1978年，日本青木阳二先生基于视觉环境科学率先提出绿视率的概念，用以表述人视野内绿色景观所占的比例.之后由日本环境心理学专家大野隆造教授补充完善并发展成“绿视率”理论，继而得到广泛应用.日本是最早将绿视率应用于城市绿化建设与管理体系的国家，并于2004年将其作为日本城市绿化评价的常规指标^[5].目前，绿视率虽然尚未成为我国绿化的定额指标，但早在1990年，上海便以“提高道路绿视率”为原则进行杨高路道路绿化带设计.尤其是在当今高密度、高集聚的城市空间中，绿视率为已建成区域进行二次绿化提供了新视角，成为城市绿化结构改变和技术革新的重要推手.

目前，我国主要有绿地率、绿化覆盖率以及人均公园绿地面积三大绿化指标，但这些绿化指标主要基于生态意义上反映平面城市绿量水平以及人与绿化环境的客观关系.绿视率不同于传统平面二维的绿化指标，更侧重于三维立体的绿化结构和视觉生态效果^[6-7].所以，绿视率相较于传统绿化指标更能准确、直观地反映出人们对于绿化空间的物理适宜性，符合以人为本的设计理念，并且绿视率从人眼视角出发，实现了景观参与者与绿化品质之间的数据量化.人们可以借助绿视率在人的主观意向与绿化的物理特征之间建立可视化数学模型，进行人眼视角下精细化的城市绿地的量化测度.城市道路作为城市复杂巨系统中的一种特殊环境系统，其空间品质对人居环境适宜性、城市形态和城市发展有着重要影响，它根据特定的道路的线性特征和构成因素在行进中建立人与环境的相互作用和动态欣赏关系.传统的道路研究主要针对城市内的代表性街道或整体道路系统进行定性研究，尺度主要是鸟瞰视角下的宏观尺度或者是基于主观评价的微观尺度，研究对象主要为城市内的典型性街道，且研究方法停留在主观评价研究以及针对二维平面、三维空间物理环境的客观评述^[8].而绿视率作为人本观测角度下的绿化指标，通过城市道路绿视率研究道路绿化形式和景观结构，对营造良好的绿化体验空间，进而形成人性化城市道路系统具有重要指导意义.

图像识别就是通过对图片特征的提取建立机器学习的模型，包括图片的色彩特征、形状特征和纹理特征等.随着图像处理技术、卷积神经网络、遗传算法、数学技术和机器深度学习的不断发展，图像特征提取算法越来越强大^[9].另外，由于社会学统计分析在建成环境研究中的有效性有限，目前，一些研究已经开始尝试将机器学习技术应用到研究设计和数据分析中，能够更好地处理复杂的建成环境特征之间的关系，如支持向量机等已经取得了良好的效果^[10].近年来，规划设计领域也在尝试利用大数据与机器学习对城市空间进行定量分析，2016年清华大学建筑学院龙瀛博士提出图片城市法^[9]，即基于体现客观世界和主观认知，通过大规模图片量化城市研究的一种方法论.图片城市法以街道为单元，利用街景图像、机器学习和街道POI等新技术来建立街道品质分析评价模型，从而达到对城市空间的量化研究.图片城市法为进行人本尺度下的城市形态研究提供了新思路，而且可以在保证细化的同时快速处理大规模数据，解决了传统数据难以大规模细化，局部精细数据难以代表全局的问题，同时也为基于街景图片进行道路绿视率的量化计算提供了新的技术手段.

传统的绿视率测度方法是在道路取样点拍摄图片，后经人工描绘或者是PS软件对图片中绿色景物范围进行统计，然后计算道路绿视率^[8].传统的绿视率测度方法由于数据获取和技术方法的限制，难以在大范围内对道路绿化空间进行精细化分析，然而新数据环境下，如百度街景、腾讯街景和谷歌街景等的兴起使高精度街景全景图成为新的且公开的城市数据源，街景图片不仅可以反映城市多维空间的绿化、建筑和铺装等物理特征，还可以体现出功能、情绪和过程等社会属性^[11-14].在大数据环境下，利用Python-OpenCV能够快速有效地对大规模的街景图片中的绿色特征进行识别提取以及绿视率的量化计算.

基于Python-OpenCV对道路绿视率量化计算主要包括6个步骤(图 1). ①绘制研究范围内的道路路网底图; ②在ArcGIS中对道路网进行折点增密处理与坐标转换，确定道路取样点; ③基于路网拓扑性质计算每个取样点视角，使其平行于道路空间长轴方向; ④利用Python调用地图API下载每个道路取样点的前后左右4个方向的街景图片; ⑤得到360°道路全景空间的海量图片以及每个图片的图像大小、经纬度坐标、等参数信息(一张图片的颜色取决于它的色相，而照片HSV模式可以很好地区分出色相、饱和度、亮度); ⑥通过Python图像处理库OpenCV对街景图片中的绿色像素占比进行识别计算，得到研究区域内道路绿视率的量化数据(图 2).

郑州市老城区主要指三环以内范围，总面积约为135 km².以郑州市老城区为研究范围，以道路绿视率为指标，选取老城区包括快速路、主干道、次干道以及支路共98条道路展开绿化质量研究.

本研究首先在郑州市老城区道路网上按照100 m道路间隔确定取样点，共计生成23 670个取样点，并记录每个取样点的经纬度坐标，通过Python爬虫调用百度地图开放平台提供的API，在路网图每个取样点位置的前后左右4个方向(角度取0°，90°，180°，270°)自动批量下载街景图片，除去百度街景未覆盖到的取样点，共计生成有效街景图共93 673幅，图片像素为1024*512.本次研究所获取的百度街景数据拍摄上传时间在2017年夏季，因此，植物的季相变化对街道绿视率产生的影响可忽略不计.

使用python图像处理库OpenCV进行量化识别分析各街景图片中的绿色植被占比，4个方向的绿视率平均值即对应各街景图坐标点位置的绿视率.将绿视率计算结果通过Arcgis平台连接到道路空间点中，并进行可视化分析(图 3)，取样点位置的颜色越黄，表示该处绿视率越低，颜色越绿，绿视率越高.

郑州市老城区街道绿视率数值总体分布情况见图 4，整体来看; 郑州老城区的平均绿视率为19.25%，略高于全球主要城市绿视率平均值19.03%^[15]，绿视率小于15%的取样点占比较高.

根据日本学者折原夏志对绿视率水平的划分标准，将郑州街道绿视率划分为5个等级：0~5%(绿化水平差)、5%~15%(绿化水平较差)、15%~25%(一般绿化水平)、25%~35%(绿化水平较高)、≥35%(绿化水平高)^[16]，结果表明(表 1)：在研究范围内的98条道路中，绿化水平差(0~5%)的街道占7.1%，绿化水平较差(5%~15%)的街道占14.3%，一般绿化水平(15%~25%)的街道占26.5%，绿化水平较高(25%~35%)的街道占29.6%，绿化水平高(≥35%)的街道占22.5%.可以看出绿视率小于15%的街道只占21.4%，却拉低了整体平均值，由于郑州老城区的快速路和主干道道路较长，而次干道和支路则是数量多、绿视率高但道路较短，关于郑州老城区的道路绿化应侧重城市快速路和主干道的绿化，丰富绿化形式，进而提高整个老城区的绿化指标.

根据郑州老城区市街道绿视率空间分布可以大致总结出以下3个基本特点(图 4)：①从行政分区来看，金水区的绿视率最高，中原区次之，管城区和二七区最低; ②接近城市公园绿地的路段绿视率普遍较高，如嵩山路的碧沙岗公园和东风路的绿茵公园等，平均绿视率可达66.9%; ③不同等级道路绿视率呈现明显差异，城市支路和次干道绿视率最高，其次是主干道，城市快速路平均绿视率最低.

绿视率可以验证绿化覆盖率是否符合视觉生态的要求，另外，在道路绿化用地面积有限的情况下，提高道路的绿视率能最大限度地发挥道路绿地的作用，营建良好的视觉环境^[12].一般情况下，绿化覆盖率与绿视率之间呈正相关关系.与2015年郑州道路绿化覆盖率普查结果对比^[17]，绿化覆盖率由低到高依次为：经三路、北环路、大学路、工人路、丰产路/洛河路(/表示并列)，绿视率由低到高的顺序和绿化覆盖率基本一致.但北环路绿化覆盖率大于经三路，绿视率却比经三路低，主要由于北环路道路宽、植物配置形式单一，并且行道树树龄较短，冠幅小致使绿化覆盖率高却绿视率很低(表 2).

1) 植物形态指标.道路绿化所选植物的种类、树龄和生长状况决定了植物的形态指标如株高、冠幅、叶片茂密程度等，道路绿化植物的形态是影响绿视率指标的关键因素.绿视率衡量的是三维空间绿化情况，即使在道路绿化覆盖率相同的情况下，道路绿化植物叶片的稀疏、冠幅体量都影响绿视率的数值大小(表 2).

2) 植物配置形式.不同等级道路会采用不同的植物配置形式，但整体来说有单一乔木式、疏林灌木式、乔草结合式、灌草结合式、乔灌草结合式五种植物配置形式.不同的植物配置形式在人眼中呈现景观效果和绿化面积必然是有差异的，植物配置形式越丰富，绿视率相应越高.因此，道路绿化应该在道路情况允许的前提下，尽可能地丰富道路绿化形式，提高道路绿视率.

3) 道路宽度.根据绿视率定义和计算原理可知，道路宽度也是影响道路绿视率一个重要因素.道路宽度决定人们眼中视锥截面绿色面积占比，在其他条件相同的情况下，道路越宽，绿视率越低.这也是一些主干道、次干道绿化覆盖率很高但绿视率却偏低的原因.

4) 道路立体绿化程度.高架桥桥体绿化形式过于简单、绿色植物不易遮挡混凝土桥体是城市快速路绿视率低下的主要因素，除了在环形立交或高架引桥等地段特意开辟的绿地外，在高架道路沿途就很难再看到绿化.侧重加强道路立面的立体绿化主要是指对沿街的商业、围墙等进行立体绿化，还包括将道路周边绿地、居住区内外露绿植等引入进道路绿化之中，例如郑州市实施的拆墙透绿工程都是提高道路绿视率的措施.

本研究基于Python-OpenCV图像识别处理技术对郑州市老城区道路绿视率进行了整体测度，并进行可视化分析.结果显示，郑州老城区道路平均绿视率为19.25%，属于一般绿化水平，支路和次干道绿化水平最高，其次是主干道，城市快速路绿化水平最低.且绿视率良好的道路主要分布在金水区和中原区局部地带，管城区和二七区的道路绿视率则相对较差，郑州老城区在城市高架桥的绿化上弱势明显.该研究方法的主要优势在于可以大规模地对街景图片进行自动化下载、识别、计算，每个步骤的操作与传统计算方法相比能够节省大量时间与精力.然而，其中也存在一定的不足，比如街景图像的选取角度不能完全反映出人眼的球面视野所观察到的景观，对数据的客观性有一定的影响.此外，在对郑州市老城区绿视率研究中，对于一些非景观的绿色事物如玻璃、施工篷布、街道家具等干扰因素难以分辨，所以统计结果中还存在相应误差，还需在后续研究中对研究方法和技术加以改善和提升.