EN中文

PROGRESS IN GEOGRAPHY >

2021 , Vol. 40 >Issue 9: 1600 - 1612

DOI: https://doi.org/10.18306/dlkxjz.2021.09.014

Industrial Applications of UAV

City image perception of Xi’an based on unmanned aerial vehicle photography photos

  • CHEN Xiliang , 1 ,
  • LI Gang , 1, 2, * ,
  • XU Feng 1 ,
  • YU Yue 1 ,
  • ZHANG Qianxi 1
Expand
  • 1. College of Urban and Environmental Sciences, Northwest University, Xi'an 710127, China
  • 2. Shaanxi Key Laboratory of Earth Surface System and Environmental Carrying Capacity, Xi'an 710127, China

Received date: 2020-09-24

  Revised date: 2021-02-04

  Online published: 2021-11-28

Supported by

Tang Scholar Program of Northwest University(2016)

College Students Innovation and Entrepreneurship Training Program of Shaanxi Province(2020281)

Copyright

Copyright reserved © 2021
Fold

Abstract

With the rapid development of civilian unmanned aerial vehicle (UAV) technology, UAV aerial photography has become an important data source for urban image perception research. Based on the photos, text introduction, shooting location, and related data of UAVs photos of Xi'an City obtained from the social media platform SkyPixel, this study used computer vision analysis, computer text emotion analysis, social network analysis, and GIS spatial analysis to explore the city image of Xi'an from the perspective of UAV. The research results show that: 1) UAV aerial photography photos are mainly concentrated in the main urban areas, and there are fewer aerial data points in the suburb. The spatial distribution of photos presents a pattern of dense inside and sparse outside, with the highest density area in the center of the city at the junction zone of the three districts, showing a dumbbell-type distribution extending from the north to south. 2) The visual images are mostly of modern urban landscape description, of which the content of human landscape is dominant. 3) Emotion evaluation presents an overall positive feeling, and the polarization of the popular tourist attractions is obvious in the main urban area. Finally, this study explored the mechanism of city image formation and promotion from the perspective of UAV, and provided recommendations for the optimization of Xi'an city image construction and UAV use policy.

Key words： city image; visual analysis; UAV; aerial photography photos; Xi'an City

Cite this article

CHEN Xiliang , LI Gang , XU Feng , YU Yue , ZHANG Qianxi . City image perception of Xi’an based on unmanned aerial vehicle photography photos[J]. PROGRESS IN GEOGRAPHY, 2021 , 40(9) : 1600 -1612 . DOI: 10.18306/dlkxjz.2021.09.014

随着民用无人机(unmanned aerial vehicle,UAV)市场的快速扩张,使用消费级无人机航拍的用户逐渐增多,在城市中越来越多的照片由无人机采用“上帝视角”拍摄,这种全新的视角改变了以往依靠相机或手机拍摄城市的传统视角[1]。与此同时,伴随第4次工业革命和人工智能发展而来的技术革新,图片、视频、语音、文本等信息的识别速度与精度大大提升,成为解决海量照片等数据分析难题的关键[2,3,4]。
消费级航拍无人机因其外型小巧、控制灵活、续航时间较长、价格合理、拍摄视频和照片效果好等特点广受消费者喜爱。在广播电视及视频制作、自拍与航拍、灾害应急响应、遥感等领域占据重要地位。无人机摄影突破了以往相机使用者平视或仰视取景的传统,带来了“上帝视角”下全新的视觉语言[5]。与传统的有人驾驶飞机相比,无人机捕捉了环境景观,具有更大的便利性、控制性和成本效益[6],其三维视角可以将户外工作与空中采集的数据相结合[7]。Hochmair等[8]对无人机拍摄照片地点的空间分析,表明照片数量与国家的社会经济发展及地理特征相关,Stankov等[9]的研究显示无人机拍摄视频的空间分布更倾向于人口稠密地区。在新闻传媒领域,无人机不仅为记者提供了一种更安全有效的特定事件报道机制,而且为航拍提供了一种节省成本的选择[10,11]。在旅游研究领域,无人机研究方兴未艾:Chen等[1]发现无人机摄影游客主要拍摄自然景观照片,其内容大多不包含人存在,拍摄地集中在滨水区域;Xiang[12]认为在旅游研究中应主动拥抱无人机、人工智能、机器学习等新兴信息技术;Song等[13]采用模型计算后得出无人机与旅游结合将产生巨大潜力;也有研究者认为旅游行业应加强对无人机使用培训,了解和挖掘其潜在用途[14]。
国内学界关于无人机应用的研究主要集中在无人机遥感和城市公共安全与动态信息监测领域。消费级无人机具有获取影像资料成本低、分辨率高等优点[15],借助其对城市三维建模,可提高建模效率,降低成本[16],也能助力农村居民点建筑密度和容积率测算,对农村建设用地优化利用和人居环境改善有重要意义[17]。李德仁等[18]从多个方面讨论了无人机遥感系统发展的基础、问题、进展与趋势,认为需要从技术、产业等方面扶持无人机遥感系统继续发展。无人机将提升执法部门在城市突发灾害应急响应与监测、城市公共安全监测、城市交通动态监测、城市违章建筑动态监测等领域的工作效率[19,20]。
城市形象是一座城市向大众展现的基本形象感知,这种形象感知是城市发展过程中逐渐形成的区别于其他城市的基本特征,集合了对城市总体、抽象和概念的认知与评价[21,22]。城市形象是城市精神和文化特征的具体表现,对城市社会经济发展有重要带动作用[23]。国内的城市形象理论研究注重城市形象和感知的综合结果。张鸿雁[24]从理念、行为和视觉3个系统层面论证城市构建的内容与形式,他认为城市形象可以推动城市文化发展,是城市核心竞争力的主要构成部分[25]。城市形象感知是民众对城市综合竞争力、外在活力和发展潜力的综合评价,是城市精神内涵和表象特征的体现,可以将城市各要素诠释为可被感知的内涵[26,27]。20世纪70年代Hunt[28]提出旅游目的地形象。随后,该领域受到国内学者持续关注[29,30,31,32]。旅游城市形象感知和目的地形象感知研究数据日趋多样[33],游客产生的网络文本已成为重要的来源[34,35]。与此同时,发表于社交平台的游客照片也成为了目的地形象研究的资料来源之一[36]。
照片具有内容直观、视觉冲击力强等特质,是考察拍摄者行为、感知和态度的重要研究资料,可以通过照片获得游客对目的地的看法和态度[37]。王敏等[38]通过揭示人文地理学视觉研究进展,认为视觉已经成为塑造和重构空间和生产地方想象、认同和社会关系的重要手段。图片等视觉资料能反映文字信息无法表达的内容和意义,通过对照片解构从而分类梳理,对国内外旅游城市目的地形象进行建构,可为城市规划与设计和城市形象宣传推广起到良好作用[3,39-41]。
图片的分析方法主要包括内容分析法和符号分析法[42]。2015年,雅虎发布了Flickr元数据集YFCC-100M,该数据集对照片元数据中的照片内容进行了分析,成为学界公认的图片研究数据集之一[43]。Deng等[3]使用基于机器学习模型,分析数据集YFCC-100M中关于纽约市的20000多张照片,以帮助城市旅游营销部门选择照片内容。随着Web 2.0时代来临,Flickr[44,45,46]、Facebook[47]、微博[48]和微信朋友圈[40,49]等社交媒体成为照片分析的主要来源。已有研究中大多采用内容分析法和符号分析法,且以人工判读图片内容为主,在计算机视觉分析逐步成熟后,照片研究更多采用此方法解构图片,分析海量图片内容。
综上所述,在无人机的相关研究上,目前国内外学者尚处于快速起步阶段,当前学界针对无人机主要以应用研究为主,以无人机航拍照片探究城市形象感知研究较少。在此背景下,本文基于社交平台“天空之城”获取的西安市无人机航拍照片、简介文本和拍摄地位置等信息,综合运用计算机视觉分析、计算机文本情感分析、社会网络分析和GIS空间分析等方法,考察无人机视角下的西安城市形象,提出城市形象建设和无人机管理建议,以期为城市设计和城市空间品质提升提供理论参考和应用支持。

1 研究区域、数据与方法

1.1 研究区概况

西安古称长安,地处关中平原中部,是陕西省省会城市,关中平原城市群核心城市,是古丝绸之路的起点城市,中国重要的教育、科研、工业基地。西安市下辖11个区(新城区、碑林区、莲湖区、雁塔区、未央区、灞桥区、长安区、阎良区、临潼区、高陵区、鄠邑区)和2个县(蓝田县、周至县)。西安是中华文明和中华民族的重要发祥地之一,在历史上共有10余个王朝在西安建都。因西安文化遗产具有资源密度大、保存情况较好和级别高等特点,1981年联合国教科文组织将西安确定为“世界历史名城”。西安市作为首批中国优秀旅游城市拥有包括秦始皇陵及兵马俑、大雁塔、小雁塔、西安城墙、钟鼓楼、华清池、陕西历史博物馆、碑林等在内的著名景点。西安作为热门目的地,其悠久的城市建设史和绚丽的夜景吸引了国内外大量的无人机摄影爱好者前往拍摄。

1.2 数据来源

研究资料来源于大疆创新(DJ-Innovations,DJI)旗下的全球航拍爱好者和专业摄影师社交平台“天空之城”(https://www.skypixel.com/)。大疆创新是位于中国深圳的无人机制造企业,作为民用无人机领域的佼佼者,占据全球小型无人机市场大约70%的份额[50]。天空之城为无人机摄影爱好者提供照片和视频上传与分享服务。用户上传的摄影作品、简介文本、拍摄地位置等信息,成为本文的主要研究资料。在2019年6月11日采用网络爬虫方法获取天空之城网站中以“西安”为关键词的全部无人机航拍照片共1101张,其中996张片包含经纬度坐标,745张包含简介文本,将获取的数据整理建库。

1.3 研究方法

1.3.1 计算机视觉图片分析
基于云的Computer Vision API使开发人员可以访问用于处理图像和返回信息的高级算法,通过上传图像或指定图像URL,Microsoft Computer Vision算法可以根据输入和用户选择来分析视觉内容。在上传图像或指定图像URL之后,计算机视觉算法会根据图像中标识的对象、生物和动作输出标签。本文使用计算机编程语言C#编写了基于Microsoft Azure计算机视觉分析的程序,该程序用于调用计算机视觉API返回图片内容标签来批量上传无人机照片数据,并借助AI分析图像内容。
1.3.2 计算机文本情感分析
Microsoft Azure认知服务中的文本分析API可以对文本进行高级自然语言处理。主要包括4项功能:情感分析、关键短语提取、语言检测和实体识别。无人机照片在上传至论坛时,其拍摄者通常会附上一段包含当时拍摄情况的介绍及感情抒发的说明文本。本文研究采用编程语言C#编写了调取Microsoft Azure文本分析中情感分析API的程序,该模型在文本分析过程中使用文本处理、词性分析、词序和字词关联等技术,在分析前预先接受了大量的文本和语言的训练。情感分析API评估每个文档的文本输入并返回情感分数,使用机器学习分类算法生成介于0~1之间的情感数值,接近1的评分表示积极情感,接近0的评分表示消极情感,客观内容占主导的文本将获得0.5分并且不会进入情感检测。
1.3.3 社会网络分析
社会网络分析是综合运用图论和数学方法分析数据之间关系以及可视化的研究方法[51]。通过计算机视觉分析对无人机摄影图片所得出内容关键词进行分类整理,采用社会网络分析探寻各个类别之间的关联程度及关系模式。Gephi是一款基于Java开源的复杂网络可视化分析软件,可以通过不同的布局算法按照一定的方式排列图中节点的位置,并通过节点位置对网络做出解读[52]。使用编程语言VBA将每张照片的内容关键词根据其内容分类为关键词共现矩阵,并将该矩阵导入Gephi 0.92中进行可视化操作,进而揭示西安市无人机航拍照片内容之间的社会网络关系。
1.3.4 空间分析
(1) 空间自相关分析
ArcGIS中的全局自相关Moran's I用于分析无人机航拍数据点的分布情况,以探究空间聚集或离散现象。当系数I值大于0且显著时,表示空间集聚;当I值为负且显著时,区域间呈现离散分布现象;当系数I值接近0时,则空间趋于随机分布[53]。
空间自相关的Moran's I统计可表示为:
I = n ∑ i = 1 n ∑ j = 1 n w z ij z i z j ∑ i = 1 n ∑ j = 1 n w ij ∑ i = 1 n z i 2
式中: z i是要素 i的属性与其平均值 ( x i - x - )的偏差, w ij是要素 i和 j之间的空间权重, n等于要素总数。
统计的 Z ( I )得分按以下形式计算:
Z (I) = I - E ( I ) var ( I )
式中:E(I)为I的期望值,var(I)为方差。
(2) 核密度分析
核密度分析(kernel density estimation)是地理空间分布特征统计分析方法,可以较为直观地反映出地理现象在空间分布上的衰减现象[54]。核密度分析通常用于考察地理事件空间分布的相对集中程度,使得研究对象的密度呈现空间连续变化,以此研究点的分布情况,本文使用该方法探究无人机航拍数据点的空间分布特征。
具体计算公式如下:
f (x) = 1 n h n ∑ i = 1 n k x - x i h n
式中:n为样本数;hn为带宽,即搜索半径; k x - x i h n为核函数。
(3) 标准差椭圆分析
标准差椭圆(standard deviational ellipse)是一种计算空间离散数据集的计量方法,可用于判断数据集的分布方向与特征[55]。本文使用标准差椭圆来研究无人机航拍数据点分布的方向和规律,其中椭圆的长轴方向表示数据在地理空间的主要分布方向,椭圆的面积代表离散点集中分布的分散或集聚程度。
具体计算公式如下:
SD E X = ∑ i = 1 n x i - X - 2 n
SD E Y = ∑ i = 1 n y i - Y - 2 n
式中:SDEX、SDEY分别为标准差椭圆X轴和Y轴方向上的轴长; x i和 y i是要素 i的坐标, ( X - , Y - )表示要素的平均中心, n等于要素总数。

2 西安市无人机航拍照片空间分布

为了探究西安市无人机航拍照片的空间分布及地理偏好,将航拍坐标数据点导入ArcGIS中,全局自相关分析的计算结果显示:Moran's I=0.273为正,z得分为17.212,表明西安市无人机航拍照片空间分布模式呈现集聚型,并且置信度大于99%,结果可供参考。
西安市无人机航拍数据点除周至、高陵和阎良3个较远的区县外均有分布,主要集中在莲湖、新城、雁塔、碑林全部区域以及未央区南部、灞桥区西部和长安区北部等区域。标准差椭圆分析显示数据长轴与短轴相差较大,表明空间分布方向性较为显著,呈现西南—东北走向,与城市空间发展格局一致。
将西安市无人机航拍数据点分布图放大至标准差椭圆大小,使用核密度分析探究集聚情况(图1)。由图可知,核密度最高值区位于莲湖、新城和碑林三区交界的中部,呈现出南北方向的“哑铃型”分布特征,其中北侧为钟楼和鼓楼,南侧为明城墙永宁门。核密度较高值区位于雁塔区北部的大唐芙蓉园景区,核密度中值区在雁塔区北部的大雁塔景区;另一个中值区为灞桥区西部的世园会公园。较低值区为雁塔区中部偏东侧的曲江池遗址公园。
图1 西安市无人机航拍数据点核密度分布

Fig.1 Spatial distribution of kernel density estimation of UAV photography data points in Xi'an City

3 无人机航拍照片视觉形象分析

3.1 视觉关键词词频与数量特征

通过Microsoft Computer Vision分析每张照片得出数十个图片内容关键词。为确保视觉分析的准确度,选取了1101张西安市无人机航拍照片内容关键词视觉分析前10项的结果,使用分析软件Nvivo 11对照片内容关键词进行词频计算,得到300个视觉关键词,共计10360频次。其中前56个视觉关键词共计7568频次(表1)。
表1 计算机视觉分析西安市无人机航拍照片内容关键词统计(前56项)

Tab.1 Keyword statistics of the content of UAV photography photos based on computer vision analysis in Xi'an City (Top 56)

序号 关键词 词频 比重/% 序号 关键词 词频 比重/%
1 outdoor 729 7.04 29 bridge 52 0.50
2 large 677 6.53 30 colorful 51 0.49
3 city 613 5.92 31 white 51 0.49
4 building 509 4.91 32 body 50 0.48
5 water 432 4.17 33 small 48 0.46
6 light 415 4.01 34 harbor 47 0.45
7 night 379 3.66 35 yellow 45 0.43
8 sitting 361 3.48 36 old 43 0.42
9 street 256 2.47 37 lake 42 0.41
10 traffic 216 2.08 38 red 42 0.41
11 grass 199 1.92 39 indoor 41 0.40
12 road 195 1.88 40 highway 38 0.37
13 lit 187 1.81 41 truck 37 0.36
14 mountain 176 1.70 42 riding 35 0.34
15 track 126 1.22 43 bench 34 0.33
16 boat 125 1.21 44 group 34 0.33
17 green 119 1.15 45 people 33 0.32
18 river 109 1.05 46 black 30 0.29
19 snow 98 0.95 47 park 30 0.29
20 car 89 0.86 48 clock 29 0.28
21 man 86 0.83 49 tower 29 0.28
22 field 73 0.70 50 fireworks 28 0.27
23 nature 69 0.67 51 front 28 0.27
24 standing 69 0.67 52 bright 25 0.24
25 hill 63 0.61 53 parked 25 0.24
26 covered 59 0.57 54 sunset 25 0.24
27 dark 59 0.57 55 valley 25 0.24
28 long 59 0.57 56 cloudy 24 0.23
从表1中可以看出,描述现代城市景观的关键词较多,如:都市(city)、建筑物(building)、街道(street)、交通(traffic)、公路(road)等。表明无人机照片对现代都市形象较为关注,尤其对城市交通设施给予更多镜头。城市中复杂的交通枢纽设施在天空俯拍可以呈现出独特的、异于地面视角的特殊秩序感,所以在无人机航拍中受到更多摄影者的青睐。照片内容高频词中有一定数量的形容词,如:户外的(outdoor)、巨大的(large)、矗立的(standing)等,这些形容词依据照片内容进行匹配,总体上以一些描述物体特征的形容词居多。照片内容高频词中,描述自然景观的关键词较多,如:水域(water)、草地(grass)等,表明无人机航拍自然景观的对象主要是城市公园绿地、乡村田园风光和天气现象。综合前述推测无人机航拍城市视觉形象内容主要是都市风光、交通设施、城市中的公园绿地以及城区以外的自然风光等。这些照片的特点是无人机在一定高度采用俯视的拍摄角度可以带来不同的视觉内容。无人机摄影的全新视角有别于传统相机或手机摄影的平面视角,尤其是无人机在空中向下拍摄时,离被摄物体具有一定的距离,同时被摄物体需要具有较大的规模才能在画面中清晰展现。这使得航拍画面相对于传统地面摄影画面内容更纯净且主体清晰,较少存在不相干的物体干扰,可以较方便地辨识出城市景观布局方式以及城市景观和环境的关系,在城市视觉形象构建中具有重要意义。

3.2 视觉关键词类型特征

结合相关文献分类结果与航拍照片自有特点[39,56],将表1列出的照片内容高频词进行分类并按降序排列,得到6个类别:交通、人文景观、自然景观、人物及活动、形容词、色彩(表2)。可以看出,人文景观类的关键词数量最多,主要是都市(city)、建筑物(building)、光亮(lit)等,这与表1的结果对应。无人机在拍摄人文景观时,主要对象包含城市建筑在内的都市风光,以及西安众多古建筑(tower)。关键词lit和light表明都市景观包含大量夜景。形容词类关键词占比位列第2,包括户外的(outdoor)、巨大的(large)、矗立的(standing)等,主要为描述历史建筑物的词汇,同时明亮的(bright)等衬托光线的词汇表明计算机视觉分析会对照片中夜景灯光照片做出响应。自然景观类关键词占比位列第3,包含水域(water)、草地(grass)、山脉(mountain)等。表明无论是城市内的公园水系还是城市外的山川河流都是无人机拍摄西安照片的关注点。在自然景观类的无人机航拍资料中,拍摄较多积雪(snow)、晚霞(sunset)、夜晚(night)等自然现象。在俯拍角度下,这类自然现象的特征会变得十分显著,具有广阔视角的镜头会放大自然现象与城市融合带来的独特美感。交通类关键词占比位列第4,主要包含交通设施和交通工具,其中交通类照片往往与都市景观照片共同出现。交通设施体量大、辨识度高的特点可以在航拍中较好体现,城市中秩序井然的道路和车流映衬出现代都市的蓬勃活力。人物及活动类关键词占比位列第5,包含人的航拍照片主要以静态或小范围活动为主。无人机航拍时往往距离地面有一定高度,其配备的广角镜头可以容纳较多景物,但是较难拍摄投影面积较小的人群。
表2 西安市无人机航拍照片视觉内容关键词分类

Tab.2 Keyword classification of visual content of UAV photography photos in Xi'an City

分类 占比/% 关键词
人文景观 25.21 city, building, lit, bench, park, clock, tower, fireworks, light
形容词 23.49 outdoor, large, standing, old, small, indoor, bright, long, covered, front
自然景观 22.65 water, grass, mountain, river, snow, field, nature, hill, lake, sunset, valley, night, cloudy
交通 15.49 street, traffic, road, track, car, bridge, harbor, highway, boat, truck, parked
人物及活动 7.91 sitting, body, man, people, riding, group
色彩 5.25 green, white, yellow, colorful, red, black, dark

3.3 视觉关键词社会网络结构

为了使视觉分析出的无人机航拍内容关键词节点之间的关系更加清晰,使用VBA编程语言将照片内容关键词(表1)转换为共现矩阵,并导入社会网络分析软件Gephi 0.92,使用Force Atlas 2算法对其进行可视化操作[57],得到视觉内容关键词社会网络。节点之间连线的粗细代表彼此联系程度,连线越粗表示两者之间关联度越强;节点在图中所处位置代表其重要程度,越靠近核心表示中心度越高(图2)。
图2 西安市无人机航拍照片视觉内容关键词社会网络特征

Fig.2 Social network characteristics of visual content keywords of UAV photography photos in Xi'an City

可以看出,社会网络特征图整体为“内核密集、外围稀疏”的发散形式,呈现“内核心+中间带+外圈层”的组合方式。内核心由outdoor、water、building、city、large这5个内容视觉关键词组成,其中outdoor-large之间的连接程度最高,表明这2个描述无人机航拍场景以及拍摄规模的形容词共现频率最高,其次是outdoor-city、building-city、outdoor-building、outdoor-water、city-large等节点连接程度较高,表明从计算机视觉分析的结果来看,西安市无人机航拍照片的核心内容主要是规模宏大的都市建筑以及水域等户外景观。中间带所包含的节点关键词为field、green、hill、grass、river、mountain等。从图2中可以得知,围绕内核心产生的中间带之中的节点并非均匀围绕在内核心四周,而是有较为明显的“抱团”现象:traffic、light、night、street、lit、car等6个节点紧靠内核心的city节点,night-city、night-large、light-large、light-city、night-street等节点连接程度较高,反映出交通、街道、汽车、灯光等描述夜间交通情况的关键词是城市重要景观;field、green、hill、grass、mountain、river等6个节点紧靠内核心的water节点,outdoor-river、outdoor-mountain、outdoor-grass、outdoor-green、grass-green等节点连接程度较高,反映出山脉、田野、河流、草地等自然景观之间的联系较为密切。外圈层所包含的节点关键词为bridge、small、nature、lake等,它们之间的相互联系较少,少量的联系基本与内核心中的5个节点交流。

4 无人机航拍照片文本情感特征

4.1 情感评价分布统计

研究数据中共有745项与无人机照片同步上传的简介文本,通过使用编程语言C#编写了调取Microsoft Azure文本分析中情感分析API的程序对照片中的文本情感进行分析,评估文本并返回每个句子的情感分数和标签,进而检测社交媒体、客户评论、论坛等中的积极和消极情感。
情感分析API可以评估每个文档的文本输入并返回情感分数,使用机器学习分类算法生成介于0~1之间的情感数值,对应了从消极到积极的情感,客观中立内容占主导的文本将获得0.5分并且不会进入检测。在研究中,将情感分析数值为0.51~1.00的文本界定为积极评价,将情感分析数值为0.50的文本界定为中性评价,将情感分析数值为0~0.49的文本界定为消极评价。
统计发现评分数值小于0.50的消极评价数量为138,占比18.5%,为3个分类中最少的情感评价;评分数值等于0.50的中性评价数量为171,占比23.0%;评分数值大于0.50的积极评价数量为436,占比58.5%,积极评价数量大于消极评价和中性评价数量之和。统计不同层级的情感评价频数和比重(图3),从整体分布来看,评价分布呈现单峰正态分布特征。前3个分组数量很少,从第4分组开始,数据量开始逐步增多,在0.51~0.59分组达到了顶峰,随后逐步下降。总的来说,西安市形象呈现出整体积极正面评价、部分中性评价和少量消极评价的状况,其中积极评价不高,消极评价不低,呈现出较为中庸的认知评价。
图3 西安市无人机航拍照片文本情感评价分布

Fig.3 Text sentiment evaluation pattern of UAV photography photos in Xi'an City

4.2 情感评价空间格局

从西安市主城区范围来看,积极评价的热点区域集中在钟楼、永宁门、大雁塔和浐灞生态区;中性评价的热点区域位于钟楼,其他区域如兴庆公园—西安交通大学、大唐芙蓉园—曲江池遗址公园和世园会公园也有少量热点分布;消极评价的数据点除钟楼、永宁门、大雁塔之外较为分散(图4)。可以看出,3种不同评价的空间分布与整体数据点空间分布的特征类似,在无人机航拍数据量较大的钟楼、永宁门、大雁塔等地既有大量积极评价存在,也有一定数量的中性评价和消极评价。消极评价主要集中在外来游客众多的城市核心景点,而西安本地市民经常进入的游憩、工作、居住、交通等场所基本没有消极评价。这些接待外来游客的区域均为西安市重点打造的旅游景区,承担着向外展示西安古城形象的重任,有关部门应该重视网络中的负面评价,积极回应并提出整改措施,助力提升城市形象。同时,在中性评价中,出现了如世园会公园和兴庆公园等以本地市民游憩为主的公园场所。这些场所在情感评价中反响平平,也应引起相关部门关注,在重视外来游客较多区域的城市形象打造的同时兼顾本地市民活动游憩空间的营造,要做到对外和对内形象协同提升。
图4 西安市主城区无人机航拍照片文本情感评价分布

Fig.4 Spatial distribution of text sentiment evaluation of UAV photography photos in the main urban area of Xi'an City

5 结论与展望

5.1 结论与讨论

本文基于从全球知名民用无人机制造商大疆旗下的航拍爱好者和专业摄影师社交平台“天空之城”获取的西安市无人机航拍照片、简介文本和拍摄地位置等信息,综合运用基于Microsoft Azure云计算的人工智能视觉分析、计算机文本情感分析、社会网络分析和GIS空间分析等方法,探讨西安市无人机航拍照片的分布特征,考察无人机视角下的西安城市形象,主要结论如下:
(1) 空间分布呈现“内密外疏”分布格局,主要集中在雁塔、碑林、未央、莲湖、灞桥和新城等主城区,郊县航拍数据点较少。无人机视角下的城市形象主要关注城市中富有历史文化特色的建筑群与仿古园林。核密度最高值区位于莲湖、新城和碑林三区交界的城市中心地带,呈现出南北方向的“哑铃型”分布格局。核密度较高值区位于大唐芙蓉园;中值区出现在大雁塔和世园会公园。
(2) 照片内容关键词中描述现代城市景观的词较多。对照片内容关键词分类,得到6个类别:交通、人文景观、自然景观、人物及活动、形容词、色彩。社会网络特征图呈现出“内核密集、外围稀疏”的发散形式。在内容上,城市形象感知主要围绕在具有宏大叙事的建筑和夜景中复杂的交通枢纽设施。
(3) 评分数值大于0.50的积极评价数量占比过半。情感评价呈现单峰正态分布特征以及整体积极正面评价、部分中性评价和少部分消极评价的状况。从空间分布看,积极评价的热点区域集中在钟楼—鼓楼、永宁门、大雁塔和浐灞生态区;中性评价的热点区域位于钟楼—鼓楼;消极评价的数据点除钟楼—鼓楼、永宁门、大雁塔之外较为分散。整体看,在主城区热门景点两极分化明显。
无人机航拍照片作为一种新兴的视觉感知材料为城市形象感知研究提供了一条新颖、有效的数据渠道。飞行在空中的无人机较少受到城市中各种不相干物体的干扰,从而在不破坏画面秩序的情况下从空中拍摄主体清晰且内容纯净的城市照片。搭载广角镜头的无人机使用斜俯拍角度可以将更多画面元素收入其中,同时容纳都市天际线和城市建成环境。此外,航拍的俯视视角对城市建筑群和交通枢纽设施有较好的解析力,可将城市秩序体现出来。原本从地面观察建筑与道路之间复杂的交错感在航拍中变成简单的几何关系,从空中观察建筑与道路的有序排列体现城市作为有机整体的魅力所在。
如前文所述,使用无人机拍摄城市形象受到政府城建部门、本地市民和外来游客的影响。整合各影响因素,分析市民、政府、游客三方不同的需求,与当前航拍用户、城市建设、拍摄设备的发展现状相结合,尝试探索无人机视角下城市形象建构与提升的综合机制(图5)。整体来看,城市形象研究视角在推力和拉力的影响下,从传统的地面视角逐步向空中的“上帝视角”提升。随着无人机使用逐渐增多,俯视角度观察城市的门槛不断降低,新视角下的照片增加了城市形象宣传的曝光维度。在无人机视角形成后,更多城市宣传照片由无人机航拍替代了在地面拍摄的传统相机,对城市设计、城市色彩、城市风貌、城市夜景、景区设计等规划由平面思维向三维空间转换提出了新的要求。最终应在规划引导下,推动城市层面的形象建设,创造更舒适的生活和游憩空间,保留传统城市记忆,塑造品牌化的城市形象。
图5 无人机视角下城市形象综合机制

Fig.5 Mechanism of city image formation from the perspective of UAVs

5.2 建议与展望

基于研究结论,对西安的城市形象建设和无人机使用政策提出几点优化建议:
(1) 明确西安对外形象定位,进一步巩固城市古建筑和仿古建筑作为西安整体形象的优势,将古城风貌作为西安城市形象建设的核心。将钟楼—鼓楼、永宁门、大雁塔所在的范围作为西安对外宣传的重点区域和城市形象建设的核心区。同时要平衡夜景营造与文物建筑保护,既要确保古建筑和文物的绝对安全,又要让地标性建筑在夜间继续散发魅力。
(2) 西安城市形象建设应该兼顾主城区外区域的形象打造,深挖地方特色,突出外围区县的特点。随着城市建成范围不断向外扩张,相应配套公共空间和公园绿地应该同步规划与建设。还应关注本地市民公共活动游憩空间打造,提升本地居民对公共休憩绿地满意度,进一步提升城市原有游憩空间、公园场所品质,坚守城市绿线。
(3) 重视无人机照片或视频对城市旅游的推广作用。通过微信公众号、抖音号、微博等新媒体加大投放城市航拍形象力度,进一步扩大城市宣传推广覆盖范围。通过定期举办无人机摄影比赛,吸引更多摄影爱好者拍摄城市形象照片,同时鼓励大众在社交媒体平台对参赛作品评分,让更多人从航拍角度认识西安,使十三朝古都形象不断更新,吸引年轻游客群体。
(4) 加强人员密集场所无人机飞行管理,在文物建筑所在处和人员密集场所的范围内划定无人机限制飞行区。飞行前需提交时间、区域等信息,经审批后放行。重点区域内应配置无人机安全飞行巡视人员,确保空域和地面安全,谨防“黑飞”无人机失控,维护公共安全。在人员密集场所和文保建筑之外的区域,积极引导群众使用无人机航拍城市风光。
本文的数据来源为全球民用无人机领军企业旗下的网络论坛,相对于携带相机和手机的传统摄影者,使用无人机航拍的群体数量有限。但是,从一种新兴的空中观察城市的视角对无人机航拍照片下的城市形象展开研究很有意义。当前无人机及其拍摄者的数量仍在进一步增长,部分中小城市的航拍照片样本量较少。出于安全考虑,部分大城市(如北京)出台政策严格限制无人机在主城区内飞行,造成航拍数据缺失。在后续研究中将丰富数据来源,使用多个数据源交叉比对。计算机视觉分析和情感分析是一种普适性分析工具,目前仍处于快速发展阶段,对无人机视角航拍照片的认知尚有一定的局限性。未来将联合计算机学科,训练开发更具有针对性的计算机视觉分析软件和更适配中文语义环境的文本情感分析软件,提升分析的精确度和适用性。人工智能技术的快速发展为处理海量数据带来了无限可能,未来可将无人机视角下的城市形象研究尺度扩展至城市之间或区域之间对比。同时,微信朋友圈、抖音等社交媒体中拍摄城市的短视频有望成为目的地形象研究的重要资料。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen X L, Li G, Yang L, et al. Profiling unmanned aerial vehicle photography tourists[J]. Current Issues in Tourism, 2020, 23(14):1705-1710.

DOI

[2]
Janša T, Wattanacharoensil W, Kolar T. Computer supported analysis of Thailand's imagery on Pinterest[J]. Current Issues in Tourism, 2020, 23(15):1833-1839.

DOI

[3]
Deng N, Li X. Feeling a destination through the "right" photos: A machine learning model for DMOs' photo selection[J]. Tourism Management, 2018, 65(4):267-278.

DOI

[4]
龙瀛, 周垠. 图片城市主义: 人本尺度城市形态研究的新思路[J]. 规划师, 2017, 33(2):54-60.

[ Long Ying, Zhou Yin. Pictorial urbanism: A new approach for human scale urban morphology study. Planners, 2017, 33(2):54-60. ]

[5]
Germen M. Alternative cityscape visualisation: Drone shooting as a new dimension in urban photography[C]// Proceedings of the conference on electronic visualisation and the arts. Swindon, UK: BCS Learning & Development Ltd., 2016: 150-157.

[6]
Kullmann K. The drone's eye: Applications and implications for landscape architecture[J]. Landscape Research, 2018, 43(7):906-921.

DOI

[7]
Birtchnell T, Gibson C. Less talk more drone: Social research with UAVs[J]. Journal of Geography in Higher Education, 2015, 39(1):182-189.

DOI

[8]
Hochmair H H, Zielstra D. Analysing user contribution patterns of drone pictures to the dronestagram photo sharing portal[J]. Journal of Spatial Science, 2015, 60(1):79-98.

DOI

[9]
Stankov U, Kennell J, Morrison A M, et al. The view from above: The relevance of shared aerial drone videos for destination marketing[J]. Journal of Travel & Tourism Marketing, 2019, 36(7):808-822.

[10]
Holton A E, Lawson S, Love C. Unmanned aerial vehicles: Opportunities, barriers, and the future of "drone journalism"[J]. Journalism Practice, 2015, 9(5):634-650.

DOI

[11]
Tremayne M, Clark A. New perspectives from the sky: Unmanned aerial vehicles and journalism[J]. Digital Journalism, 2014, 2(2):232-246.

DOI

[12]
Xiang Z. From digitization to the age of acceleration: On information technology and tourism[J]. Tourism Management Perspectives, 2018, 25:147-150.

DOI

[13]
Song B D, Ko Y D. Quantitative approaches for economic use of emerging technology in the tourism industry: Unmanned aerial vehicle systems[J]. Asia Pacific Journal of Tourism Research, 2017, 22(12):1207-1220.

DOI

[14]
Hay B. Drone tourism: A study of the current and potential use of drones in hospitality and tourism[C]// CAUTHE 2016: The changing landscape of tourism and hospitality: The impact of emerging markets and emerging destinations. Sydney, Australia, 2016: 49-68.

[15]
毕凯, 李英成, 丁晓波, 等. 轻小型无人机航摄技术现状及发展趋势[J]. 测绘通报, 2015(3):27-31, 48.

[ Bi Kai, Li Yingcheng, Ding Xiaobo, et al. Aerial photogrammetric technology of light small UAV: Status and trend of development. Bulletin of Surveying and Mapping, 2015(3):27-31, 48. ]

[16]
余忠迪, 李辉, 巴芳, 等. 基于消费者级无人机的城市三维建模[J]. 国土资源遥感, 2018, 30(2):67-72.

[ Yu Zhongdi, Li Hui, Ba Fang, et al. 3D city model construction based on a consumer-grade UAV. Remote Sensing for Land & Resources, 2018, 30(2):67-72. ]

[17]
杨存建, 李何超, 许光洪, 等. 基于大疆无人机遥感的农村居民点建筑密度与容积率的测算[J]. 山地学报, 2019, 37(1):144-150.

[ Yang Cunjian, Li Hechao, Xu Guanghong, et al. A measure to the building density and floor area ratio of rural settlements based on Da Jiang unmanned aerial vehicle remote sensing. Mountain Research, 2019, 37(1):144-150. ]

[18]
李德仁, 李明. 无人机遥感系统的研究进展与应用前景[J]. 武汉大学学报(信息科学版), 2014, 39(5):505-513, 540.

[ Li Deren, Li Ming. Research advance and application prospect of unmanned aerial vehicle remote sensing system. Geomatics and Information Science of Wuhan University, 2014, 39(5):505-513, 540. ]

[19]
曾凡洋, 李长辉, 宋杨, 等. 微型无人机在违法用地与违法建设动态监测中的应用[J]. 测绘通报, 2017(S1):152-154, 168.

[ Zeng Fanyang, Li Changhui, Song Yang, et al. Application of micro UAV in dynamic monitoring of the illegal use of land and illegal construction. Bulletin of Surveying and Mapping, 2017(S1):152-154, 168. ]

[20]
柳彤. 无人机在城市动态监测中的应用研究[J]. 科技视界, 2019(18):70-71.

[ Liu Tong. Application research of UAV in urban dynamic monitoring. Science & Technology Vision, 2019(18):70-71. ]

[21]
郑国. 基于地方文脉的城市形象定位研究: 以河北白沟为例[J]. 城市发展研究, 2010, 17(11):77-81.

[ Zheng Guo. Research on the urban image on the basis of local culture context analysis: A case study of Baigou. Urban Studies, 2010, 17(11):77-81. ]

[22]
Kotler P, Asplund C, Rein I, et al. Marketing places Europe: How to attract investments, industries, residents and visitors to cities, communities, regions, and nations in Europe[M]. London, UK: Prentice Hall. 1999.

[23]
刘卫梅, 林德荣. 旅游城市形象和情感联结对旅游意愿的影响[J]. 城市问题, 2018(8):95-103.

[ Liu Weimei, Lin Derong. Influences of emotional connection and tourism city image on travel intentions. Urban Problems, 2018(8):95-103. ]

[24]
张鸿雁. 城市形象与城市文化资本论:中外城市形象比较的社会学研究[M]. 南京: 东南大学出版社, 2002.

[ Zhang Hongyan. City image and capital of city culture: A sociological study on the comparison of city image between China and foreign countries. Nanjing, China: Southeast University Press, 2002. ]

[25]
张鸿雁. 城市意象要素的本土化文化认知[J]. 城市问题, 2004(5):6-11, 22.

[ Zhang Hongyan. Nativism culture perception on the elements of city imagoes: An urban sociological perspective on Linqi's "City images". Urban Problems, 2004(5):6-11, 22. ]

[26]
彭靖里, 马敏象, 安华轩. 中国城市形象建设的发展现状及其展望[J]. 中国软科学, 1999(2):3-5.

[ Peng Jingli, Ma Minxiang, An Huaxuan. The present situation and prospect of urban image construction in China. China Soft Science, 1999(2):3-5. ]

[27]
伍海琳. 城市旅游形象策划与提升研究 [M]. 上海: 上海交通大学出版社, 2011.

[ Wu Hailin. Research on the planning and promotion of urban tourism image. Shanghai, China: Shanghai Jiao Tong University Press, 2011. ]

[28]
Hunt J D. Image as a factor in tourism development[J]. Journal of Travel Research, 1975, 13(3):1-7.

[29]
周永博, 沙润, 余子萍. 旅游目的地意象三维耦合结构: 基于江南水乡古镇旅游者的实证分析[J]. 地理科学进展, 2010, 29(12):1590-1596.

DOI

[ Zhou Yongbo, Sha Run, Yu Ziping. Structure of the tourism destination image. Progress in Geography, 2010, 29(12):1590-1596. ]

[30]
李萍, 陈田, 王甫园, 等. 基于文本挖掘的城市旅游社区形象感知研究: 以北京市为例[J]. 地理研究, 2017, 36(6):1106-1122.

DOI

[ Li Ping, Chen Tian, Wang Fuyuan, et al. Urban tourism community image perception and differentiation based on online comments: A case study of Beijing. Geographical Research, 2017, 36(6):1106-1122. ]

[31]
赵政原, 刘志高. 演化经济地理学视角下旅游目的地研究述评及启示[J]. 地理科学进展, 2019, 38(1):101-110.

DOI

[ Zhao Zhengyuan, Liu Zhigao. Review of tourist destination research in the perspective of evolutionary economic geography. Progress in Geography, 2019, 38(1):101-110. ]

[32]
江金波, 赫瑞娜. 基于结构方程模型的城市旅游形象影响路径研究: 以西安市为例[J]. 人文地理, 2015, 30(3):130-136.

[ Jiang Jinbo, He Ruina. Research on influencing path of urban tourism image based on structural equation model: A case study of Xi'an City. Human Geography, 2015, 30(3):130-136. ]

[33]
徐小波, 赵磊, 刘滨谊, 等. 中国旅游城市形象感知特征与分异[J]. 地理研究, 2015, 34(7):1367-1379.

[ Xu Xiaobo, Zhao Lei, Liu Binyi, et al. Study on perceived image of Chinese tourist cities. Geographical Research, 2015, 34(7):1367-1379. ]

[34]
陆利军, 廖小平. 基于UGC数据的南岳衡山旅游目的地形象感知研究[J]. 经济地理, 2019, 39(12):221-229.

[ Lu Lijun, Liao Xiaoping. Research on image perception of tourism destination based on UGC data: A case study of south Mount Heng. Economic Geography, 2019, 39(12):221-229. ]

[35]
徐菲菲, 剌利青, Ye Feng. 基于网络数据文本分析的目的地形象维度分异研究: 以南京为例[J]. 资源科学, 2018, 40(7):1483-1493.

[ Xu Feifei, La Liqing, Ye Feng. A research on destination image and perceived dimension difference based on big data of tourists' comments: A case of Nanjing. Resources Science, 2018, 40(7):1483-1493.]

[36]
曹兴平, 贺涵, 冯琴, 等. 基于游客照片的皖南古村落目的地意象: 以安徽宏村为例[J]. 资源科学, 2020, 42(5):933-945.

[ Cao Xingping, He Han, Feng Qin, et al. Destination imagery of ancient villages in southern Anhui Province based on tourists' photos: A case from Hongcun Village. Resources Science, 2020, 42(5):933-945. ]

[37]
Balomenou N, Garrod B, Georgiadou A. Making sense of tourists' photographs using canonical variate analysis[J]. Tourism Management, 2017, 61:173-179.

DOI

[38]
王敏, 江荣灏, 朱竑. 人文地理学的“视觉”研究进展与启示[J]. 人文地理, 2017, 32(3):10-19.

[ Wang Min, Jiang Ronghao, Zhu Hong. A review and revelation of the study of visual in human geography. Human Geography, 2017, 32(3):10-19. ]

[39]
Stepchenkova S, Zhan F Z. Visual destination images of Peru: Comparative content analysis of DMO and user-generated photography[J]. Tourism Management, 2013, 36:590-601.

DOI

[40]
Zhao Z, Zhu M M, Hao X F. Share the Gaze: Representation of destination image on the Chinese social platform WeChat Moments[J]. Journal of Travel & Tourism Marketing, 2018, 35(6):726-739.

[41]
邓宁, 刘耀芳, 牛宇, 等. 不同来源地旅游者对北京目的地形象感知差异: 基于深度学习的Flickr图片分析[J]. 资源科学, 2019, 41(3):416-429.

[ Deng Ning, Liu Yaofang, Niu Yu, et al. Different perceptions of Beijing's destination images from tourists: An analysis of Flickr photos based on deep learning method. Resources Science, 2019, 41(3):416-429. ]

[42]
Choi S, Lehto X Y, Morrison A M. Destination image representation on the web: Content analysis of Macao travel related websites[J]. Tourism Management, 2007, 28(1):118-129.

DOI

[43]
Thomee B, Shamma D A, Friedland G, et al. YFCC100M: The new data in multimedia research[J]. Communications of the ACM, 2016, 59(2):64-73.

[44]
Girardin F, Fiore F D, Ratti C, et al. Leveraging explicitly disclosed location information to understand tourist dynamics: A case study[J]. Journal of Location Based Services, 2008, 2(1):41-56.

DOI

[45]
Donaire J A, Camprubí R, Galí N. Tourist clusters from Flickr travel photography[J]. Tourism Management Perspectives, 2014, 11:26-33.

DOI

[46]
Galí N, Donaire J A. Tourists taking photographs: The long tail in tourists' perceived image of Barcelona[J]. Current Issues in Tourism, 2015, 18(9):893-902.

DOI

[47]
Nikjoo A, Bakhshi H. The presence of tourists and residents in shared travel photos[J]. Tourism Management, 2019, 70:89-98.

DOI

[48]
Sun M H, Ryan C, Pan S. Assessing tourists' perceptions and behaviour through photographic and blog analysis: The case of Chinese bloggers and New Zealand holidays[J]. Tourism Management Perspectives, 2014, 12:125-133.

DOI

[49]
苟思远, 李钢, 张可心, 等. 基于自媒体平台的“旅游者”时空行为研究: 以W教授的微信“朋友圈”为例[J]. 旅游学刊, 2016, 31(8):71-80.

[ Gou Siyuan, Li Gang, Zhang Kexin, et al. Space-time behavior of "tourists" based on self -media platform: A case study of professor W's WeChat moments. Tourism Tribune, 2016, 31(8):71-80. ]

[50]
王满四, 周翔, 张延平. 从产品导向到服务导向: 传统制造企业的战略更新: 基于大疆创新科技有限公司的案例研究[J]. 中国软科学, 2018(11):107-121.

[ Wang Mansi, Zhou Xiang, Zhang Yanping. From product dominant logic to service dominant logic: Strategic renewal of traditional manufacturing corporation: A case study on DJI innovations. China Soft Science, 2018(11):107-121. ]

[51]
徐宝达, 赵树宽, 张健. 基于社会网络分析的微信公众号信息传播研究[J]. 情报杂志, 2017, 36(1):120-126.

[ Xu Baoda, Zhao Shukuan, Zhang Jian. Research on information dissemination of official accounts in WeChat based on social network analysis. Journal of Intelligence, 2017, 36(1):120-126. ]

[52]
Bastian M, Heymann S, Jacomy M. Gephi: An open source software for exploring and manipulating networks[C]// Proceedings of the third international conference on weblogs and social media, ICWSM 2009. San Jose, USA, 2009.

[53]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis 1992, 24(3):189-206.

DOI

[54]
Silverman B W. Density estimation for statistics and data analysis[M]. London, UK: Chapman and Hall, 1986.

[55]
Lefever D W. Measuring geographic concentration by means of the standard deviational ellipse[J]. American Journal of Sociology, 1926, 32(1):88-94.

DOI

[56]
黄燕, 赵振斌, 褚玉杰, 等. 互联网时代的旅游地视觉表征: 多元建构与循环[J]. 旅游学刊, 2015, 30(6):91-101.

[ Huang Yan, Zhao Zhenbin, Chu Yujie, et al. The visual representation of tourism destinations in the internet era: Multiple constructions and circulations. Tourism Tribune, 2015, 30(6):91-101. ]

[57]
Jacomy M, Venturini T, Heymann S, et al. ForceAtlas2, a continuous graph layout algorithm for handy network visualization designed for the Gephi software[J]. PLoS One, 2014, 9(6):e98679. doi: 10.1371/journal.pone.0098679.

DOI

Options
Outlines

/

〈 〉