专栏名称: GISer last
GISer last 公众号 主要以分享互联网数据资源为主。也分享过GIS、FME等技术教程方法。我个人对于大数据资源、可视化制作、地图制图等方面有很大兴趣,也会分享个人的一些应用和教程。
目录
相关文章推荐
中国航务周刊  ·  【货主论坛】“2025跨境冷链与国际贸易协同 ... ·  17 小时前  
中国航务周刊  ·  全球第六大海运货代,收购百年物流企业 ·  昨天  
中国航务周刊  ·  这一港口春节期间创下47项生产高效纪录 ·  2 天前  
中国航务周刊  ·  不到24小时,美国邮政宣布:恢复接收中国内地 ... ·  2 天前  
51好读  ›  专栏  ›  GISer last

城市环境如何影响居民生活压力?——一篇基于机器学习的感知城市压力研究

GISer last  · 公众号  ·  · 2025-02-05 21:15

正文


随着城市化进程的加速,现代城市环境中的高建筑密度、交通拥堵、绿地缺乏等因素对人类心理健康的影响日益显著。研究表明,高建筑密度与心理健康问题(如焦虑和抑郁)之间存在显著的正相关关系,而交通拥堵和绿地缺乏也被证明会增加居民的压力感知(Liu et al., 2022; Zhang & Wang, 2021)。城市生活中的压力感知不仅对个体身心健康有直接影响,还对城市的整体宜居性产生深远的影响。那么,如何科学地评估城市中的压力水平,并确定其背后的主要驱动因素呢?近日,一项基于机器学习的创新研究对此进行了深入探索。

  • 研究缘起

近年来,城市环境对居民心理健康的影响引起了广泛关注,特别是在快速城市化和高功能密集度的背景下,高建筑密度、交通堵塞和绿化不足等现象严重影响了居民的心理健康水平。心理压力不仅会导致个体身心健康问题,如焦虑、抑郁等,还会对城市整体的社会福利和经济活力产生不利影响。因此,科学衡量这些因素的影响,并找到有效的干预措施,是城市规划与公共健康领域的关键议题。

传统的感知压力(Perceived Urban Stress,PUS)评估方法主要依赖于问卷调查,这种方法受到时间、空间和样本量的限制,难以在大范围内推广应用。此外,问卷调查对主观偏差高度敏感,受访者的回答可能受到个体情绪、环境和认知差异的影响,从而导致结果的可靠性和一致性降低。为了克服这些局限性,本研究采用机器学习技术,提出了一种新的量化感知压力的方法,以便为城市规划和设计提供科学依据,帮助城市管理者制定更加合理的政策,提升居民的生活质量和整体幸福感。

  • 研究思路

本研究通过整合多维度数据,构建了一个基于机器学习的感知压力预测模型。具体而言,研究综合考虑了建筑密度、空间句法特征以及街景图像中的视觉特征,利用机器学习技术对这些变量与感知压力之间的关系进行了系统分析。模型的构建基于以下三类输入变量:

建筑密度 (如建筑覆盖率BCR、容积率FAR):这些变量代表城市区域的空间使用强度,是影响居民心理压力的重要因素。建筑密度过高往往会导致居民感到拥挤和压抑,增加心理负担。
空间句法特征(如视域图Isovist和可视性Visibility):这些指标用于量化城市空间的开放性和连通性。研究表明,空间越开放、连通性越强,居民的心理压力感受通常越低。
视觉特征(从街景图像中提取,如建筑、绿地、道路、人类、车辆等):通过语义分割技术,从街景图像中提取的视觉特征反映了居民对环境的直接感知,如绿地面积和街道设施,这些特征在心理压力的形成过程中发挥重要作用。

  • 影响关系

本文通过分析上述变量,揭示了城市环境特征与居民感知压力(PUS)间的复杂关系。PUS作为被解释变量,通过在线众包调查的成对比较方法获得。研究旨在揭示城市环境特征如何影响居民主观压力感知,从而为城市规划提供科学依据。 通过引入这些不同类型的变量,研究不仅揭示了单个变量对感知压力的影响,还探索了变量之间的交互作用。例如,高建筑密度与低空间开放性共同作用时,可能会显著增加居民的心理压力;而绿化率等视觉特征则可能对建筑密度的负面影响起到缓解作用。

  • 研究设计

研究的实施分为以下几个步骤:
1. **数据获取与预处理**:通过Google Maps API获取街景图像,并使用语义分割技术提取图像中的视觉特征;同时通过地理信息系统(GIS)提取建筑密度和空间句法特征。为了确保数据的广泛性和代表性,研究选取了首尔市25个行政区,分别在每个区域采集了大量数据点,构建了全面的训练数据集。
2. **模型选择与训练**:本研究采用了多种机器学习模型,包括决策树、随机森林、梯度提升回归树(GBRT)和极限梯度提升(XGBoost)等,通过对比这些模型的性能,最终选择了XGBoost模型作为最佳方案。XGBoost模型能够有效处理高维数据,捕捉复杂的非线性关系和变量之间的交互作用,这使得其预测精度显著优于其他模型。
3. **模型验证与预测**:通过与首尔市的公众调查数据进行对比,使用平均绝对误差(MAE)、均方根误差(RMSE)以及决定系数(R²)等统计指标,验证了模型在预测居民感知压力方面的准确性和可靠性。研究结果显示,模型预测的感知压力与实际调查结果之间存在较高的一致性。基于模型的预测结果,研究团队生成了一系列空间热力图,直观展示了首尔市不同区域的感知压力分布情况,为进一步的城市规划提供了参考。

  • 研究结论

研究结果表明,建筑密度、空间开放性以及绿地等因素对城市居民的压力感知具有显著影响。例如,分析显示建筑密度每增加10%,居民感知压力水平平均提高约8%,而绿地覆盖率增加10%则可以使压力水平降低约12%。具体而言,高建筑密度和低可视性(即空间不够开放)通常与更高的感知压力相关,而绿化和开阔空间则能够有效降低居民的心理压力。XGBoost模型的预测结果显示,其R²值达到0.809,表明该模型具有较高的预测精度。

进一步的分析表明,绿地的增加对缓解高密度区域的感知压力尤为重要。在建筑密度较高的区域,增加街道绿化和公共空间的可视性可以显著减轻居民的心理压力。此外,空间句法特征(如可视性和视域图)与感知压力之间的负相关性表明,城市规划应注重增加公共空间的开放性和可达性,以提升居民的心理健康水平。







请到「今天看啥」查看全文