导读

街谈是住户感知城市最获胜、最关节的要素，追究的街谈空间视觉感知对城市高质地发展具有抨击兴味。昔时由于时间的法例，东谈主们对城市街谈空间的意志与评价长久停留在较为主不雅且难以长入的水平，怎么构建街谈空间视觉感知评价方执法有待进一步探究。本接洽率先通过图像语义分割模子索求街谈空间特征，量化影响因素标的，建立街景图像；其次，基于TrueSkill算法建立视觉感知评价模子得到小规模街谈空间视觉感知主不雅评分；临了，构建机器学习支援下的立时丛林和XGBoost拟合模子对街谈空间视觉感知评分进行大规模回来推测。本接洽有助于弥补传统街谈空曲折洽在筹商视觉感知方面的不及，为城市方案者和决策者提供科学、合理的评价技巧，为城市方案和街谈推敲提供科学的依据和领导，从而普及城市空间的东谈主性化、好意思不雅度和整洁性。

本翰墨数：8217字

阅读时候：25分钟

作家 | 杨震、黄晓雯、邱怡凯、史方舟、孙立

北京建筑大学

关节词

街谈、视觉感知、图像语义分割、机器学习

01

引 言

跟着新式城镇化策略的实施，我国的城市劝诱已由防卫“量”向防卫“质”的普及改变。街谈，当作与东谈主民日常生涯紧密相连的空间，其优化对于增强实体经济、激勉城市活力、展现好意思学与文化价值，以及鼓舞城市高质地发展而言具有举足轻重的作用。东谈主对环境的感知是一个多维度且复杂的历程，其中不仅包含视觉感知，还涵盖了听觉、感觉、触觉等非视觉感知方式。在这些感知方式中，视觉感知因其相对牢固性和潜入影响力，成为了东谈主们感知环境的主要技巧。

昔时由于时间的法例，东谈主们对城市街谈空间的意志与评价长久停留在较为主不雅且难以长入的水平。跟着互联网的发展，信息化和数字化已成为东谈主们接洽东谈主类社会中一些非直不雅景色的有劲器具，大数据和图像数据在城市接洽中的价值被挖掘出来。跟着数据获取渠谈和处理方式的增多，学者们从多元的视角起程对街谈感知评价进行接洽。在早期阶段，接洽者们主要依赖于定性归纳的方式，通过景色不雅察、立时访谈以及SD问卷法等技巧，深入探讨了街谈感知与东谈主们活动之间的内在接洽。然而，跟着计较机视觉和机器学习时间的赶紧发展，连年来基于大数据的街谈感知评价迟缓成为接洽热门。在这一新兴趋势下，学者们主要应用客不雅的物理数据来测度东谈主的主不雅感受，从而为街谈感知评价提供了更为科学、客不雅的依据。举例，张帆（2018）在MIT众包数据集的基础上，勾通深度学习时间，推测街谈空间安全、璀璨、富足等6个东谈主类感知标的[1]；姚尧等（2019）冷落了一个基于深度学习的东谈主机起义系统框架，该框架使用一个基于立时丛林的模块来探索街景元素和用户得分之间的联系，低本钱、高通量的对街景图像进行主不雅评价[2]。客体角度多为构建合适接洽标的的量化评价体系，常见以街景图像[3]和VR造谣现实[4]等数据为载体，遴荐机器学习[5]和数理分析[6]等时间顺序进行。

总体而言，大数据驱动下的街谈空间评估濒临着新的发展机会。本接洽在明晰街谈空间视觉环境影响因素的基础上，率先通过图像语义分割模子索求街谈空间特征，量化影响因素标的，建立街景图像数据库；其次，基于TrueSkill算法建立视觉感知评价模子得到小规模街谈空间视觉感知主不雅评分；临了，构建机器学习支援下的立时丛林和XGBoost拟合模子对街谈空间视觉感知评分进行回来推测。本接洽有助于弥补传统街谈空曲折洽在筹商视觉感知方面的不及，为街谈的可捏续发展和普及住户生涯质地提供了抨击的表面支援和实践领导，为进一步会通街谈空间的视觉感知提供了新的念念路和顺序。

02

街谈空间视觉环境的影响因素

与传统的街谈空间环境评价不同，本文主要使用图像语义分割及图像处理时间明白街景图像，索求街景图像信息。在标的初筛的历程中，既要降服科学性、系统性、代表性等标的的筛选原则，又要兼顾各标的的抨击性及现存图像处理算法。这一历程具体可分为以下两步：率先，凭据街谈空间环境评价接洽文献中说起的标的的抨击进程进行筛选，确保所选标的约略充分响应评价的中枢要素；其次，进一步筹商这些标的是否具有可量化性，以便约略进行精确的测量和相比，从而确保评价收尾的准确性和客不雅性。

2.1 评价标的开始

现存波及街谈空间环境评价标的体系盛大，波及空间品性、景不雅视觉、好意思感、愉悦感等各个方面，对一些具有代表性接洽后果中的评价标的进行统计分析（表1）。在统计历程中，若不同文献中使用的标的称呼相反但现实含义疏导，应将其归并为一类。举例，天外轩敞指数、天外可视率、天外面积指数等，这些标的尽管称呼不同，但都指代街谈上可见天外的面积，因此在统计时应当被视为归并类标的进行处理。此外，鉴于本文的接洽主要基于街景图像数据，聚焦于街谈空间的视觉特征分析，因此并不波及街谈平面特征如贴线率、近线率以及POI数据等。基于这一接洽范围的考量，本文在标的筛选历程中并未纳入上述街谈平面特征的接洽标的。

表1现存对于街谈空间环境评价标的梳理

2.2 评价标的筛选

已有接洽中，好多学者遴荐天外轩敞度、建筑界面围合度、绿视率、纯真车谈占比、东谈主行谈占比、行东谈主出现率、纯真车出现率这7个街谈空间视觉要素特征当作评估街谈空间环境的抨击因素。而当前对于街谈空间环境评价的接洽常以图像语义分割后的建筑、绿化及天外等高等视觉特征并勾通街谈宏不雅特征组成街谈空间的标的体系，对街景图像中线条、形态、肌理等初级视觉特征穷乏见识量化的法式。基于此，本面貌将视觉解构化念念维引入到图像语义分割中，以街谈空间视觉复杂度和视觉幻灭度分别表征街谈空间轮廓线条变化丰富进程和建筑界面景物抑止、分割情况，勾通街谈空间要素与视觉环境的内在关联，从洞开性、惬意性、安全性和丰富性四个维度对现存分析时间可测度的影响因子进行分类（图1）。

图1 评价标的考取念念路

03

街谈空间视觉环境评价顺序

本接洽构建一套以多源大数据为接洽基础，图像语义分割为量化器具，机器学习为时间支援的街谈空间视觉环境评价顺序。率先建立街景图像数据库，并应用图像语义分割模子量化街景图像中的影响因素。接着，通过TrueSkill算法得到小规模街景图像主不雅评价，临了使用机器学习算法下的立时丛林和XGBoost模子进行拟合回来推测大规模街景图像客不雅评分。

图2 接洽框架

3.1 建立街景图像数据库

3.1.1 路网简化

谈路蚁合数据来自洞开街谈舆图（OSM）洞开舆图网站。OSM数据具有精度高、数据完备、可提供空间坐标等优点，且相对于其它平台数据而言，更容易获取，是谈路蚁合数据索求的抨击信息开始。OSM网站数据坐标所以WGS-1984地舆空间坐标系为基础，因此考取“WGS 1984 UTM Zone 50N”投影坐标系当作长入的基底坐标。由于谈路蚁合具有复杂的结构和复杂的拓扑结构，因此需要对谈路数据进行预处理。路网简化历程主要包括以下四个格式：

（1）以城市干谈、次干谈、岔路为接洽对象，分析了城市交通系统的空间布局。

（2）对开动谈路进行缓冲区分析，并填补十字街头周围的空闲，并将其转为栅格文献。

（3）使用ArcScan索求谈路中心线并细化谈路（图 3）。

（4）对简化后的谈路进行增密处理，每隔200米建立一个采样点。

图3 路网简化处理默示图

3.1.2 数据采集

街景数据主要包括百度街景、谷歌街景及腾讯街景，详尽筹商可获得性、数据时候及数据粉饰进程，本文以百度街景当作街景数据主要数据开始。

本文遴荐Python编程谈话，借助百度舆图的API接口，灵验获取了街景图片数据，进而终见识对城市街谈视图的采集责任。百度全景静态图接口参数包括width、height、location、heading、pitch、fov等。width为图片的宽度，height为图片的高度，最大可竖立为1024*512像素。其中Location为全景位置点坐标，坐标格式包括经度和纬度。Heading为水平视角，考取0°、90°、180°和270°四个角度的街景图片。Pitch为垂直视角，接洽考取20°，fov为水平范围，考取90°。由于需要处理街景图数量纷乱，因此本文获取街景图像大小为600*400像素，将每个采样点的四个角度的四张街景图像拼接成一张全景图（图 4）。

图4 全景图处理默示

3.1.3 图像语义分割模子

连年来，由于深度学习在计较机视觉中的平素应用，像素级的语义分割时间取得了权贵普及。常用的语义分割顺序涵盖了FCN、U-Net、SegNet、Deeplab以及PSPNet等多种时间。其中，全卷积蚁合（Fully Convolutional Networks, FCN）凭借其约略接管任性尺寸的图像输入的才气，在内存使用和计较时候上都进展出色，从而为街景图像组成要素的高效、精确识别和索求提供了坚实的基础。

本文使用的推测模子使用的GitHub上开源的代码（https://github.com/CSAILVision/semantic-segmentation-pytorch），此模子以ADE20K洞开图像数据集为西宾基础的全（FCN）为框架进行建模。该推测模子终见识150种以上的城市街谈景不雅要素的自动索求，包括天外、谈路、建筑物、绿化、行东谈主、汽车等。

图5 图像语义分割默示图

3.2 构建街谈空间视觉环境的评价模子

通过事先考取的小规口头本，本接洽建立了评价数据集，并邀请接洽专科志愿者对街景图像的视觉环境进行对比与弃取，收罗偏好信息酿成西宾贵寓库。基于此，勾通机器学习时间构建了评估推测模子，终见识大规模评价计较，从而普及了评价效能与准确性。

3.2.1 数据准备

（1）评价样本弃取

为确保示例影像的代表性和灵验性，需勾通街景影像中总体采样点的空间及数量散布，筛选出具有代表性的街景影像，并对其进行饱和度、亮度、光照等校正，以造谣影像本人的光环境对视觉感知的影响，并去除接洽的烦嚣因子。

（2）评价志愿者筛选

为使得评分收尾约略愈加全面、客不雅地响应各维度的视觉感受，本接洽凭据姚尧等东谈主冷落的遴择准则，弃取接洽领域的巨匠、城市方案、建筑等接洽专科的硕士接洽生当作接洽对象，进行评分。巨匠、接洽专科的高校学生以及推敲师，因各自领有不同的上风，成为了对城市环境进行评分的理想受邀对象。巨匠们凭借丰富的推敲实务训诫和深厚的专科教诲，约略深刻细察城市基本问题；而高校学生则以其特有的视角和狰狞的感知，为评分注入簇新血液和理想办法色调；推敲师们则凭借对标的基本含义的深刻会通，约略发掘瞒哄问题并冷落劝诱性意见。在西宾样本的评分历程中，咱们发现评分收尾的准确度与牢固性更多地依赖于样本影像的数量以及每张影像的比对次数，而非只是参与打分的东谈主数。因此，在普及评分收尾的质地时，迪士尼彩乐园官网咱们应防卫加多样本影像的数量和比对次数，以确保评分的客不雅性和可靠性。说七说八，通过合理弃取和利用巨匠、高校学生和推敲师的评分，勾通鼓胀的样本影像和比对次数，咱们约略灵验地提高城市环境评分体系的准确度和牢固性。说七说八，最终筛选出30位接洽东谈主员进行街景图像视觉感知主不雅评分。

3.2.2 评价平台搭建

（1）评价旨趣

TrueSkill算法是一种灵验的评分算法。基于贝叶斯推断和概率图模子，它的中枢念念想是凭据玩家的对战收尾来更新他们的技能水平。算法假定每个玩家的技能水平遵从一个正态散布，其中包括该玩家的平均技能水慈爱技能的不笃定性。每次玩家之间进行对战后，TrueSkill算法凭据比赛收尾来更新玩家的技能散布，使得不雅测到的比赛收尾与推测的收尾之间的差异最小化。该算法不仅局限于游戏领域，还不错扩展到各式评估领域，以匡助组织者更好地会通参与者的才气或主不雅感受并作念出相应的决策。值得介意的是，由于回来顺序需要更精确的数据以及东谈主类说明历程的复杂性和复杂性，使得到归模子的精确推测愈加贵重。因此，怎么灵验地采集和处理东谈主的主不雅感知数据，成为当前接洽的一个关节问题。本接洽遴荐 TrueSkill算法对图像数据进行调度，以最猛进程地体现主不雅层面的视觉环境偏好，同期从简图像对比次数，造谣打听收尾的采集时候。

（2）评价界面搭建

利用Python编程谈话编写了评价模范（图6）。评价模范的打分操作相对浅陋，即按照评价界面的标题、标的含义及相应的评分法式，对任性两幅出面前该平台上的图片进行不雅察。若受邀评分志愿者以为左侧图像清楚的街谈空间品性优于右侧图像，便弃取左侧图像。在获取志愿者对街谈空间视觉环境的感知评价收尾后，利用TrueSkill算法将志愿者的偏好数据信息改变为[0-1]范围内的排序得分。

图6街谈空间视觉环境TrueSkill评分算法模范界面

（3）评价法式和依据

从空间洞开性、空间惬意性、空间安全性和空间丰富性四个维度考取了10个标的来刻画生涯性街谈空间视觉环境。为使巨匠评分收尾能更好地响应出街谈空间中与上述标的密切接洽的问题，需要有针对性地制定打分历程中参照的法式和依据（表2）。

表2 巨匠评分参考法式

3.2.3 机器学习模子构建与相比

鉴于街景图片数量纷乱，若遴荐东谈主工对比的方式，其可行性极低，同期会奢华巨大的时候和东谈主力本钱。因此。本接洽应用机器学习算法，选定立时丛林和XGBoost两种算法构建模子拟合模子终了回来推测，并对比模子收尾，考取拟合效果最好的算法支援后续深入分析，以确保接洽的准确性和可靠性。

（1）模子弃取

① 立时丛林

立时丛林（Random Forests，RF）[19]是一种基于集成学习念念想的刚劲机器学习算法，它通过构建多棵决策树，并勾通这些树的推测收尾来完身分类和回来任务。这种算法的中枢在于其立时性，通过bootstrap重抽样时间，立时丛林约略生成多个不同的数据集，并在每个数据集上构建决策树，从而加多模子的健壮性（Robust）和推测准确性[20]。由于其出色的应用效果和刚劲的泛化才气，立时丛林在多个领域得到了平素应用，成为监督学习中的一种抨击算法。不管是处理复杂的分类问题已经进行精确的回来分析，立时丛林都能展现出其特有的上风。这种集成学习的策略使得立时丛林在处理复杂问题时进展出色。在构造立时丛林时，必须遴荐归并种顺序构造几许棵树，其中包括信息加多算法（information gain）、Gini算法等。在立时丛林算法中，当有新的待辨识标的出刻下，扫数的树都将按照该标的的属性进行分类，而立时丛林则会弃取得分最多的一种，当作整片丛林的分类收尾[21]。立时丛林抨击性指数计较率先需要构建决策树，本文中使用的为CART节点分裂算法，其波及如下计较：

第i棵树节点q的Gini指数的计较公式为：

式中，c为总分类类别，Pqc为节点q中类别c的出现概率。

计较每个分辩的Gini总计的公式为：

图7 立时丛林默示图

② XGBoost模子

XGBoost(eXtreme Gradient Boosting，极限梯度普及树)是一种由陈天奇等东谈主于2016年冷落的典型Boosting集成学习算法[22]，它基于GBDT发展而来，因更精确、更灵活、更好的正则化特点而在深度学习领域得到平素应用。本接洽中，咱们遴荐了XGBoost模子，即一种梯度飞腾回来树，它通过屡次迭代构造一系列回来树，旨在获得最优的回来树，并以此为优化标的,使得标的亏损函数最小。XGBoost 的数学模子如下：

假定D1= {(xi, yi)}是由n个样本和m个特征值组成的数据集。附加函数 z 被连结树模子用来类似系统响应，如下：

式中：F 为包含 Z 棵树的函数空间，被界说为：

式中：q为树的结构；T为叶子个数；w为叶子的权重。wq(x)为叶子节点q的分数；f(x)为某一孤立树；fz是为与q、w不息洽并于孤立树接洽的函数。

为了优化连结树推测性能，界说 XGBoost 的标的函数为：

式中：L为清楚推测过错的凸型亏损函数；yi是为信得过值；k为过错最小化历程的迭代次数。

图8 XGBoost模子默示图

（2）评价法式

在机器学习模子的回来分析中，弃取合适的评估标的至关抨击。其中，MAE(Mean Absolute Error，平均王人备过错）和MSE（Mean Squared Error，均方过错）是两种常用的评估标的。MAE通过计较信得过值与推测值之间王人备过错的平均值，约略更信得过地响应模子推测过错的现实情况。而MSE则通过计较现实值与推测值差值的平方和的平均值，来度量推测模子的性能。MSE的数值越小，证明模子的推测值与信得过值之间的差距越小，从而意味着模子的拟合优度越高。

设样本总额量为N，样本现实值为yi，推测值为yi’，则以上几个评估标的的计较公式如下：

04

北京市海淀区模拟案例

本文考取了北京市海淀区当作接洽对象进行案例模拟。海淀区，从属于北京市，位于北京市主城区的西部和西北部。在地舆位置上，它东邻西城区与向阳区，南部与丰台区不息，西部与石景山区、门头沟区接壤，北部则与昌平区接壤。

本接洽使用ArcGIS对接洽范围内街谈路网数据进行预处理，最终获得街谈735条，其中骨干谈121条，次干谈325条，岔路289条（图9）。本接洽遴荐Python谈话编写代码，并利用百度舆图的API接口，获取北京市海淀区的街景图像数据，并将每个采样点四个角度的街景图像拼接周全景图，共获得全景图11478张（图10）。基于ADE20K洞开图像数据集西宾的FCN模子框架，对全景图进行图像语义分割西宾，量化各项影响因素标的（图10）。尔后，基于TrueSkill算法的评价模子得到小规模主不雅视觉感觉评分后，使用大规模机器学习推测扫数街景图像视觉感知评分。

图9 海淀区矢量路网

图10 海淀区街景图像语义分割默示图

通过对比立时丛林模子和XGBoost模子的MAE和MSE拟合优度发现，在疏导的迭代次数下，XGBoost模子的拟合效果更佳。因此，为了获得更准确的推测收尾和进行深入的讲授性分析，本接洽弃取XGBoost当作后续接洽的基准模子，推测得出海淀区1.2w张街景图像视觉环境评价评分。

表3 立时丛林和XGBoost模子拟合收尾相比

05

结 语

街谈是城市中抨击的群众空间，获胜联系到市民的日常生涯质地和城市的活力，但其善良度仍有待普及。从街谈中的视觉感知早先优化街谈空间，对于鼓舞街谈空间推敲的东谈主性化，改善城市环境品性，普及住户生涯体验，增强住户包摄感和满足度等方面具有抨击价值。

在视觉感知评分历程中，以往的接洽常受限于时间和数据，多依赖于巨匠的手工分析和个东谈主训诫，这断绝了其在现实应用中的平素且迅速的延迟。为了克服这一难题，本接洽冷落了一种新式的空间品性量化评估框架，该框架基于洞开数据构建，能终了高效且迅速的评估操作。勾通小规模打分评价与机器学习时间支援下的大规模街景数据推测，不错迅速对较大圭臬的街谈空间品性进行高精度的评价。这一顺序不仅能针对各个区域乃至每条街谈的空间品性提供数值化的精确测量，还能通过直不雅的可视化展示，见识地呈现空间品性的特征，为街谈空间品性评价带来了全新的可能性。总的来说，本接洽应用图像语义分割、TureSkill算法、机器学习等顺序，不错更客不雅、准确地评估街谈空间视觉感知评分，量化生涯性街谈空间要素，分析视觉感知的影响要素，为城市方案者和决策者提供科学、合理的评价技巧，为城市方案和街谈推敲提供科学的依据和领导，从而普及城市空间的东谈主性化、好意思不雅度和整洁性。

参考文献（上滑搜检一齐）

[1] 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.

[2] Yao Y, Liang Z, Yuan Z, et al. A human-machine adversarial scoring framework for urban perception assessment using street-view images[J]. International Journal of Geographical Information Science, 2019, 33(12): 2363-2384.

[3] Biljecki F, Ito K. Street view imagery in urban analytics and GIS: A review[J]. Landscape and Urban Planning, 2021, 215: 104217.

[4] 徐磊青,孟若希,黄舒晴,陈筝.疗愈导向的街谈推敲:基于VR实验的探索[J].外洋城市方案,2019,34(01):38-45.

[5] Xu F, Jin A, Chen X, et al. New Data, Integrated Methods and Multiple Applications: A Review of Urban Studies based on Street View Images[C]//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS. IEEE, 2021: 6532-6535.

[6] 崔成,任红艳,赵璐等.基于街景影像多特征会通的广州市越秀区街谈空间品性评估[J].地球信息科学学报,2020,22(06):1330-1338

[7] 郑屹,杨俊宴.基于大规模街景图片东谈主工智能分析的考究化城市修补顺序接洽[J].中国园林,2020,36(08):73-77.DOI:10.19775/j.cla.2020.08.0073.

[8] 韩君伟,董靓.基于神志物理顺序的街谈景不雅视觉评价接洽[J].中国园林,2015,31(05):116-119.

[9] 黄竞雄,梁嘉祺,杨盟盛等.基于街景图像的旅游地街谈空间视觉品性评价顺序[J/OL].地球信息科学学报:1-15[2023-05-11].http://kns.cnki.net/kcms/detail/11.5809.p.20221219.0958.002.html.

[10] 叶宇,张昭希,张啸虎等.东谈主本圭臬的街谈空间品性测度——勾通街景数据和新分析时间的大规模、高精度评价框架[J].外洋城市方案,2019,34(01):18-27.

[11] 戴智妹,华晨.基于街景的街谈空间品性测度顺序完善及示例接洽[J].方案师,2019,35(09):57-63.

[12] 胡昂,戴维维,郭仲薇等.城市生涯型街谈空间视觉品性的大规模测度[J].华裔大学学报(当然科学版),2021,42(04):483-493.

[13] 余付蓉. 基于腾讯街景的长三角主要城市林荫谈景不雅视觉评价[D].上海师范大学,2019.

[14] 李鑫,吴丹子,李倞等.基于深度学习的城市滨河绿谈景不雅视觉感知评价接洽[J].北京林业大学学报,2021,43(12):93-104.

[15] 董贺轩,高翔.街谈植物空间对走路愉悦度的影响[J].抖擞园林,2023,30(01):54-62.

[16] [1]方智果,刘聪,肖雨,等.基于深度学习和多源数据的街谈好意思感评价与影响因素分析——以上海为例[J].外洋城市方案,2023,38(06):48-58.DOI:10.19830/j.upi.2022.371.

[17] 甘伟,胡雯,周钰.历史文化街区的街景天空线分形特征接洽——以凤凰古城为例[J].华中建筑,2020,38(05):125-129.DOI:10.13942/j.cnki.hzjz.2020.05.028.

[18] 马兰,张华,郭梓峰.以分形维数测算建筑几何图形的视觉复杂度[J].计较机扶植推敲与图形学学报,2019,31(10):1809-1816.

[19] Ho T K. Random decision forests[C]//Proceedings of 3rd international conference on document analysis and recognition. IEEE, 1995, 1: 278-282.

[20] 郭珮珺. 基于社会感知数据的行东谈主交通事故建模与影响因素分析[D]. 华东师范大学, 2021.

[21] Zhou L, Dang X, Sun Q, et al. Multi-scenario simulation of urban land change in Shanghai by random forest and CA-Markov model[J]. Sustainable Cities and Society, 2020, 55: 1-10.

[22] Chen T, Guestrin C. Xgboost: A scalable tree boosting system[C]//Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016: 785-794.

*本文为2024中国城市方案年会论文

文班本场比赛出战40分钟，31投16中，三分16中6，罚球4中4，空砍42分18篮板4助攻4盖帽1抢断。

【免责声明】本公众号发布的内容仅供学习交流使用，不以任何格式进行谋利。内容版权归原作家扫数。如有骚扰您的权柄，请实时与咱们接洽，咱们将于第一时候协商版权问题或删除内容。内容为作家个东谈主不雅点，不代表本公众号态度和对其信得过性厚爱。

表面接洽 | 王明田：县城体检标的与顺序

点击图片阅读全文

表面接洽 | 分享城市理念下城中村更新校正接洽——以成都伏龙小区为例

点击图片阅读全文

表面接洽 | 更新空间，更重生涯：外滩街谈山北街区更新和惩办一体化机制探索

点击图片阅读全文