【论文分享】三维景观格局如何影响城市居民的情绪

城市景观对居民情绪的影响是近些年来讨论的热门话题之一，现有的研究主要以遥感影像为数据来源，进行二维图像-数据分析，其量化结果精确度有限。本文引入了三维景观格局的研究模型，通过街景图片及网络发帖信息补充图像及数据来源，通过定义四个景观感知维度，更为精确量化了城市景观与居民情绪之间的关系。

【论文题目】How does three-dimensional landscape pattern affect urban residents’ sentiments

【题目翻译】

三维景观格局如何影响城市居民的情绪

【期刊信息】

Cities，Volume 143, December 2023, 104619

【作者信息】

Wenning Li, 生态环境研究中心城市与区域生态学国家重点实验室，中国科学院，中国北京 100085

Ranhao Sun, 生态环境研究中心城市与区域生态学国家重点实验室，中国科学院，中国北京 100085, rhsun@rcees.ac.cn

Hongbin He, 生态环境研究中心城市与区域生态学国家重点实验室，中国科学院，中国北京 100085

Liding Chen, 生态环境研究中心城市与区域生态学国家重点实验室，中国科学院，中国北京 100085

【论文链接】

https://doi.org/10.1016/j.cities.2023.104619

【关键词】

居民情绪，社交媒体帖子，景观格局3D指标，街景图片

【本文亮点】

提出了一种用于景观可感知性表征的街道视觉指标。
基于社交媒体大数据，运用人工智能对居民进行情感检测。
三维景观指标比二维景观指标对居民情感的影响更大。

【摘要】

城市街道景观对居民情绪的影响是一个关键问题。然而，目前通过遥感图像衍生的景观格局二维度量(LP2DM)对街道景观的表征忽略了居民可见环境在人眼水平上的可感知性。为了填补这一差距，我们开发了一种新的景观格局三维度量(LP3DM)，以定量的方式表示基于四个感知维度的景观可感知性:绿色空间、灰色空间、开放度和拥挤度。利用百度街景图片和微博社交媒体文本大数据，研究了LP3DM与居民情绪之间的关系。结果表明，LP3DM比LP2DM与居民情绪的相关性更显著(平均贡献，ACLP2DM = 0.025, ACLP3DM = 0.054)。其中，绿度指标对居民情绪的贡献最大(AC = 0.12)，三维绿度指标与居民情绪呈正相关(r = 0.15, p < 0.01)，灰色度指标与居民情绪呈负相关(r =−0.087,p < 0.1)。我们的研究强调了在城市建设过程中，除了考虑自然景观元素的数量外，还应考虑其可感知性，以提高居民的情感幸福感。总的来说，我们的LP3DM框架提供了一种很有前途的方法来捕捉居民的景观可感知性，并为城市规划和设计决策提供信息。

【前言】

根据联合国世界幸福报告，真正衡量社会进步的标准是人民的幸福(Rowan, 2023)。世界各地的许多政府都将公民的主观幸福感纳入其政策决策过程，作为经济指标（如国民生产总值-GDP）的补充(Karr et al., 2014)。居民的情绪可以对他们的幸福感产生直接影响。积极的情绪，如幸福、快乐和满足通常与较高水平的幸福感相关，而消极的情绪，如悲伤、焦虑和愤怒可能会降低幸福感 (Chopik et al., 2015; Liu et al.,2022)。因此，理解和改善居民情绪对改善人类福祉和城市可持续性具有重要意义。城市街道景观是影响城市居民情绪的重要因素(Luck et al., 2011; Tost et al., 2019)。长期处于不同景观环境中的居民可能会表现出不同的情绪倾向，特别是在抑郁、焦虑和积极情绪的频率方面(Das & Gailey, 2022; Pouso et al., 2021)。街道景观在缓解居民压力和促进社会互动方面发挥着重要作用(Fang et al., 2023; Skår & Krogh, 2009)。例如，居民接触绿色或蓝色空间的频率与他们的积极情绪呈正相关(Zhao et al., 2020)。同样，在适当的街道景观中，居民可能会促进体育活动，增强积极情绪(Ji et al., 2020)。因此，量化街道景观与居民情绪之间的关系，对于优化街道景观与改善居民情绪之间的权衡具有重要意义。

最近的一项研究表明，同一类型的自然环境对城市居民的情绪有不同的影响(Allard-Poesi et al.,2022)。例如，公园和住宅区的植被不仅与放松有关，也与恐惧有关(Burgess et al., 1988; Jansson et al., 2013)。因此，与情感相关的景观研究需要谨慎进行。目前关于街道景观格局的研究主要集中在基于卫星遥感的二维空间尺度(LP2DM)来表征街道景观。这些研究只考虑了建筑密度和开放空间的比例(Gehl, 2013; Kaplan & Kaplan, 1989; Tzoulas et al., 2007)。卫星的角度代表的是鸟瞰的视角，不同于人们对景观要素的地面视角。仅使用二维指标来评估城市街道景观感知的研究将忽视街道环境中更复杂的元素，如交通模式、街道规划和建筑风格。因此，三维景观格局的获取已成为当前研究的迫切需要。

田野调查和激光雷达扫描是量化三维景观格局的主要方法(Blaschke et al.,2004)。然而，这些方法可能并不能满足街道景观的大规模量化需求。随着传感器技术的发展，谷歌、腾讯和百度等地图服务公司已经收集了数十亿张具有地理位置的水平视距街景图像(SVIs)。SVIs已成为大规模三维土地景观研究的新数据源(Bader et al., 2017; Mooney et al., 2014; Rundle et al., 2011; Zhou et al., 2019)。然而，从SVI数据集中提取有用的信息是一个挑战。本研究采用基于深度学习的景观格局三维度量(LP3DM)方法，探讨街道景观与居民情绪的关系。本研究旨在回答以下问题:(1)LP3DM对居民情绪的贡献是否大于LP2DM? (2)景观可感知性如何影响北京不同地区居民的情绪?

【研究材料与研究方法】

2.1 研究地点与实验结构

在本研究中，我们选择北京作为我们的研究区域（图S1）。北京是中国的首都，截至中国第七次全国人口普查，其常住人口约为2189万。由于社交媒体的广泛使用，北京成为研究街道景观和居民情绪之间复杂相互作用的典范。研究区域的空间范围被定义为北京的城市化区域，该区域来自全球城市边界数据(Li et al., 2020)。

图1显示了总体数据和实验结构。首先，基于各种数据源计算城市街道景观的定量指标，并将其分为两种类型，即LP2DM和LP3DM（表S1）。在这项研究中，LP2DM来自卫星遥感数据，如NDVI，NDWI，建筑密度和道路密度，而LP3DM来自SVI，包括三维绿色，三维灰度，三维开放度和三维拥挤度。LP3DM的详细计算方法见第2.2.2节。其次，通过对每个社交媒体帖子的情绪进行评分来评估北京居民的情绪。第三，运用多种统计分析方法确定街道景观格局对居民情绪的影响。

为便于分析居民感知与街道景观格局之间的关系，建立了空间分析单元。这涉及构建边长为500米的规则四边形网格，覆盖整个研究区域。通过500 × 500米的网格，我们在获得足够的数据和涵盖整个研究区域之间取得了良好的平衡。我们对北京市道路网划定的空间单位面积进行了抽样调查，收集了统计数据。我们的研究结果表明，这些划定的空间单元的平均面积约为0.5平方公里。选定的500 × 500 m网格有效地满足了研究要求。值得注意的是，我们的方法允许灵活地调整网格端的值，从而使未来的探索多尺度分析。在每个网格内，处理和聚合收集的度量（表S1）。

2.2 数据来源和处理

2.2.1 基于遥感影像的二维景观指数研究

LP2DM的计算(图S2)涉及到三类数据源。第一类是道路长度(RL)，它来源于OpenStreetMap道路数据(https://download.geofabrik.de/asia/china.html, 2022年9月30日访问)。第二类是建筑密度(building density, BD)，基于建筑屋顶向量数据计算(Zhang et al.， 2022)。数据识别结果的总体精度为97.95%，原始图像分辨率约为1 m，采集时间为2020年10月。第三类是基于地表反射率的植被和水体指数，即归一化差值植被指数(NDVI)、增强植被指数(EVI)和归一化差值水指数(NDWI)。这些指数是根据2020年6月拍摄的30米空间分辨率的Landsat 8卫星图像计算出来的。

2.2.2 基于街景图像的三维景观指数LP3DM的计算包括三个步骤。

首先，结合OpenStreetMap (https://www.openstreetmap.org/)的道路数据，进行道路点采样，目标为每个网格内100个点。第二，基于采样点，我们从百度地图s (https://map.baidu.com/, Baidu Inc.)。收集了2019年至2022年的250万个SVIs，每个采样点包含SVIs，尺寸为480×320像素，从0°,90°,180°,270°四个视角(图S3)。第三，ResNet101模型，使用cityscape分割数据集(https://www.cityscapes-dataset.com/)，用于分割SVIs中的景观要素（Zhao et al., 2017)。分割过程成功识别出道路、人行道、建筑、墙体、围栏、杆子、交通灯、交通标志、植被、地形、天空、人、骑手、汽车、卡车、公共汽车、火车、摩托车、自行车等19种类型的景观元素。随后，根据景观的四个情感属性:绿色、灰色、开放和拥挤，将这些景观元素进行分类，形成LP3DM的四个特征描述符。公式如下:

其中三维绿色，三维灰度，三维开放度和三维拥挤度是LP3DM的四个特征描述符，分别代表绿色、灰色、开放和拥挤。道路、人行道、建筑物、墙、栅栏、杆子、交通灯、交通标志、植被、地形、天空、人、骑手、汽车、卡车、公共汽车、火车、摩托车、自行车，表示每种类型的景观元素对应的像素数，N表示采集点获得的图像数。我们使用了来自0°,90°,180°,270°四个角度的四幅图像，N=4, i表示图像序号。

2.2.3 居民情绪的量化

由于主观性和隐私方面的考虑，很难对居民的情绪进行跟踪和调查。传统上，情绪监测的主要方法是问卷调查和可穿戴设备(Gannouni et al., 2021; He et al., 2022; Miki et al., 2022; Saganowski et al., 2022)。但这些方法都存在一定的局限性，如成本高、采样频率低、耗时长等。目前，随着移动互联网的广泛使用，已有多项研究试图利用Facebook、Twitter、微博等移动社交媒体平台探索居民情绪(Arora et al., 2022; Hanet al. 2022)。在中国，微博作为领先的社交网络平台，在2021年拥有5.3亿月活跃用户(Dozois, 2021; Lyu et al. 2021; Wang et al., 2022)。这一庞大的用户群将微博定位为一个研究中国背景下公众情绪和意见的重要平台。在社交媒体平台微博上，我们收集了超过42万条带有地理标记的社交媒体帖子。2020年9月至2021年4月，共有28万人在北京发帖。这些位置信息是基于用户在智能手机上发布社交媒体帖子时所记录的经纬度。通过提取文档主题，过滤出与城市环境相关的主题(Grootendorst, 2022)。

图1. 数据和方法。(a)街景图像;(b)卫星遥感图像;(c)社交媒体帖子的空间分布;(d)利用街景图像和卫星遥感图像建立模型，评估LP3DM对居民情绪的预测能力。LP3DM，景观格局三维测度;LP2DM，景观格局二维度量;Green3d(三维绿色)、Gray3d（三维灰色）、Open3d（三维开放度）、Crowd3d（三维拥挤度）是LP3DM的特征描述符;RSI:居民信心指数。

图2. 居民情绪指数(RSI)在不同土地利用类型间的分布μ为RSI的平均值，σ为RSI的标准差，p25为25%分位数，p75为75%分位数。

在计算后情绪得分(PSS)时，我们采用了最先进的自然语言处理(NLP)情绪归因算法。其中，使用基于全词掩蔽的BERT-wwm中文前训练模型(Cui et al.，2021)将句子转换为词向量。然后，在BERT-www的前100个主成分分析维度上，使用logistic回归分类器训练社交媒体帖子的情绪评分模型。为了避免由于不同地理位置的帖子数量不一致而造成的过采样问题，我们只考虑情绪得分分位数值的10% - 90%之间的数据。居民情绪指数(RSI)的计算方法是将每个网格单元内的PSS取平均值(图S4)。RSI的计算公式如下:

其中RSIi表示第i个网格(1,2,3…m)的RSI, PSSij表示第i个网格中第j个社交媒体帖子的得分，n表示第i个网格中所有社交媒体帖子的总数。RSI和PSS的取值范围为[0,1]。

2.3 景观对居民情绪贡献的评价模型

Spearman相关性和三种特征选择技术(Ridge,Lasso, and Elastic-Net)被用来评估每个指标之间的关系。Ridge、Lasso和Elastic-Net是线性回归中用来解决多重共线性和过拟合的技术(Fan et al.，2015)。然而，他们所采用的方式不同点在于，他们方式的规则化以及他们如何处理的系数的特征。当有很多相关的特征时，Ridge是有效的，因为它会试图把所有的特征都保留在模型中。Lasso对于特征选择是有效的，因为它倾向于从模型中消除较少相关的特征。Elastic-Net是Ridge和Lasso技术的结合，旨在克服这两种技术的局限性(Mokhtia et al., 2020)。弹性网络在处理包含大量特征的数据集时具有优势，其中一些特征具有高度的相关性。在本研究中，考虑到每一种方法的独特特点，我们应用了这三种方法来检查景观格局如何与居民的情绪相关。随后，一个多级线性模型(Gelman & Hill, 2006; Qian et al., 2010)通过考虑LP3DM和LP2DM的不同度量，建立了五种拟合模型。在模型1中，纳入所有LP2DM指标进行回归拟合。在模型2中，基于模型1，采用Green3d代替NDVI。在模型3中，我们使用Gray3d来代替基于模型1的建筑密度。模型4仅包括所有LP3DM指标。模型5包括所有LP3DM和LP2DM指标。使用Akaike信息准则(AIC)评估模型的表现，AIC得分越低表明拟合越好(Akaike, 1974; Spiegelhalter et al.,2002)。

【结果】

本部分包括三个部分:居民情绪的空间分布、LP3DM的空间分布以及LP3DM在居民情绪评估中的应用价值。研究结果显示，居民的情绪与不同的土地利用类型，以及与城市中心的距离有显著的相关性。值得注意的是，居住在公园绿地和郊区的居民往往表现出更多的积极情绪。在LP3DM和LP2DM之间观察到有限的相关性，证实了LP3DM包含与LP2DM不同的独特景观信息。此外，在居民情绪评估方面，LP3DM优于LP2DM，凸显了其优越的成果。

3.1 居民情绪的空间格局

我们通过NLP情感归因算法将社交媒体帖子量化为0到1的情感分值，实现了80.0%的总体准确率(图S5)。在此基础上，分析了不同土地利用类型和距离城市中心的RSI分布差异。图2显示了不同土地利用类别的RSI分布。土地利用类别是根据Gong等(2020)提供的土地利用类别数据集，将原有类别重新划分为住宅区、商业区、公园绿地和其他四类(表S2)。结果表明:公园和绿地内的RSI最集中(σ = 0.1032)，平均值(μ = 0.7125)高于其他3类;商业区域对应最低的RSI。我们观察到，商业区和公园绿地的RSI分布直方图(图2)表现出更多的显著不连续性，而住宅区和其他区域的RSI分布直方图表现得更平滑、更连续。商业区的不连续性可能与区位分布的聚集性和景观配置的不均匀性有关。在绿地中观测到的不连续现象可能与绿地斑块数量和绿地面积的变化有关。

图3为距离市中心不同距离的RSI分布。总体而言，RSI从中心城区(北京紫禁城)向郊区呈上升趋势。景观格局的差异是区分城市中心区和郊区的重要因素。具体来说，城市中心区以办公和居住功能的集中为特征，而郊区则有大量的自然空间，如水体、绿地和公园。这表明街道景观与居民情绪之间存在潜在的相关性，与之前的研究结果一致((Guo et al., 2022; Mouratidis, 2018; Wei et al., 2022)。城市中心区(前6000米)是RSI总体上升趋势的一个例外，因为它不对应于最低RSI。这种现象可能与旅游密度有关。

图3. 居民情绪指数(RSI)在离市中心不同距离处的分布。

3.2 基于三维景观指数的景观可感知性

利用ResNet101模型对SVIs景观要素进行识别。该模型对训练数据的准确率为83.1%，对测试数据的准确率为76.7%。图4是用经过训练的ResNet101模型得到的图像分割结果的示例。根据分割结果计算LP3DM的四个特征描述符Green3d、Gray3d、Open3d、Crowd3d。图5为北京奥林匹克公园周边的LP3DM。Green3d的高值主要出现在植被覆盖丰富的地区(图5c)。Open3d显示宽敞的活动广场为高值区(图5d)。相反，Gray3d和Crowd3d主要在居住区呈现出较高的值(图5e和f)。图6为LP3DM在整个研究区域的空间分布。总体来看，Green3d和Open3d的高值更集中在郊区，而Gray3d和Crowd3d的高值则相反。Green3d高值区主要分布在西北部(图6a虚线上方)，靠近山区，城市化程度相对有限，人口较少，旅游景点较多。在市中心，我们可以看到大量的区域显示出Open3d的低值(Fig. 6b)，同时Gray3d和Crowd3d的高值(Fig. 6c, d)。

图4.典型景观场景和景观格局三维度量。(a)街景图像;(b)景观元素;(c)景观要素的比例;(d)景观格局3D指标。

图5. 三维景观格局指数: (a)样区位置;(b)放大样本区及街景点分布; (c)、(d)、(e)、(f)分别展示了Green3d、Open3d、Gray3d、Crowd3d的空间分布。

图6。景观格局三维测度空间分布: (a)Green3d三维绿色，其中黑色虚线为绿色测度的高值区和低值区边界; (b) Open3d三维开放度;(c) Gray3d三维灰度;(d) Crowd3d三维拥挤度。

3.3 街道景观格局对居民情感的贡献

BD（建筑密度）和Gray3d（三维灰度）之间存在正相关(r = 0.41, p < 0.05)(图，7a)，这是因为他们都关注建筑。建筑指标(BD和Gray3d)与Crowd3d具有显著的相关性，相关系数分别为0.30和0.31。此外，Open3d与BD和Gray3d均呈负相关，相关系数分别为−0.44 (p < 0.01)和−0.63 (p < 0.05)。Open3d与Crowd3d呈负相关(r =−0.48,p < 0.05)。一般来说，开放区域与低建筑密度相一致。LP2DM和LP3DM的特征描述符之间存在相关性，但相关系数相对较低。其中，Green3d与EVI、NDVI的相关系数r分别为0.14 (p < 0.01)、0.20 (p < 0.01)，如图7b所示。在接下来的分析中，我们选择NDVI作为街道景观的二维绿色度量，因为EVI与NDVI之间具有很强的相关性(r = 0.95, p < 0.01)。

图7. (a)景观格局指数的相关系数矩阵，(b) 3个绿地景观指数之间的相关性。阴影区域表示回归线的95%置信区间。RL和BD分别代表道路长度和建筑密度。(读者可参考本文的网络版，以解释本图例中有关颜色的参考资料。)

本研究采用Ridge、Lasso和ElasticNet三种特征选择方法，分析不同指标在居民情绪评估中的贡献。结果表明，LP3DM和LP2DM对RSI的贡献存在显著差异(图8)。其中，NDVI和Green3d对RSI的贡献最大，平均贡献AC分别为0.047和0.1203。BD、Gray3d、Crowd3d与RSI呈负相关。与其他指标相比，NDWI和Crowd3d对RSI的贡献显著降低。为了量化LP2DM和LP3DM的总体影响，我们计算了所有度量贡献的绝对值的平均值，称为总体AC。对于LP2DM，总体AC (ACLPM2D)计算为0.025。相比之下，对于LP3DM，总体AC (ACLP3DM)为0.054。这一结果表明，在ACLP3DM > ACLPM2D中，与LP2DM相比，LP3DM对RSI的贡献更显著。

为了验证层次线性回归模型的适用性，我们进行了全局Moran’s I分析(图S7)。然后，通过基于层次线性回归的5个模型(章节2.3)比较各个指标在居民情绪评估中的重要性。结果(表1)表明，模型2和模型3的AIC值都比模型1小，说明用3D指标替代2D指标的拟合效果有所改善。同样，在比较模型1和模型4的AIC值时，当AICmodel4 < AICmodel1时，由3D指标组成的模型优于2D指标组成的模型。模型5包含所有2D和3D指标，具有最小的AIC。综上所述，LP3DM在评估其对居民情绪影响方面比LP2DM更有效。

图8。基于Lasso、Ridge和Elastic-Net回归分析不同景观格局指标的优势度。NDVI、NDWI、RL和BD属于景观格局二维指标，分别代表植被、水体、道路长度和建筑密度。Green3d、gray3d、open3d和crowd3d是景观格局3D指标，分别代表绿色、灰色、开放性和拥挤度。

【讨论】

4.1 研究贡献

本研究对于理解居民情绪与街道景观之间的关系有三个主要贡献。首先，基于SVIs，我们开发了一个名为LP3DM的新度量标准，以评估居民对景观的情感体验。以往的研究基于SVIs提出了相关的景观格局指标，如天空景观因子和绿色景观指数(Aikoh et al., 2023; Liang et al., 2017)。相比之下，LP3DM强调景观格局对居民情感的表达，因为我们根据居民的情感视角对景观要素进行分类。例如，Open3D包括天空、道路、人行道和地形，因为这些元素有助于视觉的开放性。相反，天空视图因子只包含天空元素。

其次，本研究提供了一种利用社交媒体大数据量化居民情绪的新方法。与需要人工处理和统计的问卷相比，自然语言处理方法可以更有效地获取情感信息。它避免了抽样偏差和调查者的主观影响 (Anwar et al., 2022; Daros et al., 2021; Maes et al., 2021; Mavros et al., 2022)。此外，由于社交媒体帖子涵盖了多种情绪和话题，NLP方法具有灵活性和广泛适用性(Wang et al., 2022)。为了研究的目的，我们可以选择不同的主题，如公园、体育活动和饮食(Kong et al., 2022).。本研究选取与城市环境相关的主题，研究居民对景观的情感体验。

最后，我们量化了LP3DM在揭示居民对景观的情绪反应方面的价值。在以往的研究中，使用SVIs来计算街道景观的感知安全性，突出了景观的物理美学对居民情感体验的影响。. (Larkin et al., 2022; Liu et al., 2023; Naik et al., 2014)。然而，这些现有的分析框架由于其端到端结构和“黑盒”性质而缺乏可解释性(Liu et al., 2023)，而LP3DM是景观感知的可解释性度量。此外，本研究发现LP3DM在估计居民情绪方面优于LP2DM。LP3DM em - body从街道景观角度获得的独特信息，可以从居民(水平)角度归因于SVIs，它更准确地描述了居民对景观的感知(Chen et al.，2022)。

4.2 改善居民情绪的影响

在本研究中，我们证明了LP3DM在评估居民情绪方面的卓越表现。LP3DM的四个特征描述符与居民情绪表现出不同的正相关和负相关。Green3d和Open3d对居民情绪有正向影响，而Gray3d和Crowd3d则相反。在本节中，我们讨论了LP3DM的四个描述符在帮助和指导城市规划者提高居民情绪方面的潜力。

首先，Green3d在绿地规划和环境评估方面具有潜在的价值。绿色三维度量可以用来分析城市绿地空间分布、植被状况和景观生态状况。我们的结果表明，更高的Green3d与积极的居民情绪相关。然而，在土地资源有限的城市中心，很难通过扩大植被面积来提高Green3d。另外，Green3d可以通过优化植被空间的垂直结构来提高，如屋顶花园和垂直绿化(Lotfi et al., 2020; Medl et al., 2017; P´erez- Urrestarazu et al., 2015)。因此，合理利用城市垂直空间成为改善城市居民情绪的有效途径。

其次，Crowd3d在交通规划和道路设计领域有潜在的应用前景。了解道路拥堵对公共交通规划至关重要(Nguyen-Phuoc et al., 2020)。通过使用Crowd3d，城市道路规划者可以识别出城市中拥堵的道路。此外，Crowd3d还可以分析特定地点的人流(Chen et al., 2020)，帮助确定公交车站的布局、容量和服务频率，从而优化公共交通路线和服务。

第三，Open3d测量的开放性在城市规划中与街道景观和城市人居环境相关，是非常重要的。开放可以提升城市的美丽和宜居性 (Dai et al.,2021; ¨Ozdal Oktay et al., 2021)。此外，它有助于提供自然采光和通风，改善室内环境。建筑之间保持适当的距离和高度，使阳光能够照射到街道和室内空间，减少能源消耗，提高生活和工作环境的舒适度 (Nasrollahi & Shokri, 2016)。此外，开放还涉及生态平衡和城市文化等多个方面(Tong et al., 2020)。因此，在城市规划中，Open3d有潜力成为实现宜居城市的重要策略。

第四，Gray3d对于建筑师来说很有价值。高大密集的建筑物是大城市的象征。然而，居住在高密度建筑中的居民往往会产生负面情绪(Kalantari & Shepley, 2021)。密集的建筑限制了居民的视野，使他们感到相对封闭和孤立。开放空间和视觉景观的缺乏可能会影响居民的情绪(Chung et al.，2022)。在城市规划中，可以将Gray3d指标纳入建筑开发要求，以平衡建筑密度和居民生活质量。

4.3 局限性

尽管街景图片和社交媒体帖子支持评估城市街道景观格局对居民情绪影响的新方法，但我们的研究在几个方面是有限的。首先，与遥感图像相比，街景的时间分辨率较低，无法捕捉季节变化。第二，虽然SVI测量的环境特征与行人感知的环境特征相似，但两者之间存在差距。第三，街景图像可以很好地代表公共绿地，但无法进入的位置和不可见的区域，如某些树木、内部路径和家庭花园，被忽略了。最后，微博上的帖子与实际景观感知之间可能存在偏差。一方面，景观是影响居民情绪的众多方面之一。另一方面，社会媒体用户群体的覆盖率因居民收入和年龄的不同而不同。

【结论】

本研究介绍了一种利用城市大数据分析街道景观对居民情绪影响的方法。以街景图像为数据源计算景观格局三维指标，以社交媒体大数据计算居民情绪指数。通过优势度分析，评价景观格局三维指标在居民情绪研究中的适用性。结果表明:(1)卫星遥感影像景观指标与街景影像景观指标之间存在一定的相关性;(2)与景观格局二维指标相比，可感知三维指标更能有效传达街道景观感知。景观格局三维测度为科学评价景观格局对居民情感的影响提供了一种直接有效的方法。这些见解对于城市开发商和城市规划者做出明智的城市发展决策具有重要意义。