Visual perception-informed urban design toolkit: Computational urban morphology optimisation to inform real-time perceived safety
Notice bibliographique
Résumé
The perceived safety of street scenes significantly affects the travel behaviors and social interactions of urban dwellers, particularly females, which ultimately matters to the inclusiveness of cities. Despite efforts to utilize street view imagery (SVI) for auditing perceived safety in urban areas, most studies remain analytical, with limited integration into urban design's form-based ideation workflow. The reason is mechanism dependency: few designers use both analytics (Python) and form-based design (Rhino) tools fluently. The outcome should not be overlooked: when the humanistic pedestrian experience cannot be explicitly integrated into the design process, the planning results may further marginalise disadvantaged groups. To bridge the gap between urban analytics and design, we propose a computational framework that automates the evaluation of pedestrian-oriented perceived safety in real-time, linking form-based urban design features, particularly greenery, to visual safety perception within urban canyons. By integrating datasets such as Place Pulse 2.0 and environmental attributes, the perceived safety of different urban canyons with varying urban forms and streetscape configurations can be seamlessly updated using machine learning in Rhino Grasshopper. Our tests show that in areas with the same urban density and height-width ratio, specific greenery configurations, such as tree density and green coverage, significantly improve perceived safety. Subsequently, urban canyon forms are categorised based on perceived safety outcomes to provide urban design guidelines. Notably, real-time visualisations from Stable Diffusion are further incorporated to improve the Rhino-based framework's usability in real life. This computational framework integrates visual perceptions into form-based urban form ideation (especially greenery characteristics): it alleviates the politics of difference in urban design practice, supporting the facilitation of more inclusive public spaces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».