街道绿视率和绿化覆盖率的不一致现象存在一定普遍性

讨论与结论

 

5.1街道绿视率和绿化覆盖率的不一致现象存在一定普遍性

 

街道绿视率和绿化覆盖率的不一致现象并非偶发，在社会经济水平发展相对较弱的城市和地区往往更易出现低绿视高绿化（B）现象。对于绿地的粗放管控，使城市为快速满足绿化覆盖率导控要求而建设大规模的集中绿地，最终忽视了街道绿化的营造。这一现象启示我们：城市的绿化覆盖率导控要求并不能保证街道绿视率水平，应在绿色城市设计导控中加入街道绿视率的导控要求，以保证可视的城市沿街绿化水平。另外，探究不同城市中街道绿视率和绿化覆盖率不一致现象的影响因素，是实现更为高效高质的绿色城市设计的重要研究课题。

 

5.2街道绿视率和绿化覆盖率不一致现象成因探讨

 

街道绿视率和绿化覆盖率表现一致与否不仅受自然气候等客观因素影响，还受到可人为控制的经济水平影响。高经济水平的城市往往能够更好地利用城市绿色资源，实现城市中街道绿视率和绿化覆盖率的协同发展（A）。与市民日常生活息息相关的街道绿视率水平，并非完全受气候因素控制，合理的财政投入能够大幅度提升这一人本尺度的空间品质。同时，距离城市中心较远的区域往往存在低绿视高绿化（B）的情况，这启示我们在城市外围地区的绿地规划和设计中，不应过度依赖大面积的集中绿化，而忽略街道绿化环境的营造。

 

5.3提高街道绿视率的方向

 

有效提高街道绿视率也将成为未来绿色城市设计的关键课题。本研究发现，绿化覆盖率对街道绿视率存在正向影响。因此，加强城市绿化投入、增加沿街绿地面积，有利于提升街道绿视率。与此同时，也应注意到经济水平、城市形态等因素同样会对街道绿视率产生重要影响。一方面，经济水平会影响街道绿视率的表现，这意味着城市绿色资源在街道绿视率层面上存在分配的公平性问题[38]，需要政府进一步优化和完善街道绿色资源的供给和布局。

另一方面，城市形态对街道绿视率水平的影响不可忽视。采用小街区、密路网的规划模式有助于增加街道密度和街道绿化的可视水平，且提供更多小型城市绿地来增加城市沿街绿化空间。未来可以进一步探索绿色城市规划设计方法来提高街道绿视率表现。

 

5.4研究局限与未来展望

 

本研究实验设计仍存在提升空间。首先，影响因素选取与测度的准确性可进一步提升，如城市形态因素中平均建筑高度考虑了研究范围内所有建筑的平均高度，但街道绿化生长更多受到街道两侧建筑的影响，未来的研究中可考虑将街道两侧平均建筑高度作为因变量。

其次，本研究中对街道宽度、建设时长等因素的影响考虑较少，如更窄的道路会使人视野中的绿化更多，从而提高街道绿视率，又如离城市中心较远地区的行道树处于建设起步阶段，体量较小，街道绿视率会较低等。未来可考虑纳入更多源的数据，如建立数字平台开展多轮次实时监测来排除影响，以进一步优化研究。

另外，本研究以中位数为标准划分街道绿视率和绿化覆盖率的表现类别，该分类标准有待优化，可考虑采纳专家意见划分街道绿视率和绿化覆盖率的高低等级以提高分类的准确性。同时，南北植物自身特征的差异也会对街道绿视率的分析结果产生影响，今后的研究可考虑结合植物特征增加折减系数再作比较。

 

本研究在数据采集方面也存在一定局限性。受限于数据收集可行性，本研究的样本量较少，同时二线城市样本量比例较低，可能会导致分析的偏差，在未来的研究中应扩大样本容量，更为均衡地采集不同等级的城市样本，以提升分析的准确性。另外，在绿化覆盖率的数据采集上，本研究沿用了国内外许多实证研究的做法[16-17,26-28]——以NDVI数据所求得的植被覆盖率来表征绿化覆盖率。然而，NDVI更多地反映不同植被类型的特征，而绿化覆盖率是指绿色空间垂直投影面积与用地面积之间的比值，二者并不完全一致，在未来研究中可考虑使用机器学习算法开展更精准的绿化覆盖率计算。

受限于百度街景数据的采集时间，本研究选取的街景数据主要为2017—2020年的数据，季节以夏季为主。对于北京、上海、武汉、成都、南昌5个纬度相对较高的城市，其夏季月份跨度定义为5—9月；对于广州、深圳、昆明3个纬度较低的城市，其夏季月份跨度定义为3—10月。在上述时间段内不存在街景数据的少部分道路则将逐年或逐月扩大时间跨度以补充数据。在未来的研究中可考虑利用机器学习等方式实现特定年份夏季街景数据绿视率的精准预测。

 

 

本研究讨论的是街道绿视率与绿化覆盖率的一致性，但二者在研究范围上是存在差异的，前者仅关注街道这一公共空间，后者则包括街道、公园、广场、居住区内部等绿地的城市整体绿化。虽然街道绿视率的重要性不言而喻，但集中绿地的重要性也不可忽视。在未来的研究中，可通过自主影像采集来补充集中绿地的街道绿视率的测度，以更好地评估城市整体范围内街道绿视率与绿化覆盖率的一致性。