如何用機器學習判別一個城市的水系美觀度？

俗話說：靠山吃山，靠水吃水。自古以來，人們都知道水系對於一個人、一座城市乃至一個國家的重要性，自古以來居民吃水灌溉農業，城牆外靠護城河抵抗敵人入侵，水系也曾是很重要的經濟要道，現如今湖景房河景房的價格也是高於一般的房。。。當然，水系還起到了排澇、養殖、去污等作用。

我們對所居住的城市慢慢有了更高的要求——乾淨、便捷、舒適、美觀等都是納入宜居城市裡的指標。這兩年人們對「河長制」、「黑臭水體治理」和「海綿城市」也都有了越來越多的探討，相信以後對水系的評價也不只局限於水質類別、防洪標準、排澇標準，美觀度同樣也需要納入一條河道的綜合評價中。

我們從百度街景中找了兩張河道的圖片，將兩個河道對比不難發現：上面的河道明顯要比下面的河道美觀：植被、生態護坡、水面顏色等都起到了加分作用；相反，違規建築、電線、施工垃圾、漿砌石護堤等起到了減分的作用。如果以0為基礎分，滿分為5分的計算準則，則上面兩條河道的分值應該分別落在區間（0,5）和（-5,0）內，具體分值還要經過每條河道的具體情況及各部分的分值權重計算。

可是，當我們面對數萬張的水系圖像時，要怎麼處理繁冗的工作？這時候便可以利用機器學習了。

將每張照片進行解剖（水面、建築、違規垃圾、護堤、廣告牌、植被……），這裡可以利用像素級語義分割的深度全卷積神經網路體系結構分割技術（Bayesian SegNet）理解視覺場景。該方法可以識別出天空、建築、柱體、道路、樹木、圍欄等要素。

於是這些街景圖片的內在意義就是一系列特徵的集合，我們使用機器學習演算法從集合中將特徵提取出來並打分（可能一類型的數據包含相似的一系列特徵），下次機器如果遇到相同的數據，就可以根據其包含的特徵而將其分類並打分。

機器學習(Machine Learning, ML)，專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習已經有了十分廣泛的應用，例如：數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎等。

圖片來自知乎專欄【城室科技 | CitoryTech】

通過對數以萬計的城市水系街景圖片美觀度打分，我們便知道了一個城市水系的整體狀況以及單一河道的狀況。哪些河道急需治理？如何治理？是否有違規垃圾侵佔河道？植被情況良好？這些問題都將能夠得到有效的解決。

構建好了城市水系美觀度評價系統，我們不僅可以對水系做前期現狀評價，也可以將其與規劃實施後的評價作對比，並得到水系美觀度的改善情況。相信這項工作能夠對我們以後的水系規劃、河道整治提供決策支撐。

當然，這個腦洞也存在諸多需要解決的問題：

1街景圖片的獲取，百度街景圖片視角只可以定位在橋樑上，如何獲取河道全貌？

2街景圖片中的水面顏色與水質情況到底是一個怎樣的關係？

3如何利用分割技術準確性地分割圖片並竟可能多地識別所需要素？

這些問題都將在今後的工作中進行討論與解決。

----- end -----

首發於微信公眾號：urbanwater

歡迎關注 若水 專欄，個人主頁@楠楓槿

我們夠嗆能夠改變潮水的方向，但還是要試試。