陳怡帆，許偉攀，李郇*

0 引言

2022 年5 月，國家發(fā)布的《鄉(xiāng)村建設行動實施方案》中提出：“實施鄉(xiāng)村建設評價，查找和解決鄉(xiāng)村建設中的短板和問題?！苯⒖茖W有效的“實施鄉(xiāng)村建設行動”的評價方法，是發(fā)現(xiàn)和縮小城鄉(xiāng)差距、順應鄉(xiāng)村發(fā)展規(guī)律開展有序建設的重要基礎[1]。當前全國約有2,450,000 個自然村，村莊的數(shù)量眾多且空間分布極其分散，這就使得鄉(xiāng)村社會經(jīng)濟信息主要為宏觀抽樣統(tǒng)計數(shù)據(jù)，小尺度、寬覆蓋、動態(tài)的鄉(xiāng)村人居環(huán)境調(diào)查數(shù)據(jù)仍然缺乏。傳統(tǒng)的微觀社會統(tǒng)計調(diào)查方式雖然能夠獲取小尺度數(shù)據(jù)，但也往往面臨著 “從特殊到一般，從局部到整體” 難以有效銜接的困境[2]；而大規(guī)模的調(diào)查則將耗費巨大的人力和時間。

目前，我們正處在一個圖文信息大爆發(fā)的時代。隨著智能手機的普及，互聯(lián)網(wǎng)平臺上匯集了眾多有關鄉(xiāng)村的房屋、環(huán)境、生活等多方面的圖文素材。這些動態(tài)大數(shù)據(jù)為我們研究鄉(xiāng)村提供了新的途徑。借助人工智能（Artificial Intelligence，AI）圖像解譯技術，我們可以通過識別和分割圖像中包含的對象，將圖像大數(shù)據(jù)轉換為指標數(shù)據(jù)，進而對區(qū)域的發(fā)展情況進行評價。例如，通過識別城市街景圖像中包含的汽車數(shù)量，進而對經(jīng)濟發(fā)展指標進行估計，研究結果發(fā)現(xiàn)汽車數(shù)量與家庭收入呈現(xiàn)較高的相關性[3]。此外還有研究利用AI 模型和街景圖片，對道路開闊度和舒適度進行衡量[4]。但類似的研究多集中在城市區(qū)域，鄉(xiāng)村相關的研究仍較為缺乏。因此，我們將借助AI 圖像解譯技術探索鄉(xiāng)村建設評價的有效方法。

1 方法

為更好地收集鄉(xiāng)村圖片和視頻數(shù)據(jù)，我們開發(fā)了“村景拍拍”鄉(xiāng)村建設協(xié)作平臺。這是一個面向鄉(xiāng)村建設評價的圖文眾包平臺，也是中國迄今為止村景圖片數(shù)量最多的平臺。用戶可以在程序中選擇所在的村莊，上傳相關的圖片和視頻，并搭配介紹文字進行發(fā)布?！按寰芭呐摹敝袇R總了全國各地居民拍攝分享的村景圖片近20 萬張，覆蓋全國近4/5 的縣域鄉(xiāng)村地區(qū)。圖片內(nèi)容涵蓋房屋、農(nóng)田、水塘、菜園、公共建筑、道路等多種村莊要素，較為全面地展現(xiàn)全國不同地區(qū)的村莊風貌以及鄉(xiāng)村生活。對程序中發(fā)布的文案進行詞云分析（圖1）發(fā)現(xiàn)，用戶更多關注于“村民”“發(fā)展”“鄉(xiāng)村振興”等關鍵詞?！按寰芭呐摹背绦蛲瑫r開發(fā)了眾包評分功能，用戶可以對圖片中呈現(xiàn)出的農(nóng)房品質、村莊整潔度或風貌協(xié)調(diào)度等按照提供的參考指標進行評分，形成鄉(xiāng)村建設主觀評價數(shù)據(jù)。

1 熱點詞匯

另外，通過深度學習的方法對圖片內(nèi)容進行檢測和識別，可實現(xiàn)對圖片更為詳細的定量描述。在自主構建AI 模型庫中，利用Yolo、Deeplab、ResNet 等深度學習神經(jīng)網(wǎng)絡，構建適用于農(nóng)村地區(qū)的多個目標識別和語義分割模型。模型實現(xiàn)了對圖片中所包含農(nóng)房的外立面材質、房屋層數(shù)、門窗數(shù)量、是否存在破損等與農(nóng)房品質相關的要素進行較為精準的識別，檢測結果如圖2；檢測村景圖片中包含的汽車、空調(diào)外機和熱水器等與財富相關的要素；識別村莊的垃圾點、小廣場、公廁、學校等與村莊基礎設施建設相關的要素，圖3 展示了垃圾桶的識別結果。此外，也實現(xiàn)了對道路類型和道路整潔度等與道路質量相關要素的提取與評價。圖4 展示了道路分割的結果。

2 房屋要素檢測結果

3 垃圾分類檢測結果

4 道路分割結果

2 成果

在農(nóng)房品質方面，從專家評價的分數(shù)結合對農(nóng)房品質相關要素的識別結果來看，層數(shù)較高、外立面有鋪裝、包含空調(diào)、熱水器等要素的農(nóng)房圖片往往會獲得更高的分數(shù)，擁有相對較高的品質；從區(qū)域差異上看，農(nóng)房品質存在“南高北低”“東高西低”的分異特征，且南北差距大于東西差距。另外，將眾包評分數(shù)據(jù)轉化為深度學習模型的訓練標簽，構建了一套智能化評測農(nóng)房品質的評估框架，實現(xiàn)對農(nóng)房品質進行機器評分。

在道路質量方面，研究中采用路面類型和道路整潔度對道路質量進行衡量。經(jīng)過訓練的道路屬性提取框架表現(xiàn)出良好的性能，在檢測路面類型和道路整潔度方面的平均準確率分別為91%和93%。對于主觀指標道路整潔度，模型也達到了90%以上的準確率。利用該模型對包含道路的村景圖片進行預測評分，全國村莊的道路硬化率為89%，而平均整潔度僅為2.9 分（滿分5 分）。將數(shù)值進行標準化后，發(fā)現(xiàn)整潔度整體低于硬化率（圖5），這說明了鄉(xiāng)村建設過程中存在道路管護不足的問題。

5 道路硬化率與整潔度對比

3 結論

“村景拍拍”鄉(xiāng)村建設協(xié)作平臺作為村莊大數(shù)據(jù)收集平臺，解決了鄉(xiāng)村數(shù)據(jù)難以獲取的問題，其中眾多圖文數(shù)據(jù)為度量和描繪鄉(xiāng)村特征提供了基礎。借助AI 圖像解譯技術，研究初步實現(xiàn)了通過對村莊多維特征的刻畫，進而評價村莊的建設情況。經(jīng)過與問卷調(diào)查數(shù)據(jù)的交叉驗證，證實了AI 圖像解譯技術在鄉(xiāng)村建設評價中的可行性。在未來的研究中，仍需增加新的指標對鄉(xiāng)村建設情況進行更全面的衡量，以及探索通過多個指標組合的方式構建新的評價指標的方法，以實現(xiàn)對中國鄉(xiāng)村更為精準的刻畫?！?/p>