城市变迁三个经典理论——人力资本聚集理论、侵入理论与谢林的隔离理论的考察，此次研究主要采用了计算机视觉算法，考察了某个时间段街区的物理面貌变化。

　　计算机视觉在20世纪60年代脱胎于人工智能与认知神经科学，旨在通过设计算法让计算机自动理解图像的内容。论文第一作者、麻省理工学院博士后尼克赫尔·纳克（Nikhil Naik）表示，随着大型视觉数据在社交媒体、城市科学、公共卫生等诸多领域的普及，通过综合视觉数据库形成的计算机视觉算法将显得重要。

　　研究人员以美国巴尔的摩、波士顿、底特律、纽约以及华盛顿为研究对象，使用谷歌街景视图应用程序界面，获取了这些城市或地区的360度街景图，并选取了160多万张图片进行比较。

　　“我们的研究结果支持人力资本聚集理论、侵入理论。然而，并没有发现谢林的隔离理论中的那个‘隔离点’，即达到该点时，增长速度会加速。我们的研究证据只支持一个线性模式。”纳克对本报记者说。

　　研究数据表明，人口密度与安全度基本呈线性关系，人口密度高的空间比人口密度低的空间显得更具安全性。但是，这并不意味着高密度城市空间比低密度郊区或农村的安全性高，因为该研究样本仅限于城市。此外，还有一个强有力的影响因子是教育。居民中受过大学教育的人数超过20%，安全度就会上升0.51。研究人员认为，可能因为受教育人群更愿意出资改善社区面貌，让它看起来更安全，而非这些受教育的居民本身让社区显得更安全。而研究数据未发现改善城市街区面貌与工资、房价、租金等有明确关联，这说明教育更多体现的是技能而非收入。这一发现与人口聚集理论强调的人口与教育因素影响社区发展是一致的。

　　城市社会学研究的侵入理论，强调位置与社会关系网，认为商业中心或者其他具有吸引力的物理空间会产生“溢出”效应，从而使其周边环境随之改善。该研究团队认同这种“溢出”效应：离中央商业区越远，街区获得的分数越低。

　　此外，研究人员考察了谢林的隔离理论。虽然他们的研究数据支持隔离理论的基本假设，即好的会更好，差的会更差。但是，他们发现的是一个线性关系，而不是隔离理论提出的非线性关系。数据确实显示出原本不错的社区，改善水平更快；但是数据并未发现，“最初没有吸引力的社区，随着时间的推移变得越来越糟”。

　　图像与数据直观呈现城市状态

　　过去几十年里，城市的物理变迁，包括公共的、私人的基础设施的演变，一直都是决策者与经济学、社会学和城市规划学学者关注的领域。但是，在纳克与他的同伴看来，由于缺乏量化的、动态的、可衡量的方式，考察城市变迁存在一定的局限性。因此，他们开发了一种计算机视觉方法——“街道变化”（Streetchange），使研究者能够处理街景程序中的时间序列图像，量化城市变迁。从谷歌应用程序中获取的全景图都有唯一识别码，并与一个经度、纬度以及时间戳相关联。研究人员通过选择与图像相应的经纬度，并设置相同的街景车相机的角度，从全景图中剪辑出图像，从而获得同一地点相同视角下不同时间点的图像。

　　研究还采用了一种机器学习算法——“街道分数”（Streetscore），用于计算城市街景的安全度。这个算法分为三个步骤：将图像进行几何分层，包括地面、建筑、树以及天空；用图像处理技术对图像中的形状和纹理进行编码；通过以街道与建筑特点建立的模型为街区算出安全度分数。研究人员表示，利用这个算法计算，如果得出的是正值，表明街道景观得到了改善；如果是负值，则说明街道景观在变差。

　　“通过‘街道分数’，我们可以创造出高分辨率的地图，而训练集里只需要不到3000幅图像。”纳克说，研究表明，根据人工智能和地理空间数据，研究人员能够以前所未有的规模与分辨率，考察建筑环境、人口状况和城市研究。

　　在研究人员看来，越来越多的综合训练数据集和新的机器学习算法的应用，使得对街头景象的自动分类和标注图像的任务更加容易。同时，它们为计算机视觉、城市规划、城市社会学，以及城市经济学提供了新的交叉学科文献。

　　纽约大学城市科学与发展中心教授朱利娅·莱尼对该项研究评价说，高质量的测量、分析，以及对研究缺失的深度关注是未来研究的标准，希望能够看到更多这样的研究。此项研究成果发表于《美国国家科学院院刊》。

　　（本报波士顿7月16日电）