基于街景影像和深度学习技术的城市流动商贩空间分布制图

流动商贩是城市社会生态系统中不可或缺的组成部分,高效治理流动商贩问题需要全面调查他们的经营规模和空间聚集信息。然而,传统方法在大规模流动商贩信息(尤其是他们的空间分布)的自动调查存在不足。文章提出一种基于街景影像和深度学习目标识别模型的流动商贩空间分布自动调查方法。按城市路网的固定间隔距离采集街景影像,通过人机交互的方式选取1957张包含一个或以上商贩的图像建立流动商贩标签数据。构建基于YOLO v4深度神经网络的图像目标检测模型识别街景影像库中的流动商贩,模型的平均F1值为0.77、mAP为0.67。精度能满足覆盖城市主要道路的流动商贩数量和位置调查的需要,进而应用核密度分布模型评估流动商贩的空间分布格局。以广州市的街头流动商贩为案例,通过所建立的自动调查模型在3339062幅街景影像中识别出26119名街头商贩,结果表明,流动商贩在中心城区以多中心聚集模式分布,主要集中在地铁站、城中村附近等人流量大的区域,随着道路等级的下降其数量上升,而且流动商贩偏好分布于租金中等的地区。文章提出的方法有助于实现高效、低成本和城市尺度的街头摊贩分布制图,所得结果有助于制定和实施非正规经济的空间治理政策,并进一步为街景图像丰富且开放的城市的空间治理政策的改进和实施提供建议。识别结果可用于对从业者的区位偏好分析、“邻避效应”探究以及疏导区的划定提供决策参考依据。