Google 街景图像:人塑造城市还是城市塑造人

编者按:本期推送麻省理工学院的Nikhil Naik、Ramesh Raskar、César A. Hidalgo,及哈佛大学的Scott Duke Kominers和Edward L. Glaeser等五位学者2015年10发表的NBER工作论文,题目是《人塑造城市,还是城市塑造人?——美国五大主要城市的物理、社会与经济变迁的共进演化》,该研究利用计算机视觉技术处理大量的Google街景图片,构建了城市物理空间变迁的测量指标,同时并入相关的社会经济统计数据,突破了以往理解城市变迁的局限。


研究背景
上世纪20年代以后,社会学中的芝加哥学派提出了许多著名的城市社会学理论,如集聚、分散、隔离、侵入和接替等。这些研究对于我们理解城市变迁给予了很好的启发,在经验上也能被一定程度的观察到,但是相关的观点始终没有得到切实的验证。其主要原因在于缺乏对社区空间的有效测量,导致城市空间与社会经济构成两者在城市变迁中的关系得不到很好的理解。可喜的是,大数据技术为我们解决物理空间变迁的测量问题打开了方便之门。

关于城市变迁,既有的研究主要认为,物理空间与城市的社会经济构成是共生演进的,然而这种共生演进到底是怎么发生的?人口与经济的变迁与城市物理空间的变迁,孰先孰后,后者两者共变、同时发生?温斯顿·丘吉尔就曾经说过:我们形塑了我们的建筑,然后他们又塑造了我们。这是真的吗?

不过,长期以来,这些问题并没有更为深入的研究。其主要的问题在于缺乏对物理空间变迁得有效测量。因此,数据收集与分析方法是该研究的重要创新。他们利用计算机视觉技术处理了来自Google的街景时间序列图片,以此测量街区空间的变迁。

街景图像与城市变迁
具体方法是,通过查询Google街景图像API获得了街景扫描车摄制的360度全景图像。这些街景图像,每一张都有唯一识别码,以及经纬度和时间。通过与街景车向关联的摄像头的偏航角和俯仰角,研究者们识别了一系列的全景图。他们总共获得了2007年和2014年巴尔的摩、波士顿、底特律、纽约和华盛顿等五大美国城市街区的1,645,760个panoid(即每个场景的唯一标识)。街景相关概念见文后介绍。

为了界定街区变迁,作者们把2007年图像数据设置为“前”面板,把2014年图像数据设置为“后”面板。对于那些缺这两个年份数据的街区,作者使用邻近年份的数据予以替代,其中2007年的图像约有5%来自2008年或2009年,而2104年数据有12%来自2013年。最后,这些图像与相应的经纬度坐标相匹配,同时设置了相同的偏航角和俯仰角。这样就可以获得同一地点相同视角下不同时间点的图像。

在具体的数据处理过程中,作者们删除了那些过度曝光、模糊不不清或有遮挡的图像,因此最终数据只包含了前面板和后面板均有效的配对图像。

接下来是关键步骤,利用这些前后配对的街景图像计算城市变迁。首先作者们使用“几何图层”算法,把图像分解为地面、建筑、树和天空四个几个图层,然后使用两种常见的计算机视觉处理技术:GIST (Oliva and Torralba, 2001) and Textons (Maliket al., 2001)计算街区得分。为了避免季节变化的影响,街区得分计算仅考虑地面和建筑的变化。最后,前后两个面板数据的街区变化得分,获得城市变迁系数(Urban Change Coefficient,UCC)。如下图a所示。


以下b-d图显示了街区变迁与城市变迁系数的情况。如图b所示,UCC在0分左右表明街区变化不显著;图c中UCC在6-7分之间表明街区有显著的改进,而图d中,UCC得分为-4至-7分表明城市街区显著衰落了。


最后,作者们把美国的社会经济调查数据与UCC相匹配。具体包括了2000年与2010年的美国普查数据,以及2006-2010年和2009-2013年的美国社区调查数据。此外为了测量普查地区的住房空置率,该研究还引入了美国住房与城市发展部的the HUD USPS 数据。

研究结果
通过克服物理空间测量的局限,研究者们检验在社区水平上街区空间与社会经济状况之间的关系,即社会经济变迁与街区空间变迁之间孰先孰后、抑或是共变,同时还检验了古典城市变迁理论,如侵入、隔离和接替。结果如下:

(1)检验前期社会经济特征对后期街区空间变迁的影响。结果表明人口密度和高等教育获得率可以很好地预测街区空间的变迁,住房成本也有较好的预测效力。具体而言,人口密度越大,大学毕业人口比例越高,城市租房月租金和平均住房价格越高,城市街区越可能更新改进。

(2)检验前期街区空间特征对后期社会经济特征的影响。结果显示影响并不显著,其中高街区得分并没有导致更高的大学毕业人口比例,作者认为这可能是由于工资收入较少的大学毕业生多数可能住进了条件较差的社区。

(3)分析街区空间变迁与社会特征变迁的关系,发现两者的互动是统计显著的,但影响处于中等水平。

(4)最后,作者们还检验了入侵、隔离和接替等城市变迁理论。结果表明1925年城市社会学家伯吉斯提出的入侵理论得到了验证,即街区空间的更新改进会外溢进入邻近地区。但经济学家谢林在1969年提出的隔离理论,即好的空间条件会变得更好,而差的条件会变得更差,这一理论假设没有得到有力验证。1982年马戈利斯提出的接替理论也没有的较好验证,该理论认为街区空间会逐渐衰落,直到获取新的升级改造。

评论
显然,这项研究对于城市社会学的研究有了重大突破和创新,一方面利用先进的计算机技术对城市空间的变迁实现了有效测量,是大数据分析技术在社会学研究中的重要进展;另一方面,长期以来基于观察归纳得到城市社会学理论得到了有效的检验,对于未来城市社会学理论的发展打开了新的大门。

还是那句话,新的技术会为理论的发展给带新的契机,至今还难以进行量化研究的主题有待新的技术进展。

附:街景的相关基本概念
1、场景(pano):一个360度的全景即为一个场景,街景是由无数人这样的场景组成,每一个场景都有自己的一个唯一标识,我们称为“PanoId”,就像是新闻系统,每篇文章都有ID一样。
    a) 街景是一张拼接好的完整的360度的照片:


  b) 将这张照片贴在一个球体的内面,将观察者置于球心,这样360度的全景感受就出来了:


   c) 街景行走时,从一个场景,切换到了另一个场景中,就像新闻系统的 “下一篇”:


2 视角(pov): 
    a) 偏航角(heading):控制观察方向,是与正北方向的夹角,顺时针一周为360度
    b) 俯仰角(pitch):简单的说就是抬头或低头的角度,水平为0度,低头为0至90度,抬头为0至-90度
    c) 缩放(zoom):分为1至4级,像望远镜一样,4级放得最大,看得最远


3 坐标吸附:
    通过某点 经纬度 获取 指定半径内 其 最近街景场景 信息(包括panoId、场景所在坐标等)。
   API为:soso.maps.PanoramaService.getPano(position:LatLng,radius:Number, callback:Function)。
   下图示意:给定A点坐标,范围100米,取最近街景场景信息,正好是B点,获取到B点的街景信息后,就可以通过API显示出街景了!


文献来源:
Naik N, Kominers S D, Raskar R, et al. Do People Shape Cities, or Do Cities Shape People? The Co-Evolution of Physical, Social, and Economic Change in Five Major U.S. Cities[J]. Social Science Electronic Publishing, 2015.
《[Java教程]SOSO街景地图Javascript API 使用新技术》http://www.shaoqun.com/a/70520.aspx

※ 本文源自微信订阅号【社论前沿】(ID:shelunqianyan),文献整理:范长煜。原文链接请点击本行文字,转载敬请直接联系原出处。


                                                                                            

评论 (0)

评论加载中...

我要评论

喜闻乐见
ta的文章更多

猜你喜欢

地震中受难更多的是哪种性别?关注自然灾害中的性别不公
环境、气候以及自然带来的灾害灾难不是与性别无关的。联合国数据显示:在自然灾害中,女性的死亡率是男
二维码