微信号

功能介绍

本期主题文章简介

《时代建筑》曾在2020年第5期策划了“面向未来的健康建筑”的主题，在当时新冠疫情的冲击下，如何创造更加舒适健康的人居环境成为热点话题。而在疫情仍未消退的当下，越来越多的人开始以个体视角关注并思考人居环境对人的身心多层面的影响，亦即人居环境所要关注的不仅是使用者的身体健康，同时还需关注使用者的心理与精神健康。因此，在健康建筑和健康城市的理念基础上，“疗愈建筑环境”成为进一步的研究重点，此主题重在探索空间环境如何从多方面实现对人的综合性疗愈，包括疗愈性应当如何融入城市的公共空间，它的设计和规划特征包括哪些等。

本期主题“疗愈的建筑与地方”正是基于以上背景而产生，此次收录的文章结合诸多跨学科内容，多落脚于具体的研究方法和技术路径，以期能够为未来更多的前沿研究寻求方向与路径。徐磊青等人的综述性文章总结出疗愈建筑环境的五类关键因素，以及若干环境维度和具体指标，由此构成疗愈建筑环境的基础空间导则。吕坤的文章关注了感官体验中的热感觉，通过模拟实验来研究使用者的热体验与环境的恢复性效益之间的关系。窦平平通过社会调研和循证设计，将亲生物设计策略应用于校园环境设计中，探索具有疗愈效益的校园环境。刘昆等人探索了半公共半私密街道界面的开敞程度对邻里交往活动的影响，并提供了通过设计手段促进邻里交往的眼动追踪和行为学证据，为睦邻社区的建设提供了一种可行的路径。胡宸豪等人提出以“微疗愈”绿色空间完善现有的城市游憩序列，利用其时间尺度上的疗愈即时性和高效性，以及空间尺度上的便捷可达和高使用率，实现城市绿地的心理健康促进效益最大化。陈崇贤及团队以广州市海珠区为例，结合街景图像数据、机器学习以及众包评分的方法，探究了大规模街道环境对情绪状态的影响。董贺轩、高翔基于愉悦度视角，以武汉市9个街道植物空间为样本，对其尺度特征进行现场调研及数据采集，同时对空间中步行愉悦度进行评价，并分析了两者之间的关联性。梁婉莹、姜斌的文章认为早期介入和能够提升自我能力的社会支持是减少香港露宿悲剧的关键措施，并从景观角度提出早期社会介入措施：草药种植计划。

主编：支文军教授

基于情绪评估的城市街道景观优化设计研究

Research on Urban Street Landscape Optimization Design Based on Emotional Assessment

陈崇贤  李海薇  林晓玲  夏宇

CHEN Chongxian, LI Haiwei, LIN Xiaoling, XIA Yu

Abstract

街道作为城市中最重要的公共活动空间之一，与人的情绪状态密切相关。文章以广州市海珠区为例，结合街景图像数据、机器学习以及众包评分的方法，探究了大规模街道环境对情绪状态的影响，并提出优化设计策略。结果表明：第一，不同的情绪状态在海珠区表现出中等偏高程度的空间聚集性。积极情绪状态主要聚集于靠近高品质自然景观的街道，消极情绪状态显著聚集于高密度城区的街道。第二，植被、地形、天空和建筑是影响情绪状态的关键街景要素。第三，通过提高蓝绿空间可达性，提升绿化覆盖率等规划和设计策略，能够改善街道空间的情绪体验。总体而言，文章为如何快速、精准、大规模地评测城市街道环境对情绪状态的影响提供了参考，有助于建设促进公众心理健康的城市环境。

在线阅读

 

1 引言

情绪指人脑对外界环境与事件刺激的反应，包括积极情绪与消极情绪[1]，与人的身心健康密切相关。随着城市化的快速扩张，高密度的城市、快节奏的现代都市生活方式会导致焦虑、抑郁、紧张和恐惧等消极情绪的产生，进而引发心血管疾病[2]、免疫系统紊乱[3]、认知功能下降[4]等严重的健康问题[5]。有研究表明，良好的城市环境有利于提升积极的情绪、缓解焦虑与精神压力，从而减少不良的健康结果[6]。街道作为城市中分布最广泛的公共空间，评测其对情绪状态的影响对建设有助于提升居民的身心健康的环境有重要价值。然而，已有的测度方法多用于小尺度的实验环境且较为耗时。因此，探索如何快速、精准、大规模地测度城市街道对情绪的影响有重要意义。

就环境对情绪的影响而言，以往的研究侧重于关注公园、花园和河流等城市环境，探究娱乐设施、步行性及绿化等环境特征与情绪状态的相关性[7-9]。例如，有研究发现良好的自然环境，较高的绿化品质与可步行性较高的公园、湿地等绿色开放空间有利于降低城市居民的精神压力[10-11]，减少消极情绪。植被覆盖率较高的校园或街道等建成环境有助于增强环境的情绪调节作用，帮助人们更快速地缓解抑郁、焦虑等症状并恢复注意力[12-13]。同时，大多数与街道有关的研究都集中在植被上[14-15]，而较少关注建筑物、天空、汽车和人行道等其他街景要素对情绪的影响。此外，也鲜有关于如快乐、振奋、社交情绪等其他情绪状态影响的探讨。因此，有必要进行更多维度的街景要素与不同情绪状态感知的关系研究。

在情绪测量方面，已有的研究通常采用自我报告及生理测量方法[16-17]。例如，使用积极消极情绪量表（PANAS）[18]、状态特质焦虑量表（STAI）[19]、感知恢复量表（PRS）[20-21]等，对被试者的情绪状态进行描述和评价，以此反映个体对环境的主观情绪状态感知。生理测量则通过可穿戴传感器对人体血压（BP）[22]、心率（HRV）[23]、脑电波（EEG）[24]、皮电（EDA）[25-26]等生理指标进行监测，从而探究个体情绪的瞬时变化。然而，上述测量方法常受实验环境限制，不适用于场地面积较大、样本量多的研究。随着计算机技术深入发展，已有研究团队基于街景图像数据和人工智能技术，开发了如UrbanGems[27]、Scenic-Or-Not[28]和Place Pulse[29]等众包平台，实现了快速、精确地测量人对城市环境的感知[30-32]，然而，针对环境对人的情绪状态的影响研究，需进一步应用推广。

因此，本研究以广州市海珠区的城市街道为例，结合街景图像数据、机器学习以及众包评分的方法来探究以下问题：第一，不同的街道环境是否会导致不同的情绪状态？如果会，情绪状态在空间上是如何分布的？第二，影响情绪状态的重要街景要素是哪些？ 

2 研究方法

2.1 研究框架

研究分为数据收集、数据分析、结果分析和设计策略提出四个步骤（见图1）。首先，数据收集阶段主要包括街景要素数据与情绪状态得分获取两部分内容。研究一方面对爬取获得的街景图像数据进行语义分割；另一方面参考已有的众包评分平台，基于街景图像数据，搭建了街道环境情绪状态人工评价网络平台。其次，数据分析基于获取的街景要素数据与情绪状态得分，利用支持向量机（Support Vector Machine，SVM）的机器学习算法，预测大规模城市街道的情绪状态得分，并对其进行更进一步的空间可视化与空间自相关分析。最后，基于分析讨论结果提出基于积极情绪提升的城市街道优化设计策略。

1. 研究框架

2.2 数据收集

本研究范围包括海珠区辖内18个街道（见图2），总面积90.40 km²。根据2017年中国精神障碍发病率，广州市约70万居民患有情绪障碍[33] 。2021年末，海珠区常住人口共计182.18万人[34]，是广州市人口密度最高的中心城区之一。此外，高度城镇化使该区域形成了高密度的街道网络体系以及多样化的街景特征，为探索大规模城市街道环境与居民情绪之间的关系提供了良好的研究条件。

2. 广州市海珠区街道分布情况

2.2.1 街景要素数据获取

本研究通过腾讯街景（https://map.qq.com/）和OSM（https://www.openstreetmap.org/）平台分别获取了2018年至2020年间的广州市海珠区街景图像及地理坐标，以此作为数据源。在腾讯地图街道网络数据基础上，采取间距20 m的距离采样方法选择观测点，并于每个观测点收集0°、90°、180°和270°共计四个方向的街景图像及地理坐标。最终，随机抽取广州市内2 996张街景图像作为众包评分基础，获取海珠区52 122张街景图像作为进一步分析研究的数据基础，每张图像大小为512×512像素。

基于上述街景图像数据，本研究利用PSPNet对图像进行语义分割，并通过Cityscapes对所提取的街景要素进行训练，以计算图像中天空、植被、建筑物等要素的百分比。PSPNet是一种基于深度卷积神经网络的场景解析模型，可识别城市景观中的19类物体，准确率为80.2%[35]。Cityscapes是一个广泛应用的要素识别开源数据集，可充分捕获现实景观的复杂性，并训练及测试像素级和实例级语义标签处理[36]。根据语义分割结果，研究最终选取包含道路、植被、建筑、天空、汽车、人行道、围栏、地形、墙体及卡车在内的10项高频率、高准确性要素进行分析，以此预测大规模城市街道及街景要素对情绪状态的影响。

2.2.2 情绪状态评分

研究搭建了基于街景图像的情绪状态人工评价网络平台（见图3）。依据自然与人类健康的相关理论，情绪状态可分为情感、注意力与压力三方面的内容[37-38]。因此，本研究选取了振奋、快乐、积极社交作为情感维度，注意力集中作为注意力维度以及压抑和放松作为压力维度的评价指标。每个指标的对应问题与随机抽取的2 996张街景照片随机配对出现，参与评分的人员被要求对图像进行两两对比并做选择。两两对比的方法已被证实能比直接打分得到更客观的评价结果[39-40]。参与者的年龄要求在18~65岁之间且在广州的居住时间至少满6个月。截至2020年12月，共有1 590人（平均年龄为24.52岁）参与评分，共收集了101 458份点击数据。

3. 基于街景图像的情绪状态人工评价网络平台

基于两两对比的结果，研究采用了进程强度（strength of schedule）[41]的方法对经过测评的每张街景图像进行赋值。最终每张照片的得分在[0，1]之间。在利用机器学习方法研究视觉的主观感知时，将建模任务视作二元分类任务能得到更准确的结果[40]。因此，本研究参考了前人的方法，对照片得分做了分类标注。所有经过人工打分的高分特征图片被归为一类，标记为1；低分特征的图片归为一类，标记为-1。获得数据的可靠性通过了鲁棒性检验[42]并被认为是可行的。最终2 996张经过人工评分的街景图像被用作情绪状态数据集，并以7：3的比例分为训练集和验证集。

2.3 数据分析

我们采用Python语言对获得的街景图像进行语义分割及模拟人类情绪状态得分的SVM模型训练。利用QGIS 3.24.0 软件对海珠区城市街道的情绪状态得分进行空间可视化，并进一步利用GeoDa 1.20.0.8软件进行空间自相关分析以探讨情绪状态的空间分布规律。

3 城市街道情绪测度结果

3.1 模型训练结果

为模拟城市街道中的情绪状态得分，研究以街景要素数据作为自变量，六种情绪状态评分数据作为因变量，训练采用了高斯核函数的SVM模型。为了获得高质量的预测性能，研究对模型进行了10倍交叉验证，并调整惩罚系数，最终选择了惩罚系数为1的模型，所有模型对指标的预测准确率均超过70%（见图4）。

4. 模型精度

3.2 城市街道环境中的情绪分布规律

基于情绪状态数据集与前期获取的海珠区街景图像语义切割数据，研究利用训练好的SVM模型预测海珠区街道对人的情绪状态影响得分，并将结果赋值于对应位置，得到海珠区街道的情绪分布规律（见图5）。预测的情绪状态得分是一个位置点上四个方向获取的街道图像的平均正置信值（positive confidence），其数值区间为[0，1]，数值越大代表该位置点的该种情绪状态得分越高。其中，振奋的预测得分区间在[0.03，0.95]之间，快乐在[0.01，0.97]之间，积极社交在[0.08，0.96]之间，注意力集中在[0.02，0.95]之间，放松在[0.01，0.98]之间，压抑在[0.06，0.94]之间。从总体上看，不同情绪状态在街道空间的分布存在差异，其中积极情绪中的振奋、快乐、注意力集中和放松的分布差异较小，积极社交和压抑的分布与其他情绪状态的空间分布差异较大。

5. 海珠区街道不同情绪状态得分（正置信度）分布图

为了进一步判断海珠区街道的情绪状态得分是否具有统计学意义上的地理空间依赖性，研究计算了全局莫兰指数（Moran's I）和局部莫兰指数（Local Moran's I，LISA）。其取值范围均为[-1，1]，取值大于0且P<0.05代表变量存在显著的空间正相关性，越接近1则空间聚集性越强。全局莫兰指数反映了变量在整个研究范围内是否具有聚集性，局部莫兰指数则进一步反映了局部区域变量在空间上的聚集性，可表现为“高-高”“低-低”“低-高”“高-低”四种聚集类型[43]。

结果表明，在0.01的显著水平下，振奋、快乐、积极社交、注意力集中、放松、压抑的全局莫兰指数分别为0.657（P=0.001）、0.634（P=0.001）、0.558（P=0.001）、0.620（P=0.001）、0.650（P=0.001）、0.691（P=0.001），均具有统计学意义，说明六种情绪状态在海珠区存在空间正相关性，整体表现为中等偏高程度的空间聚集性。

如图6所示，所有情绪状态的局部空间自相关结果主要表现为空间正相关，且以红色部分的“高-高”聚集和蓝色部分的“低-低”聚集形式为主。积极情绪状态（振奋、注意力集中、快乐和放松的“高-高”聚集区和压抑的“低-低”聚集区）主要聚集于海珠区东部建设年代新、绿化程度较高、建筑密度较低和靠近水体和公园的街道，如琶洲、官洲和华洲街道。这可能与人们对高品质的自然景观的偏好有关，且已有大量研究表明绿色空间与水体空间有显著的恢复性效益[44-46]，有利于改善人们的精神状态并减少消极情绪的产生。

6. 不同情绪状态的局部空间自相关聚集性地图

而消极情绪状态（压抑的“高-高”聚集区和振奋、注意力集中、快乐和放松的“低-低”聚集区）则显著聚集于海珠区西北角的老城区核心地段的街道，囊括了南华西、海幢、江南中、昌岗、龙凤、沙园、凤阳和沙园街道。这些区域具有建设年代久、建筑密度高、人口密集的特征。这可能与一些研究提出的城市高密度的生活环境能通过各种方式，如混乱拥挤的环境、恶劣的卫生条件、噪音、空气污染[47-48]等引发不良的心理健康问题有关。

此外，积极的社交情绪明显聚集于居住区附近的街道（积极社交的“高-高”聚集区），而远离城市主干道（积极社交的“低-低”聚集区）。其原因可能是靠近居住区的街道是人们进行日常社交活动的重要场所，在此类街道中参与相关活动能触发人们的积极情绪。

综上所述，在海珠区的城市街道更新改造中，可以重点关注具有高品质景观特色的靠近绿色空间和水体空间的街道，以及高密度城区的街道和居住区周边街，以提升居民积极情绪体验，减少消极情绪，进而促进心理健康水平的提升。

3.3 影响情绪的街道环境因素

我们对各类街景要素在不同模型中的重要性（Importance）进行输出，进一步探讨街道要素对情绪状态的影响（见图7）。本研究中模型完成的实际上是对高分样本与低分样本的分类任务，因此模型输出的正数代表预测为高分样本的特征，负数则代表预测为低分样本的特征，其绝对值越大表示相对重要性越高。

7. SVM自变量重要性条形图

研究结果表明，植被与地形对积极的情绪状态——振奋、快乐、积极社交、注意力集中与不压抑有重要影响。主要原因可能是植被和地形往往能首先引起人们的视觉关注，并能直接影响情绪状态的景观要素。而绿色植物也被证实对心理健康有显著的提升作用，如减轻压力、缓解抑郁和恢复注意力[49, 50]等。变化的地形则可能因为能形成不同的空间，从而给人带来不同的心理感知，如围合的空间能带来私密感，开敞的空间能带来愉悦、舒适感等，进而影响人的情绪状态。天空和建筑则主要对消极的情绪状态——不振奋、注意力不集中、不快乐等有重要影响。其原因可能是在城市街道中，建筑的视觉占比往往决定了天空的视觉占比，建筑密集的地方天空可视率通常较低，从而使两者共同影响着人们的情绪状态。不同的天空可视率能引发不同的情绪感受，如过低会引发压抑、焦虑[51]，过高则会给人带来视觉上的不舒适，从而产生消极情绪[52]。同时，也有研究表明相比自然环境，硬质环境更容易引发压力[53]。此外，不同街景要素对不同的情绪状态影响的重要性程度不同。例如，植被、地形和天空是影响放松的前三位环境因素，建筑、小汽车和栅栏则是影响压抑的前三位环境因素。因此，在探讨环境对不同类型情绪状态的影响时，宜分类讨论。以上研究结果与已被反复验证的影响情绪的环境要素的结论类似，证明本研究使用的研究方法对评估街道环境对情绪的影响和指导相关实践设计具有一定借鉴意义。

4 结论与优化策略

研究发现，SVM模型在振奋、快乐、积极社交、注意力集中、放松和压抑六个维度的情绪状态指标预测上表现出了高精度的良好性能。空间自相关分析的结果表明，六种情绪状态在海珠区表现出中等偏高程度的空间聚集性。积极情绪状态主要聚集于靠近高品质自然景观的街道，消极情绪状态显著聚集于高密度城区的街道。其中，积极的社交情绪明显聚集于居住区附近的街道而远离城市主干道。模型输出的重要性系数显示，植被、地形、天空和建筑是影响人们情绪状态的重要街道环境要素。研究结果为进一步改善情绪体验的街道环境更新设计提供了参考和依据。

4.1 优化设计策略

基于以上结论，本研究提出了相应的规划与设计策略（见图8），以优化海珠区城市街道空间格局（见图9），进而提升居民心理健康水平。经计算，海珠区优化后能使人产生潜在积极情绪的街道空间增加50.26%、潜在消极情绪的街道空间减少53.48%的效果，具体优化策略如下。

8. 基于情绪改善的街道设计策略

9. 海珠区街道规划设计

（1）规划层面：开发靠近高品质自然景观的街道，如提高偏远地区的绿色空间与蓝色空间的可达性，提升可达性高的微小绿色空间和水体空间提升空间质量。通过管理建筑密度、引入绿色空间、提升绿化覆盖率等优化高密度城区的街道。在居住区周边街道建设慢行交通系统、提供社交空间等。

（2）设计层面：使用屋顶绿化、垂直绿化等绿化形式提高绿化覆盖率，使用能刺激感官的植物配置（如使用芳香植物、色彩艳丽的植物等）。结合微地形建设运动步道、种植池等。在建筑密度高的街道空间利用艺术装置（如镜子、灯光等）增加天空可视率，在空旷、炎热的街道空间提供遮荫设施或种植行道树以减少天空可视率。对人视范围内的建筑表面进行优化或种植透光的行道树等，以减少建筑带来的压迫感。

5 不足与展望

本研究仍存在一定的局限性。首先，本研究采用的数据为横断面数据，无法判断自变量与因变量之间的因果关系。在探讨街景要素对情绪状态的影响的数据分析方法上，采用了直接从SVM模型输出重要性的方法，无法真正从统计学意义上清晰地确定显著的重要特征。因此，未来可以开展相关纵向研究，并采用更深入的统计分析方法。其次，研究结果易受到街景图像数据与算法本身的局限性的影响。一方面，目前公开的街景图像数据集主要由安装在汽车上的摄像头进行采集，与人行视角存在偏差，且不包括许多仅限于行人通行的街区。同时，这些数据无法捕捉时间、天气变化等因素。在这一点上，从多时空尺度、人视角度收集的图片、视频或三维重建模型数据[54]等可成为未来相关研究数据的补充。另一方面，用于语义切割的PSPNet模型只能识别19类语义对象，图像特征有被错误分类的可能性，且无法考虑其他如光线、色彩、轮廓线等其他视觉特征或街道卫生、建筑高度、空气污染等其他环境因素。从这点而言，未来的研究可以结合更多元的城市环境数据如兴趣点（POI）、空气质量指数[55-56]等，以更进一步探讨影响情绪状态的环境因素。最后，由于采取的是人工评估的方式获取的情绪状态感知得分，难免可能会存在由于性别、年龄、职业等人口统计学特征因素导致的个体主观偏差。因此，未来可以结合可穿戴设备[57]等客观测量手段对情绪进行测量，或进一步探讨不同类型人群、不同人口统计学特征对情绪状态的影响。

（图片来源：  图片均由作者自绘）

参考文献：

 [1] SCHACHTER S, SINGER J. Cognitive, social, and physiological determinants of emotional state [J]. Psychological review, 1962, 69(5): 379.

 [2] CORREIA A W, PETERS J L, LEVY J I, et al. Residential exposure to aircraft noise and hospital admissions for cardiovascular diseases: multi-airport retrospective study[J]. British Medical Journal, 2013, 347: f5561.

 [3] KUO M. How might contact with nature promote human health? Promising mechanisms and a possible central pathway[J]. Frontiers in Psychology, 2015(6): 1093.

 [4] Using functional Magnetic Resonance Imaging (fMRI) to analyze brain region activity when viewing landscapes[J].Landscape and Urban Planning, 2017,162: 137-144.

 [5] YU C, LEE H, LUO X. The effect of virtual reality forest and urban environments on physiological and psychological responses[J]. Urban Forestry & Urban Greening, 2018, 35: 106-114.

 [6] JIANG B, ZHANG T, SULLIVAN W C. Healthy Cities: Mechanisms and research questions regarding the impacts of urban green landscapes on public health and well-being[J]. Landscape Architecture Frontiers, 2015, 3: 24-35.

 [7] HOULDEN V, WEICH S, DE ALBUQUERQUE J P, et al. The relationship between greenspace and the mental wellbeing of adults: A systematic review[J]. PloS one, 2018,13(9): e203000.

 [8] LIN W, CHEN Q, JIANG M, et al. The effect of green space behaviour and per capita area in small urban green spaces on psychophysiological responses[J]. Landscape and Urban Planning, 2019, 192: 103637.

 [9] GAO T, ZHANG T, ZHU L, et al. Exploring Psychophysiological Restoration and Individual Preference in the Different Environments Based on Virtual Reality[J]. International Journal of Environmental Research and Public Health, 2019, 16(17): 3102.

[10] HARTIG T, EVANS G W, JAMNER L D, et al. Tracking restoration in natural and urban field settings[J]. Journal of Environmental Psychology, 2003, 23(2): 109-123.

[11] WOOD L, HOOPER P, FOSTER S, et al. Public green spaces and positive mental health – investigating the relationship between access, quantity and types of parks and mental wellbeing[J]. Health & Place, 2017, 48: 63-71.

[12] TAYLOR M S, WHEELER B W, WHITE M P, et al. Research note: Urban street tree density and antidepressant prescription rates—A cross-sectional study in London, UK[J]. Landscape and Urban Planning, 2015,136: 174-179.

[13] LI D, SULLIVAN W C. Impact of views to school landscapes on recovery from stress and mental fatigue[J] . Landscape and Urban Planning, 2016,148: 149-158.

[14] MARSELLE M R, BOWLER D E, WATZEMA J, et al. Urban street tree biodiversity and antidepressant prescriptions[J] . Scientific Reports, 2020, 10(1): 22445.

[15] ZHAO J, WU J, WANG H. Characteristics of urban streets in relation to perceived restorativeness[J] . Journal of Exposure Science & Environmental Epidemiology, 2020,30(2): 309-319.

[16] CHEN X, CUI Z, HAO L. Research on the methodology of evidence-based design based on VR Technology[J]. China Illuminating Eng, 2019, 30(02): 123-129.

[17] CHEN Z, ZHU X. Research on Automatic Emotion Recognition for Learners based on Facial Expression: Relevance Research Situation Existing Problems and Development Paths[J]. Journal of distance education, 2019, 37(04): 64-72.

[18] WATSON D, CLARK L A, TELLEGEN A. Development and validation of brief measures of positive and negative affect: the PANAS scales[J]. Journal of personality and social psychology, 1988, 54(6): 1063.

[19] SPIELBERGER C D, GONZALEZ-REIGOSA F, MARTINEZ-URRUTIA A, et al. The state-trait anxiety inventory[J]. Revista Interamericana de Psicologia/Interamerican Journal of Psychology, 1971, 5(3 & 4).

[20] JIANG B, XU W, JI W, et al. Impacts of nature and built acoustic-visual environments on human's multidimensional mood states: A cross-continent experiment[J] . Journal of Environmental Psychology, 2021, 77: 101659.

[21] WILKIE S, CLEMENTS H. Further exploration of environment preference and environment type congruence on restoration and perceived restoration potential[J]. Landscape and Urban Planning, 2018, 170: 314-319.

[22] YIN J, YUAN J, ARFAEI N, et al. Effects of biophilic indoor environment on stress and anxiety recovery: A between-subjects experiment in virtual reality[J]. Environment International, 2020, 136: 105427.

[23] QIN J, ZHOU X, SUN C, et al. Influence of green spaces on environmental satisfaction and physiological status of urban residents[J]. Urban Forestry & Urban Greening, 2013, 12(4): 490-497.

[24] LI J, JIN Y, LU S, et al. Building environment information and human perceptual feedback collected through a combined virtual reality (VR) and electroencephalogram (EEG) method[J]. Energy and Buildings, 2020, 224: 110259.

[25] OJHA V K, GRIEGO D, KULIGA S, et al. Machine learning approaches to understand the influence of urban environments on human's physiological response[J]. Information Sciences, 2019, 474: 154-169.

[26] CHEN Z, SCHULZ S, QIU M, et al. Assessing affective experience of in-situ environmental walk via wearable biosensors for evidence-based design[J]. Cognitive Systems Research, 2018, 52: 970-977.

[27]QUERCIA D, O'HARE N K, CRAMER H. Aesthetic capital: what makes London look beautiful, quiet, and happy? [C]. Proceedings of the 17th ACM Conference on Computer Supported Cooperative Work and Social Computing. New York: ACM, 2014: 945–955.

[28] SERESINHE C I, PREIS T, MOAT H S. Quantifying the Impact of Scenic Environments on Health[J]. Scientific Reports, 2015, 5(1): 16899.

[29] DUBEY A, NAIK N, PARIKH D, et al. Deep Learning the City: Quantifying Urban Perception at a Global Scale[M]. Cham: Springer International Publishing, 2016. 

[30] WANG R, LU Y, ZHANG J, et al. The relationship between visual enclosure for neighbourhood street walkability and elders' mental health in China: Using street view images[J]. Journal of Transport & Health, 2019, 13: 90-102.

[31] LI X, ZHANG C, LI W. Does the Visibility of Greenery Increase Perceived Safety in Urban Areas? Evidence from the Place Pulse 1.0 Dataset[J]. ISPRS International Journal of Geo-Information. 2015, 4(3): 1166-1183.

[32] BADER M D M, MOONEY S J, LEE Y J, et al. Development and deployment of the Computer Assisted Neighborhood Visual Assessment System (CANVAS) to measure health-related neighborhood conditions[J]. Health & Place, 2015, 31: 163-172.

[33] QUE J, LU L, SHI L. Development and challenges of mental health in China[J]. General Psychiatry, 2019, 32(1).

[34] 广州市统计局. 2021年广州市人口规模及分布情况[EB/OL] . (2022-03-04)[2022-07-15]. http://tjj.gz.gov.cn/tjgb/qtgb/content/post_8120709.html.

[35] ZHAO H, SHI J, QI X, et al. Pyramid Scene Parsing Network[C]. Proceedings of the Conference on Computer Vision and Pattern Recognition (CVPR), 2017: 2881-2890. 

[36] CORDTS M, OMRAN M, RAMOS M, et al. The Cityscapes Dataset for Semantic Urban Scene Understanding[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016: 3213-3223. 

[37] TREVIN E G, HUYEN T K L, E. S G, et al. How transport modes, the built and natural environments, and activities influence mood: A GPS smartphone app study[J]. Journal of Environmental Psychology, 2019, 66(C).

[38] JIANG B, XU W, JI W, et al. Impacts of nature and built acoustic-visual environments on human's multidimensional mood states: A cross-continent experiment[J]. Journal of Environmental Psychology, 2021 ,77: 101659.

[39] DUBEY A, NAIK N, PARIKH D, et al. Deep Learning the City: Quantifying Urban Perception at a Global Scale[M]. Cham: Springer International Publishing, 2016. 

[40] ZHANG F, ZHOU B, LIU L, et al. Measuring human perceptions of a large-scale urban region using machine learning[J]. LANDSCAPE AND URBAN PLANNING, 2018, 180: 148-160.

[41] ORDONEZ V, BERG T L. Learning high-level judgments of urban perception[C]. European conference on computer vision. Berlin: Springer, 2014: 494-510. 

[42] SALESSES P, SCHECHTNER K, HIDALGO C A. The Collaborative Image of The City: Mapping the Inequality of Urban Perception[J]. PLOS ONE, 2013, 8: e684007.

[43] ANSELIN L. Local indicators of spatial association—LISA[J]. Geographical analysis, 1995, 27(2): 93-115.

[44] TERRY H, GARY W E, LARRY D J, et al. Tracking restoration in natural and urban field settings[J]. Journal of Environmental Psychology, 2003, 23(2): 109-123.

[45] 朱晓玥，金凯，余洋. 基于实景图片的恢复性环境空间类型及特征研究[J]. 西部人居环境学刊，2020，35（04）：25-33.

[46] 西蒙·贝尔. 公众健康和幸福感考量的城市蓝色空间——城市景观研究新领域[J]. 风景园林， 2019，26（09）：119-131.

[47] MENG L, WEN K, ZENG Z, et al. The impact of street space perception factors on elderly health in high-density cities in Macau—analysis based on street view images and deep learning technology[J]. Sustainability, 2020, 12(5): 1799.

[48] YUAN M, YIN C, SUN Y, et al. Examining the associations between urban built environment and noise pollution in high-density high-rise urban areas: A case study in Wuhan, China[J]. Sustainable Cities and Society, 2019, 50: 101678.

[49] BIN J, CHUN-YEN C, WILLIAM C S. A dose of nature: Tree cover, stress reduction, and gender differences[J]. Landscape and Urban Planning, 2014,132: 26-36.

[50] ZHAO J, WU J, WANG H. Characteristics of urban streets in relation to perceived restorativeness.[J] . Journal of exposure science & environmental epidemiology, 2020, 30(2): 309-319.

[51] RUOYU W, YI L, JINBAO Z, et al. The relationship between visual enclosure for neighbourhood street walkability and elders' mental health in China: Using street view images[J]. Journal of Transport & Health, 2019, 13: 90-102.

[52] JI Z, CHYE K H, LAI C M, et al. Evaluating environmental implications of density: A comparative case study on the relationship between density, urban block typology and sky exposure[J]. Automation in Construction, 2012, 22: 90-101.

[53] HUANG Q, YANG M, JANE H, et al. Trees, grass, or concrete? The effects of different types of environments on stress reduction[J]. Landscape and Urban Planning, 2020, 193: 103654.

[54] RAMÍREZ T, HURTUBIA R, LOBEL H, et al. Measuring heterogeneous perception of urban space with massive data and machine learning: An application to safety[J]. Landscape and Urban Planning, 2021, 208: 104002.

[55] ZHANG Y, CHEN N, DU W, et al. Multi-source sensor based urban habitat and resident health sensing: A case study of Wuhan, China[J]. Building and Environment, 2021, 198: 107883.

[56] TANG Z, YE Y, JIANG Z, et al. A data-informed analytical approach to human-scale greenway planning: Integrating multi-sourced urban data with machine learning algorithms[J]. Urban Forestry & Urban Greening, 2020, 56: 126871.

[57] VERMA D, JANA A, RAMAMRITHAM K. Predicting human perception of the urban environment in a spatiotemporal urban setting using locally acquired street view images and audio clips[J]. Building and Environment, 2020, 186: 107340.

如有需要，可扫描下图二维码购买《时代建筑》电子版或纸质版（购买纸质版请标注具体期数）

           

电子版                        纸质版

完整深度阅读请参见《时代建筑》2022年第5期  疗愈的建筑与地方 陈崇贤、李海薇、林晓玲、夏宇《基于情绪评估的城市街道景观优化设计研究》，未经允许，不得转载。

作者单位：华南农业大学林学与风景园林学院

作者简介：陈崇贤，男，华南农业大学林学与风景园林学院 副教授、博士生导师李海薇，女，华南农业大学林学与风景园林学院 博士研究生林晓玲，女，华南农业大学林学与风景园林学院 硕士研究生夏宇（通讯作者），女，华南农业大学林学与风景园林学院 讲师、硕士生导师

基金项目：国家自然科学基金项目（51808229，72111530208）广州市科技计划项目（202201010046）

本期主题文章相关阅读

[1] 徐磊青、何南、孟丹诚. 疗愈建筑学：都市疗愈中的建筑环境及其指标[J]. 时代建筑，2022（5）6-14.

[2] 吕坤. 半室外空间恢复性体验中热感觉的作用[J]. 时代建筑，2022（5）15-19.

[3] 窦平平. 疗愈校园循证设计：亲生物设计作为新兴的环境效益提升途径[J]. 时代建筑，2022（5）20-27.

[4] 刘昆、匡晓明、奚婷霞、陈筝. 健康睦邻社区的街道边界探索：眼动和行为学证据[J]. 时代建筑，2022（5）28-37.

[5] 胡宸豪、宫宸、彭凯平、王非. 促进公众心理健康的城市“微疗愈”绿色空间研究[J]. 时代建筑，2022（5）38-45.

[6] 陈崇贤、李海薇、林晓玲、夏宇. 基于情绪评估的城市街道景观优化设计研究[J]. 时代建筑，2022（5）46-51.

[7] 董贺轩、高翔. 基于愉悦度的街道植物空间尺度特征评价研究：以武汉市为例[J]. 时代建筑，2022（5）52-57.

[8] 梁婉莹、姜斌. 何以为家：城市中草药公园景观作为露宿者的早期社会干预[J]. 时代建筑，2022（5）58-65.

===============================

本期杂志责任编辑：邓小骅，周逸坤

如有任何有关此期主题的建议、问题或讨论等，

欢迎发送邮件至ta_weixin@163.com

标题请写明前缀【疗愈的建筑与地方】

谢谢！

===============================

《时代建筑》Time+Architecture

中国命题 · 世界眼光

学术性 · 专业性

时代性 · 前瞻性 · 批判性

《时代建筑》杂志电子版二维码

点击下方“阅读原文” 订购《时代建筑》杂志

感谢关注《时代建筑》微信平台

微信平台：timearchi（微信号），时代建筑（公众号）

新浪微博：@时代建筑杂志

内容策划：戴春

官方网站：http://timearchi.tongji.edu.cn

电话：（021）65983417、（021）55822231

邮箱：timearchi@163.com

扫一扫

鼓励一下

不错不错，很好哦

LZ说的很不错

路过

好帖，来顶下

真的很不错

有竞争才有进步嘛

支持楼主发帖！

路过

好帖

真的很不错

真的很不错

不错，支持下楼主

支持作者！

沙发！沙发!

回帖鼓励！

路过

前排支持下

不错，支持下楼主

感谢分享！

不错不错，很好哦

帮帮顶顶！！

不错不错，很好哦

真是 收益 匪浅

内容对我有帮助

真的很不错

过来看看的

路过，学习下

顶上去

回复支持是对作者的最有力的支持

真是 收益 匪浅

顶上去

帮你顶下哈！！

不错，支持下楼主

学习了，谢谢分享、、、

回复让大家看到！

帮你顶下哈！！