一种公众主观情感量化方法、系统及电子设备

1.本发明属于情感量化技术领域，具体涉及一种公众主观情感量化方法、系统及电子设备。


背景技术：

2.城市景观可被定义为异质化的物理透视面，其中镶嵌着人、人工建筑、植被和自然地貌等多种视觉要素。随着城市建成区扩张、经济和社会水平飞速发展，人们不仅追求个性化的物质享受，还对城市的场景品质有更高的要求。深入地探究人本场景视感对于丰富城市意象、增添美学属性、改善人居环境和提升土地价值具有重要作用。
3.目前国内已经有一些公众情感方面的研究成果。在前人工作基础上，han et al.(2020)基于马斯洛需求层次理论，旨在开展了社区尺度下公众对环境情感方面的景观评价。其中，物理环境和心理感受是公众情感评估框架中两个非常重要的层级，因为人类的情感需求存在由低至高逐级满足的规律。目前，我国缺少探索城市物理景观和公众主观情感复杂联系的科学工具，并且缺少大尺度的公众情感量化手段。
4.近几年，由于图像大数据集在数据量、覆盖范围和研究视角上具有优势，被广泛地用于城市景观定量评估工作。例如，城市绿植的可视程度和林荫郁闭程度；场景语义和社会情感之间的联系。这些交叉学科研究的量化工作重点在物理感知层面上。此外，目前街景相关的研究主要服务于城市规划和设计、环境审计以及制图可视化等方面，而在城市生态领域的案例研究极少，尤其缺乏大范围精细粒度的公众情感方面的技术路径。


技术实现要素：

5.针对现有技术中的上述不足，本发明采用的技术方案为：
6.提供一种公众主观情感量化方法，其包括以下步骤：
7.s1、选取城市图像，采用互联网众包和成对比较法获取每张城市图像的主观情感得分；其中主观情感包括美感、安全、生动、富饶、单调和压抑；
8.s2、获取各类主观情感的所有得分的平均值和方差，根据平均值和方差对每张城市图像的该类主观情感进行二分类，得到每张城市图像的该类主观情感对应的分类值，进而获取每张城市图像的主观情感得分对应的二分类标签向量；
9.s3、采用图像编码器和神经网络构建情感指数模型，将城市图像和其对应的二分类标签向量作为训练集对情感指数模型进行训练，得到训练后的情感指数模型；
10.s4、采用训练后的情感指数模型对目标图像进行主观情感量化。
11.进一步地，步骤s1的具体方法包括以下子步骤：
12.s1-1、选取任意两张城市图像，采用互联网众包和成对比较法获取每张城市图像分别在美感、安全、生动、富饶、单调和压抑六个方面进行比较；比较结果包括“获胜”、“平局”和“失败”；
13.s1-2、根据公式：
[0014][0015][0016]
获取第i张城市图像在第n类主观情感中获胜的概率p
in
和失败的概率其中为第i张城市图像在第n类主观情感中获胜的次数；r
in
为第i张城市图像在第n类主观情感中平局的次数；为第i张城市图像在第n类主观情感中失败的次数；
[0017]
s1-3、根据公式：
[0018][0019]
对第i张城市图像在第n类主观情感中的表现进行打分，得到第i张城市图像在第n类主观情感中的得分其中表示第i张城市图像在第n类主观情感中胜过第j张城市图像的获胜比率；为第j张城市图像在第n类主观情感中获胜的次数；为第k张城市图像在第n类主观情感中失败的次数；表示失败于第i张城市图像的第k张城市图像的失败比率；n＝1,2,3,4,5,6，分别对应于美感、安全、生动、富饶、单调和压抑。
[0020]
进一步地，步骤s2的具体方法包括以下子步骤：
[0021]
s2-1、获取第n类主观情感的所有得分的平均值μn和方差σn；
[0022]
s2-2、根据公式：
[0023][0024][0025]
获取第n类主观情感对应的负样本分类值和正样本分类值其中ωn为第n类主观情感的控制参数；
[0026]
s2-3、为第i个城市图像初始化一个元素个数等于主观情感类数的一维向量xi；
[0027]
s2-4、为第i个城市图像的一维向量xi进行赋值，获取每个城市图像的二分类标签向量：
[0028]
若第i个城市图像的第n类主观情感得分小于则将一维向量xi中第n个元素值设置为-1；若第i个城市图像的第n类主观情感得分大于则将一维向量xi中第n个元素值设置为1；若第i个城市图像的第n类主观情感介于和y
zn
之间，则将一维向量xi中第n个元素值设置为0。
[0029]
进一步地，第n类主观情感的控制参数ωn的取值范围为0.5≤ωn≤1.5。
[0030]
进一步地，步骤s3的具体方法包括以下子步骤：
[0031]
s3-1、采用resnext-50作为情感指数模型的图像编码器，采用全连接人工神经网络替换resnext-50的输出层并作为情感指数模型的特征分类器，得到情感指数模型；
[0032]
s3-2、剔除二分类标签向量中存在0元素的城市图像及该二分类标签向量，将剩余的城市图像及对应的二分类标签向量作为原始数据集；
[0033]
s3-3、将原始数据集按照7：3的比例划分为训练集和测试集，通过7折交叉验证方式对情感指数模型进行训练，当情感指数模型的正确率达到阈值时，结束训练并得到训练后的情感指数模型。
[0034]
提供一种公众主观情感量化系统，其包括：
[0035]
主观情感打分模块，用于选取城市图像，采用互联网众包和成对比较法获取每张城市图像的主观情感得分；其中主观情感包括美感、安全、生动、富饶、单调和压抑；
[0036]
二分类标签向量获取模块，用于获取各类主观情感的所有得分的平均值和方差，根据平均值和方差对每张城市图像的该类主观情感进行二分类，得到每张城市图像的该类主观情感对应的分类值，进而获取每张城市图像的主观情感得分对应的二分类标签向量；
[0037]
情感指数模型构建模块，用于采用图像编码器和神经网络构建情感指数模型，将城市图像和其对应的二分类标签向量作为训练集对情感指数模型进行训练，得到训练后的情感指数模型；
[0038]
主观情感量化模块，用于采用训练后的情感指数模型对目标图像进行主观情感量化。
[0039]
进一步地，主观情感打分模块包括：
[0040]
图像比较子模块，用于选取任意两张城市图像，采用互联网众包和成对比较法获取每张城市图像分别在美感、安全、生动、富饶、单调和压抑六个方面进行比较；比较结果包括“获胜”、“平局”和“失败”；
[0041]
获胜和失败概率计算子模块，用于根据公式：
[0042][0043][0044]
获取第i张城市图像在第n类主观情感中获胜的概率p
in
和失败的概率其中为第i张城市图像在第n类主观情感中获胜的次数；r
in
为第i张城市图像在第n类主观情感中平局的次数；为第i张城市图像在第n类主观情感中失败的次数；
[0045]
打分子模块，用于根据公式：
[0046][0047]
对第i张城市图像在第n类主观情感中的表现进行打分，得到第i张城市图像在第n类主观情感中的得分其中表示第i张城市图像在第n类主观情感中胜过第j张城市图像的获胜比率；为第j张城市图像在第n类主观情感中获胜的次数；为第k张城市图像在第n类主观情感中失败的次数；表示失败于第i张城市图像的第k张城市图像的失败比
率；n＝1,2,3,4,5,6，分别对应于美感、安全、生动、富饶、单调和压抑。
[0048]
进一步地，二分类标签向量获取模块包括：
[0049]
平均值与方差获取子模块，用于获取第n类主观情感的所有得分的平均值μn和方差σn；
[0050]
正负样本分类值获取子模块，用于根据公式：
[0051][0052][0053]
获取第n类主观情感对应的负样本分类值和正样本分类值其中ωn为第n类主观情感的控制参数；
[0054]
二分类标签向量初始化子模块，用于为第i个城市图像初始化一个元素个数等于主观情感类数的一维向量xi；
[0055]
二分类标签向量赋值子模块，用于为第i个城市图像的一维向量xi进行赋值，获取每个城市图像的二分类标签向量：
[0056]
若第i个城市图像的第n类主观情感得分小于则将一维向量xi中第n个元素值设置为-1；若第i个城市图像的第n类主观情感得分大于则将一维向量xi中第n个元素值设置为1；若第i个城市图像的第n类主观情感介于和之间，则将一维向量xi中第n个元素值设置为0。
[0057]
进一步地，情感指数模型构建模块包括：
[0058]
情感指数模型构建子模块，用于采用resnext-50作为情感指数模型的图像编码器，采用全连接人工神经网络替换resnext-50的输出层并作为情感指数模型的特征分类器，得到情感指数模型；
[0059]
原始数据集获取子模块，用于剔除二分类标签向量中存在0元素的城市图像及该二分类标签向量，将剩余的城市图像及对应的二分类标签向量作为原始数据集；
[0060]
情感指数模型训练子模块，用于将原始数据集按照7：3的比例划分为训练集和测试集，通过7折交叉验证方式对情感指数模型进行训练，当情感指数模型的正确率达到阈值时，结束训练并得到训练后的情感指数模型。
[0061]
提供一种电子设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现公众主观情感量化方法的步骤。
[0062]
本发明的有益效果为：本发明耦合图像大数据和机器学习方法，对公众主观情感进行量化。本发明有助于探索不同用地作用下主观情感和客观城市景观的联系，帮助生态规划和环境管理，优化城市视觉体验、保障公众心理健康以及改善视域景观格局，并提供了一套具有强复用性、扩展性和实用性的技术路径。
附图说明
[0063]
图1为本方法的流程示意图；
[0064]
图2为本系统的结构框图；
[0065]
图3为图像比较子模块的界面示意图；
[0066]
图4为不同控制参数下的主观情感量化准确度；
[0067]
图5为fon和pvi计算模型示意图；
[0068]
图6为安全情感指数地图；
[0069]
图7为单调情感指数地图；
[0070]
图8为富饶情感指数地图；
[0071]
图9为美感情感指数地图；
[0072]
图10为生动情感指数地图；
[0073]
图11为压抑情感指数地图。
具体实施方式
[0074]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0075]
实施例1：
[0076]
如图1所示，该公众主观情感量化方法包括以下步骤：
[0077]
s1、选取城市图像，采用互联网众包和成对比较法获取每张城市图像的主观情感得分；其中主观情感包括美感、安全、生动、富饶、单调和压抑；
[0078]
s2、获取各类主观情感的所有得分的平均值和方差，根据平均值和方差对每张城市图像的该类主观情感进行二分类，得到每张城市图像的该类主观情感对应的分类值，进而获取每张城市图像的主观情感得分对应的二分类标签向量；
[0079]
s3、采用图像编码器和神经网络构建情感指数模型，将城市图像和其对应的二分类标签向量作为训练集对情感指数模型进行训练，得到训练后的情感指数模型；
[0080]
s4、采用训练后的情感指数模型对目标图像进行主观情感量化。
[0081]
步骤s1的具体方法包括以下子步骤：
[0082]
s1-1、选取任意两张城市图像，如图3所示，采用互联网众包和成对比较法获取每张城市图像分别在美感、安全、生动、富饶、单调和压抑六个方面进行比较；比较结果包括“获胜”、“平局”和“失败”；
“←”
表示左侧图像优于右侧，即左侧图像获胜；
“→”
表示右侧图像优于左侧，即左侧图像失败；“＝”表示非常接近或难以分辨，即平局；具体操作时，可以从imagenet-1k图像分类数据集选取城市图像；
[0083]
s1-2、根据公式：
[0084][0085][0086]
获取第i张城市图像在第n类主观情感中获胜的概率p
in
和失败的概率其中为第i张城市图像在第n类主观情感中获胜的次数；r
in
为第i张城市图像在第n类主观情感中
平局的次数；为第i张城市图像在第n类主观情感中失败的次数；
[0087]
s1-3、根据公式：
[0088][0089]
对第i张城市图像在第n类主观情感中的表现进行打分，得到第i张城市图像在第n类主观情感中的得分其中表示第i张城市图像在第n类主观情感中胜过第j张城市图像的获胜比率；为第j张城市图像在第n类主观情感中获胜的次数；为第k张城市图像在第n类主观情感中失败的次数；表示失败于第i张城市图像的第k张城市图像的失败比率；n＝1,2,3,4,5,6，分别对应于美感、安全、生动、富饶、单调和压抑。
[0090]
步骤s2的具体方法包括以下子步骤：
[0091]
s2-1、获取第n类主观情感的所有得分的平均值μn和方差σn；
[0092]
s2-2、根据公式：
[0093][0094][0095]
获取第n类主观情感对应的负样本分类值和正样本分类值其中ωn为第n类主观情感的控制参数；第n类主观情感的控制参数ωn的取值范围为0.5≤ωn≤1.5，且可以分别取值0.5、1.0和1.5来构建3组不同的数据集；
[0096]
s2-3、为第i个城市图像初始化一个元素个数等于主观情感类数的一维向量xi；
[0097]
s2-4、为第i个城市图像的一维向量xi进行赋值，获取每个城市图像的二分类标签向量：
[0098]
若第i个城市图像的第n类主观情感得分小于则将一维向量xi中第n个元素值设置为-1；若第i个城市图像的第n类主观情感得分大于则将一维向量xi中第n个元素值设置为1；若第i个城市图像的第n类主观情感介于和之间，则将一维向量xi中第n个元素值设置为0。
[0099]
步骤s3的具体方法包括以下子步骤：
[0100]
s3-1、采用resnext-50作为情感指数模型的图像编码器，采用全连接人工神经网络替换resnext-50的输出层并作为情感指数模型的特征分类器，得到情感指数模型；
[0101]
s3-2、剔除二分类标签向量中存在0元素的城市图像及该二分类标签向量，将剩余的城市图像及对应的二分类标签向量作为原始数据集；
[0102]
s3-3、将原始数据集按照7：3的比例划分为训练集和测试集，通过7折交叉验证方式对情感指数模型进行训练，当情感指数模型的正确率达到阈值时，结束训练并得到训练后的情感指数模型。
[0103]
实施例2：
[0104]
实施例2属于实施例1的并列实施例，主要阐述公众主观情感量化系统的结构及功能：
[0105]
主观情感打分模块，用于选取城市图像，采用互联网众包和成对比较法获取每张城市图像的主观情感得分；其中主观情感包括美感、安全、生动、富饶、单调和压抑；
[0106]
二分类标签向量获取模块，用于获取各类主观情感的所有得分的平均值和方差，根据平均值和方差对每张城市图像的该类主观情感进行二分类，得到每张城市图像的该类主观情感对应的分类值，进而获取每张城市图像的主观情感得分对应的二分类标签向量；
[0107]
情感指数模型构建模块，用于采用图像编码器和神经网络构建情感指数模型，将城市图像和其对应的二分类标签向量作为训练集对情感指数模型进行训练，得到训练后的情感指数模型；
[0108]
主观情感量化模块，用于采用训练后的情感指数模型对目标图像进行主观情感量化。
[0109]
主观情感打分模块包括：
[0110]
图像比较子模块，用于选取任意两张城市图像，采用互联网众包和成对比较法获取每张城市图像分别在美感、安全、生动、富饶、单调和压抑六个方面进行比较；比较结果包括“获胜”、“平局”和“失败”；
[0111]
获胜和失败概率计算子模块，用于根据公式：
[0112][0113][0114]
获取第i张城市图像在第n类主观情感中获胜的概率p
in
和失败的概率其中为第i张城市图像在第n类主观情感中获胜的次数；r
in
为第i张城市图像在第n类主观情感中平局的次数；为第i张城市图像在第n类主观情感中失败的次数；
[0115]
打分子模块，用于根据公式：
[0116][0117]
对第i张城市图像在第n类主观情感中的表现进行打分，得到第i张城市图像在第n类主观情感中的得分其中表示第i张城市图像在第n类主观情感中胜过第j张城市图像的获胜比率；为第j张城市图像在第n类主观情感中获胜的次数；为第k张城市图像在第n类主观情感中失败的次数；表示失败于第i张城市图像的第k张城市图像的失败比率；n＝1,2,3,4,5,6，分别对应于美感、安全、生动、富饶、单调和压抑。
[0118]
二分类标签向量获取模块包括：
[0119]
平均值与方差获取子模块，用于获取第n类主观情感的所有得分的平均值μn和方差σn；
[0120]
正负样本分类值获取子模块，用于根据公式：
[0121]
[0122][0123]
获取第n类主观情感对应的负样本分类值和正样本分类值其中ωn为第n类主观情感的控制参数；
[0124]
二分类标签向量初始化子模块，用于为第i个城市图像初始化一个元素个数等于主观情感类数的一维向量xi；
[0125]
二分类标签向量赋值子模块，用于为第i个城市图像的一维向量xi进行赋值，获取每个城市图像的二分类标签向量：
[0126]
若第i个城市图像的第n类主观情感得分小于则将一维向量xi中第n个元素值设置为-1；若第i个城市图像的第n类主观情感得分大于则将一维向量xi中第n个元素值设置为1；若第i个城市图像的第n类主观情感介于和之间，则将一维向量xi中第n个元素值设置为0。
[0127]
情感指数模型构建模块包括：
[0128]
情感指数模型构建子模块，用于采用resnext-50作为情感指数模型的图像编码器，采用全连接人工神经网络替换resnext-50的输出层并作为情感指数模型的特征分类器，得到情感指数模型；
[0129]
原始数据集获取子模块，用于剔除二分类标签向量中存在0元素的城市图像及该二分类标签向量，将剩余的城市图像及对应的二分类标签向量作为原始数据集；
[0130]
情感指数模型训练子模块，用于将原始数据集按照7：3的比例划分为训练集和测试集，通过7折交叉验证方式对情感指数模型进行训练，当情感指数模型的正确率达到阈值时，结束训练并得到训练后的情感指数模型。
[0131]
实施例3：
[0132]
实施例3为实施例1的进一步应用，并具体阐述电子设备的学习内容：包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现公众主观情感量化方法的步骤。
[0133]
实施例4：
[0134]
实施例4是以实施例1所记载的方法或实施例2所记载的系统或实施例3所记载的电子设备在进行实际使用时的一个例子。
[0135]
实施例5：
[0136]
实施例5是基于实施例1-4任一实施例所记载的技术方案的实际效果分析。由于城市物理感知配置和数量可能会影响人们的情感和感受，进而影响公众判断和活动。因此，如图5所示，本实施例采用先进的mask scoring r-cnn算法进行物体目标检测，并通过deeplab v3 进行景观语义分割，对城市物理环境的组分配置进行测算。并行使用两种模型检测前景中的常见实例数量(人、汽车和卡车等80种常见物体)，分割景观元素(树木、墙和围栏等常见景观)计算其覆盖比率，物理景观量化指数中个数和比率分别记为fon(foreground object number)和pvi(physical viewshed index)。
[0137]
以城市景观的美感为例，我们分别根据情感指数sei值的大小随机抽取两组不同区间段的街景照片，如图4所示，随着ωn的增大，6种主观情感类型的准度均有明显的提升。
然而，ωn过大会导致训练集体量减小。因此，根据实验结果，通过权衡训练集的数据量和泛化能力，最终采用ωn＝1对边界两侧的二分类数据集进行训练。最终，本发明训练得到的情感指数模型的全局准确率达到了0.80以上。
[0138]
本实施例使用了北京市共50万张包含地理位置标签的沿路城市景观照片。其中，路网采样间隔被设定为100m。使用训练后的情感指数模型对北京城市图像进行推演，得到每一个街景点的情感指数向量，然后利用open street map(osm)路网数据将点结果聚合到道路尺度。其中，6类情感指数的可视化地图如图6、图7、图8、图9、图10和图11所示。
[0139]
通过图6-图11可以观察到6种公众的情感强度的整体空间分布规律。可以发现积极的情感指数(美感、安全、富饶和生机)与消极的情感指数(压抑和单调)的热值(亮色聚集区)在空间布局上正好相反，这一结果符合我们的预期。其中，美丽、安全、富裕和生动的情感指数的空间分布模式比较相似，热值区域主要分布在二环至五环区域北部。这是因为该区域保存有许多皇家园林和名胜古迹，其带来的美学和文化价值较高，因而提供给居民的具有积极情感比较强烈。然而，位于城中心东二环和南二环附近的胡同、四合院等旧街区由于比较狭窄、视线被墙面遮挡严重，给人的美感、生机、富裕和安全感偏弱，因此形成了局部的低值“洼地”，并且与位于地图正中心的故宫(皇家园林)形成了鲜明的对比。其它的热值街区零散地分布在北京市中心的外围，分别位于北五环的北沙河水库周边地区、东北的机场高速沿线街区、东部的京哈高速(g1)沿线街区、东南京沪高速(g2)沿线街区以及西南的大兴东片区(居民区)，说明这些位置的景观风貌给公众带来的正面心理感受相对更强。相比之下，令人觉得单调和压抑的街区主要分布在南四环至南五环区域，这里主要是场景外观相对同质的大片高密度住宅区以及部分工业园区，并且那里的景观和基础设施的配备与城市中心区的差距较大。
[0140]
图6-图11反映出在街区水平下人们的6种主要情感强度均表现出明显空间异质现象。积极的情感指数表现出由内至外“高-低-高”的分布格局；消极的情感则与之相反。北京居民感受的4种积极情感在空间上分布并不均衡。比如，居住在南五环附近的居民，他们感受到的美丽、安全、生机和富裕感相对其他区域更弱，而负面情感(压抑和单调)相对偏高。事实上，“景观脉冲”数据集体现了居民情感的异质性，而这一效果可能受土地利用现状以及景观风貌共同影响。综上，情感地图能够展示不同街区人们情感的积极和消极程度，也即说明本发明实现的公众主观情感量化方法、系统及电子设备是完全有效可行的。
[0141]
本实施例还采用多源回归建模来探究景观物理指标(fon和pvi)对sei产生影响。利用osm道路矢量图层，我们以道路单元对图像样点的各种指标进行了空间聚合，多元回归模型的自变量共包含三个部分，分别为主要景观的视率、前景实体的个数和土地利用哑变量；因变量则为6种情感指数，并如下式所示：
[0142]
sei＝pvi|β0 fon|β1 ε其中，lsi为包含各行记录和6列情感指数的浮点数矩阵。pvi为17种主要的场景物理要素的视域面积占比构成的矩阵。fon为街区尺度下7种常见前景实体数量的矩阵。另外，β0，β1为相应自变量的系数矩阵；ε为常数项向量。
[0143]
通过多元回归分析探讨景观物理要素和情感指数之间的联系。情感指数模型拟合结果如表1所示(表1中“***”表示显著性小于0.000；“**”表示显著性小于0.005)，可以发现6种不同主观情感指数模型均表现出良好的拟合优度，其中单调情感指数模型的r2达到了0.65以上；美感情感指数模型和安全情感指数模型的r2达到了0.72以上；其余情感指数模
型的r2在0.77以上。此外，绝大多数变量表现出与sei显著或极显著的相关性。
[0144]
表1：情感指数模型拟合结果
[0145][0146][0147]
在物理感知层面，主要包括pvi和fon两组因子。绿树、草地和山景这3种生态要素的可视程度对于美丽、安全、生机和富饶具有显著的正效应，而对于其余2种感知(单调和压抑)则表现出负效应。说明绿树、草地和山景的视域面积增加能提升积极的情感，该结论与前人研究结果一致。天空、裸地和墙面表现出显著地负效应，容易让人产生负面的心理感受。其它视率只对部分情感指数比较敏感。比如，人行步道的绿化会让人感受舒适和惬意，提升了社区慢行空间的美学属性。围栏的出现则会抑制美感和富裕感，并带来压抑感，因此
从感受层面来看也属于引起负面观感的人工景观。可以通过调整围栏的色彩、调整外形设计或增加围栏绿化来对其改善。此外，我们发现研究区内的围墙并没有显著的提升行人的安全感，这一结果与的结论相符。可能是因为旧城区内(二环内)存在一些年久失修的围墙，反而会存在潜在的安全风险以及污染物聚集。
[0148]
常见的城市交通工具的数量因素也对人本感知产生影响。表1中的结果显示，卡车和摩托车表现为负面的感知要素。这很有可能是因为卡车和摩托车会产生大量的空气污染物和噪音，公众可能会对其产生本能上的排斥。另外，它们在街区附近出现的数量越多，这种负面效果越明显。因此，交管部门可以考虑在高密度居住区的周边路段对卡车和摩托车进行流量管制或者行进路径疏导。相比之下，居住区附近私家车的数量反而表现出正效果。从北京居民的角度来看，私家车通行在北京比较普遍，比如接送孩子上学或放学、购买日常物品等，人们对其的认可度和接受度较高。另外，私家车数量能侧面体现家庭或社区的整体经济收入水平，因此模型中富裕感表现得比较显著。
[0149]
街区单元的用地属性对情感指数有显著影响。我们发现工业用地的景观风貌表现更容易让人感觉压抑和单调，并且美丽、安全、生机和富裕感相对较弱。公园绿地对于美感具有显著提升作用，而对其他情感指数的作用不明显。这一结论与北京五环内的公共服务设施(其中公园绿地占绝大部分)美感较为突出的特点一致。写字楼和工业区对人本安全感有负面效果，而教育用地表现出显著的正效应。运动文化、科教和行政管理用地对于富裕感有显著的正效应。
[0150]
回归模型结果显示，场景物理感知要素与土地利用现状会对不同的情感指数产生显著的作用。首先，我们发现美丽、安全、生动和富裕的情感对于物理景观中的自然元素(绿树、草地和山体)比较敏感，且具有正相关性。前人文献已经指明提升自然景观的可视性有助于心理康复和降低压力，这说明自然景观的配置和视觉暴露程度对于居民心理健康具有重要贡献。其次，对于前景实例的数量，模型显示街区水平的卡车和摩托车的数量增加容易让人们产生负面的情感，这一结论符合我们的主观认知。卡车和摩托车的废气排量较大，在行进过程中会产生有害气体、噪声以及路面烟尘，这些对于周围居民是不利的。在密集居住区附近对卡车和摩托载具的限流或路径疏导可以改善这一情况。另外，通过增加绿化屏障可以阻隔污染物和噪声，进而保障人居环境健康水平。最后，我们发现街区用地属性也会对人本情感产生显著影响。其中，工业街区的景观风貌对于美丽、安全、生动和富裕的取报告嘎巴指数均表现负效应，而对单调和压抑产生了正效应。可见，需要对北京的工业街区开展自然风貌修复，控制偏向负面情感的景观风貌。我们认为提升工业园区周围的立体绿化并适当增加游憩空间会是一个好的开始。相比之下，公园绿地类型对于提升人本情感质量具有显著的正效应，因为公共用地附近的可视绿植和草地更为丰富，这一发现符合常识。
[0151]
城市居民的情感的影响因素是非常复杂且很难量化的，尤其是在同时兼顾尺度、粒度和准确度这三个方面的情况之下。本发明为生态规划提供了定量指标、数据补充和技术支撑。实验结果表明，本发明能够很好的解决“大尺度-细粒度”的景观物理要素和心理情感方面的量化问题，并能够进一步探究两者之间的复杂关系，最终为保障城市的美丽、安全、生机、富饶等多维度的积极感知属性提供了评价和管理依据。通过公众情感地图可以看到，北京街区尺度的情感水平表现出较强的空间异质性。政府在未来实施景观生态规划的过程中，需要注意景观风貌对人们心理感受的影响，尽可能改善主观情感指数“洼地”(低水
平聚集区)的物理景观风貌，进而帮助提升公众整体的情感水平。
[0152]
综上所述，本发明构建并训练了情感指数模型，通过控制参数进行对比实验，模型的全局准确率达到80％以上，说明情感指数模型能够较好地反映公众的情感强度。此外，本实施例将物理景观指标(fvi、pon)和公众情感指标(sei)统合到街道进行分析。通过探索不同用地性质下多维情感指数的差异，发现了北京市6环内街区情感强度的异质化分布格局，进一步验证了本发明量化公众主观情感的有效性和可行性。
[0153]
于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0154]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。