Mapping urban green equity and analysing its impacted mechanisms: A novel approach 绘制城市绿地公平性并分析其影响机制:一种新方法
文章速览
研究问题
研究方法
结果
研究区域:中国湖南省长沙市三环线内的东西岸核心区作为研究区域,面积为81.04平方千米。
数据收集与处理
房价和社区数据通过安居客网站获取,并进行了对数转换以解决异方差性问题。
人口数据来源于Worldpop,并根据中国第七次全国人口普查数据进行调整。
地理空间数据和其他相关信息通过各种在线平台和数据库获取。
构建评估框架
评估框架包括五个步骤:城市绿化信息提取、绿化特征计算、绿色空间分化评估、绿色不平等评估和影响机制探索。
城市绿化信息提取
使用DeepLabV3+神经网络模型进行遥感图像的语义分割,处理成4094个图像数据集,每个图像大小为480×480像素。
研究结果
绿色特征分析:
利用DeepLabV3+神经网络模型提取的城市绿化信息,平均交并比(MIoU)为68.92%,平均像素准确率(MPA)为74.63%,准确率(Acu)为89.57%,满足研究要求。
研究区域内整体的绿色覆盖率为34.14%,表明该区域绿化条件良好。
绿色空间分化分析:
利用局部空间关联指标(LISA)分析发现,房价在空间上存在显著的聚集现象(Moran’s I = 0.439, p < .05),高价住宅区和低价住宅区分别聚集在不同的子区域。
绿色特征与房价之间的双变量Moran’s I分析显示,区域内存在显著的空间分化,CGFI与房价之间存在显著正相关(bivariate Moran’s I = 0.132, p < .001)。
绿色公平性指数(GEI)分析:
研究区域的总体GEI系数为0.497,大于0.4,表明区域存在显著的绿色不公平现象。
不同子区域的GEI值存在差异,其中Xueshi子区域的GEI值最高(0.557),而MeixiLake子区域的GEI值最低(0.329)。
影响机制分析:
利用地理随机森林(GRF)模型评估了景观和绿化特征对UGE的影响机制,发现GRF模型(R² = 0.85)的预测性能最高。
累积局部效应(ALE)分析揭示了绿色特征变量与GEI之间的非线性关系,并指出绿色特征对UGE的贡献率显著(39.04%)。
关键绿色特征的空间分布:
研究表明,山地和水体的接近度以及绿地和公园的可达性是对绿色空间分化影响最大的因素,分别有30.1%和24.5%的区域受这些因素影响。
不同子区域的影响因素:
在不同的子区域,影响GEI的关键绿色特征存在差异。例如,在西北社区,绿色空间的可获得性(Ava)对GEI的影响最大;而在南部社区,绿色空间和公园的可达性(Acc)更为重要。
绿色绅士化(Green Gentrification, GG)现象:
研究识别了GG现象,即随着绿地环境的改善,原有居民被更高收入群体取代,导致社区经济和社会结构的变化。
政策和管理建议:
研究结果为长沙市政府提供了关于绿地规划和管理的决策支持,特别是在城市更新和绿地系统建设方面。
讨论
讨论部分分析了新方法与传统方法在评估UGE时的差异,指出新方法能够更好地反映城市绿地的社会空间分化,并识别由绿地差异形成的居住空间集群。此外,讨论还涉及了绿色特征对UGE的影响,以及不同区域绿色特征对空间分化影响的地理异质性。
结论
本研究提出了一种新的评估城市绿地公平性的方法,该方法考虑了景观和绿化对居住区域空间分化的影响,并使用机器学习技术来分析复杂的城市问题。研究发现,城市绿地公平性在研究区域内存在显著的分化,高收入群体享有更优质的景观和绿化。研究结果强调了在城市规划和建设中考虑空间分化的重要性,并为城市规划者和政策制定者提供了一种全面识别和评估UGE的新方法。研究还指出,简单地扩大绿地面积并不能解决绿地公平性问题,更应关注不同群体之间的绿地质量和可达性。