一种基于点云的GVI评估方法，该方法采用可见度衰减模型

《Urban Forestry & Urban Greening》：A Point Cloud-Based GVI Evaluation Method Using a Visibility Decay Model

城市绿化质量评估方法研究提出基于激光雷达点云的GVI新型计算模型，融合语义分割与视线衰减模型，通过矢量化策略提升计算效率，实验表明其与街景影像方法的相关系数达0.95，在非机动车区域精度显著提高。

　　

关浩|黄芳|葛斌富|卢同同|王健|边朝阳

中国电子科技大学资源与环境学院，成都611731，中华人民共和国

摘要

城市植被作为城市绿化质量的关键指标，显著提升了居民的福祉和心理健康。现有的绿色视野指数（GVI）估算方法基于车载街道视图图像，存在单一视角和数据覆盖不完整的局限性，因此难以全面反映行人对绿化的真实感知。为了解决这些问题，本研究提出了一种基于点云的GVI评估新方法，该方法基于视线衰减模型。该方法利用高分辨率的城市激光雷达（LiDAR）点云数据，通过对点云进行语义分割来进行GVI估算。标准化观测参数的制定结合了人类视觉感知原理，并采用指数函数构建了量化视觉影响随距离衰减的视线衰减模型。此外，还采用了向量化计算策略来提高计算效率。

在KITTI和多伦多数据集上的实验表明，所提出的方法与传统的基于图像的方法具有高一致性，其皮尔逊相关系数为0.95，平均绝对误差（MAE）为0.04，均方根误差（RMSE）为0.06，一致性相关系数（CCC）为0.93，类内相关系数（ICC）为0.83。Bland-Altman分析表明系统偏差可以忽略不计。实验表明该方法在评估行人人行道和其他非机动区域的GVI时具有空间适应性强等特点。

引言

城市绿化是评估城市生态环境质量和居民福祉的关键指标之一。植被除了提供重要的美学、休闲和心理效益外，还承担着缓解城市热岛效应、净化空气和增强生物多样性等基本生态功能。在快节奏且人口密集的城市生活中，这一点尤为重要。近年来，随着“健康城市”和“韧性城市”等概念的出现，公众对城市绿化的关注点从绿化是否存在转向了其可见性。这种转变促进了与人类感知视角相一致的绿化评估方法的发展，尤其是绿色视野指数（GVI）[1]。

GVI指的是在定义的视野（FOV）内可见的绿色植被的比例。与传统二维指标（如绿化覆盖率或人均绿地面积）相比，GVI更注重人类视觉视角，从而同时考虑了空间形态和可见性。因此，它准确反映了居民日常生活中所感知的城市绿化水平。在快速城市化的背景下，GVI发挥了不可替代的作用[2]。这得益于该评估方法有助于精细的城市空间设计，并为促进城市规划中的公平性、以人为中心和健康提供了科学支持。

GVI评估方法大致可分为两类：（1）基于图像的方法和（2）基于三维（3D）数据的方法。

基于图像的方法主要依赖于街道级别的图像，通过提取图像中的绿色像素来计算GVI。早期的方法依赖于耗时且高度主观的手动划分和识别方法。后续方法引入了基于红、绿、蓝（RGB）/色调饱和度以及值（HSV）颜色模型的无监督分类技术，提高了自动化程度，但容易受到光照条件、季节和背景干扰的影响。最近，基于深度学习的方法（如卷积神经网络（CNN）和Transformer架构）显著提高了植被识别精度[3]。然而，这些方法仍受到图像数据固有局限性的制约，包括空间覆盖范围有限、更新频率低和视角多样性不足。特别是在捕捉非机动区域和封闭城市空间中的有效信息时存在困难。

基于三维数据的方法利用激光雷达（LiDAR）点云、3D建模和视域分析，从体积角度量化可见植被，从而准确反映遮挡、空间层次结构和视角变化。虽然航空或遥感数据具有广泛的覆盖范围，但在空间分辨率方面存在局限性。相比之下，车载、手持或无人机（UAV）激光雷达系统捕获的高密度点云可以详细重建城市结构，尽管计算成本较高且涉及复杂的语义分割过程。虚拟建模方法通常与游戏引擎集成，可以模拟行人视角并增强视觉真实感，尽管面临遮挡和语义信息缺失等挑战。尽管存在这些局限性，3D方法在空间真实感和覆盖范围方面具有显著优势，已成为GVI研究的重要方向。

当前的GVI估算方法面临多重挑战。

(1)

依赖车载街道视图图像：这是最常用的GVI估算数据源，因其可靠性、易用性和便利性而受到青睐。然而，这种方法主要捕捉道路上的图像，无法准确反映人行道上行人的绿化可见性。

(2)

从人行道手动获取的图像可以提供接近行人视角的数据。然而，这种方法受到固定视角和耗时较多的限制。此外，由于摄影师的习惯和策略（如拍摄角度、高度和相机设置）导致数据变化较大，从而影响了评估的准确性和一致性。

(3)

最近尝试将点云数据纳入GVI估算以提高精度，但这些方法仍存在某些计算限制。例如，它们往往无法充分考虑点云元素之间的遮挡和重叠，或者忽略了视线与地面之间的空间关系，从而导致结果偏差。

为了解决上述挑战，本研究提出了以下贡献。

(1)

我们提出了一种基于点云的GVI估算方法，该方法利用语义丰富的点云数据，在城市点云场景中的任意位置进行GVI评估。这种方法对随机噪声（如路面振动或摄影师行为变化）的敏感性较低，从而实现了准确且一致的GVI测量。

(2)

引入了视线衰减模型来增强基于点云的GVI估算的稳健性。该模型通过结合人类视觉感知原理，提高了评估结果的准确性和感知有效性。

(3)

在代表性的开源城市点云数据集上进行了全面评估，将所提出的方法与传统的基于车载图像的方法进行了比较。实验结果表明，在准确性、稳定性和空间适应性方面表现更优，特别是在评估人行道等非机动区域的GVI时，传统方法常常失效。

因此，本研究提出了一种精确、高效且以人类视角为导向的城市绿化评估定量方法，为城市绿地的科学规划和管理提供了有价值的见解。

本文的其余部分组织如下：第2节简要介绍了基于图像和三维数据的GVI估算方法的相关工作。第3节详细阐述了我们的方法论，包括实施框架、过程、建模、点云视野映射算法、设计以及所提出的GVI估算方法的向量化和效率优化。第4节描述了用于测试完整方法性能的实验，包括算法向量化性能评估、可见性衰减模型有效性的验证、GVI评估算法有效性的验证、比较分析以及相应的系统实现。最后，第5节提供了本研究的结论和未来研究方向。

节选内容

基于图像的GVI估算方法

基于图像的方法主要通过从照片中提取绿色元素来估算GVI。早期研究通常依赖于手动分类方法，包括将图像划分为网格并使用透明叠加层统计植被覆盖的点数[4]，或使用Photoshop等图像编辑软件计算绿色像素比例[5]。然而，这些方法劳动强度大且耗时，且经常

提出的研究框架

本研究提出的整体研究框架解决了上述问题，如图1所示。该框架分为两个主要部分，旨在回答以下问题。

(1)

如何设计有效的GVI评估方法？

(2)

如何验证所提出方法的有效性？

根据图1，本研究解决了基于点云的GVI评估中的现有研究空白。

数据集描述

为了验证所提出的基于点云的GVI评估方法与常用传统方法的一致性和可靠性，并展示本研究的科学严谨性和可靠性，同步数据采集（即在相同时间和地点同时捕获点云和图像数据）对于验证实验至关重要。

在KITTI数据集的数据收集过程中，除了传统的LiDAR点云数据外，还

结论与未来工作

当前的GVI评估方法存在视角范围有限、数据采集效率低和准确性不足等缺点。为了解决这些问题，本研究提出了一种基于点云的GVI评估方法，该方法结合了视线衰减模型，更好地模拟了人类视觉感知。这种方法克服了传统车载街道视图图像在视角覆盖和数据一致性方面的局限性，从而显著

CRediT作者贡献声明

关浩：撰写——原始草稿、可视化、验证、方法论。黄芳：监督、项目管理、调查、资金获取。边朝阳：可视化、调查。葛斌富：验证、软件。卢同同：验证、调查。王健：监督、数据管理。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本研究主要得到了国家自然科学基金（项目编号42271390）的支持。