利用移动传感数据实现城市环境噪声感知的智能理解

    今天给大家分享一篇最近出版在Computers, Environment and Urban Systems的一篇文章。该杂志关注地理信息系统和城市规划领域，聚焦地理视角的城市系统以及建筑和自然环境的创新研究。

    准确了解噪声感知对于城市规划、噪声管理和公共卫生非常重要。然而，视觉和听觉城市景观有着内在的联系：我们所看到的和听到的之间错综复杂的相互作用共同塑造了城市环境中的噪音感知。为了测量这种复杂和混合的效果，我们在香港对 800 名参与者进行了一项基于移动性的调查，记录了他们的噪声暴露、噪声感知和 GPS 轨迹。此外，我们还获取了与每个 GPS 轨迹点相关的 Google 街景图像，并从中提取了城市视觉环境。本研究使用多感官框架结合 XGBoost 和 Shapley 加法解释 （SHAP） 模型构建了噪声感知的可解释分类模型。与仅依赖声压级相比，我们的模型在预测噪声感知方面表现出显著改进，实现了大约75 %的六分类准确率。我们的研究结果表明，影响噪声感知的最有影响力的因素是噪声强度以及 buildings, plants, sky, light 的比例。此外，我们发现了视觉因素和噪声感知之间的非线性关系：过多的建筑物加剧了噪声烦恼和压力水平，同时降低了客观噪声感知。另一方面，绿色植物的存在减轻了噪声对压力水平的影响，但超过某个阈值，它反而会导致噪声感知和噪声烦恼程度的恶化。我们的研究提供了对噪声压力的客观和主观感知的见解，这有助于促进我们对复杂和动态城市环境的理解。

    噪声污染已被确定为与城市健康问题相关的重要环境因素之一。严重的噪音环境不仅会导致焦虑，而且还可能增加患高血压和心血管疾病的风险。虽然可以使用传感器长时间准确测量客观噪声（即声压级、分贝值）数据，但城市的声学环境变得越来越复杂，仅依靠分贝测量很难全面准确地评估其对人的影响。因此，在以人为本的城市发展原则下，越来越多的研究关注人们的主观感知和对噪音的反应。城市环境不仅包括声学环境，还包括许多其他方面，例如建筑环境、交通环境和绿地。事实上，在城市环境中，人们经常同时遇到多种感官输入，包括声音、视觉信息、嗅觉刺激和触觉感知。这些不同的感官协同作用，影响他们对声音的感知。视觉环境对人们对城市环境的感知影响最为显著，因为它比其他感官具有更高的分辨率和信息容量。因此，城市的视觉和声学环境是不可分割的。我们所看到的和听到的之间错综复杂的相互作用塑造了我们对城市环境中噪音的感知。例如，人类甚至可以通过视觉场景和过去的经历来想象声学环境。熙熙攘攘的街道场景可以唤起想象中的汽车喇叭声和人们交谈的声音，即使没有实际的声音。

    本研究在香港进行了一项基于移动性的调查，以收集连续实时测量的声压级和噪声感知评估结果。通过将客观噪声（即声压级）与从街景图像中提取的城市视觉环境相结合，我们构建了一个多感官噪声感知预测框架。将该框架与可解释的机器学习模型相结合，分析城市视听环境对噪声感知的综合影响，揭示了噪声感知中复杂的非线性关系和交互作用。

图1. 研究框架。本研究分为三个主要部分：A） 数据收集：在此阶段，参与者被邀请参加一项基于移动性的调查，在此期间收集了有关他们的轨迹、声压级和噪声感知的数据。此外，还收集了参与者活动轨迹的 街景图像。B） 特征提取：此阶段涉及两个关键步骤。首先，对参与者的噪声感知进行了三种不同的评估。其次，从街景图像中提取城市环境元素及其比率，并确定场景类别。C） 基于机器学习的模型：基于机器学习的噪声感知预测建模，并结合可解释机器建模来分析影响噪声感知的城市环境因素。

    我们的研究是在位于华南地区的香港特别行政区 （HKSAR） 进行的，该区拥有国际金融、商业和文化中心的地位。香港特别行政区包括港岛、九龙和新界三个地区，陆地总面积约1100平方公里，人口超过700万。这三个地区可以进一步划分为 5 个行政区。在这项研究中，选择了跨越三个地区的四个代表性地区作为调查区域，即香港岛的中西部，九龙的观塘，以及新界的沙田和葵青。在这项调查中，800 名参与者受邀参加了一项为期两天的基于移动性的调查，涵盖一个工作日和一个周末。研究方案和调查工具由作者所在机构的调查和行为研究伦理委员会审查和批准，并在数据收集开始前获得每个参与者的知情同意。

图 2. 匿名参与者轨迹点的分布。注意：为了保护参与者的隐私，我们使用核密度方法处理了轨迹点。

    我们最终获得了一个包含 13,633 个有效样本的数据集，其中 10,906 个样本被随机选择作为训练集，2727 个点被用作验证集。我们总共开发了 9 个模型来评估三种类型的噪声感知，包括二元、三类和六类分类。我们将分类结果与其他模型进行了比较，包括轻量级梯度提升机算法（LGB） 、随机森林 （RF） 、支持向量机 （SVM） 、神经网络 （NN） 和逻辑回归 （LR）。如图 4所示，XGBoost 模型在各种分类任务中表现最好，其次是 RF 模型和 LGB 模型。随着分类类别数量的增加，XGB、LGB 和 RF 等基于树的模型的优势变得更加明显。在六类分类中，树模型的准确率在 0.6 到 0.8 之间，而 SVM、NN 和 LR 模型的准确率保持在 0.3 左右，表明性能存在显著差异。六类分类模型在验证集上的性能如图 5 所示。   

图 4. 不同模型的分类准确性。A） 客观噪声，B） 噪声干扰，C） 噪声对压力水平的影响。

图 5. 验证集上的混淆矩阵。A）客观噪声，B） 噪声干扰，C） 噪声对压力水平的影响。

    表1 显示了模型的准确性、精度、召回率和 F1 分数，对于多分类任务，我们计算了它们的宏观平均分数。在二元分类模型中，噪声压力模型的准确率最高，为 0.9004。三类分类模型的准确率始终保持在 0.8 左右，而六类分类模型的准确率保持在 0.7 左右。

表1. 预测模型的精度

    我们对每个特征的平均绝对 SHAP 值进行了计算和排序，如图 6 所示。结果揭示了影响噪声感知的重要因素。在所有三种噪声感知评估中，噪声的声压级始终是最重要的因素，平均绝对 SHAP 值超过 1.2。在评估客观噪声时，天空的比例被确定为第二重要的特征，平均 SHAP 绝对值为 0.58。光强度紧随其后，成为第三个显著特征，平均 SHAP 绝对值为 0.52。建筑物和绿色植物的比例在重要性方面分别排名第四和第五。在噪声烦恼的评估中，光强度是第二重要的特征，平均 SHAP 绝对值为 0.60。天空、建筑物和植物的视觉比例也在影响噪音烦恼方面发挥了作用。然而，在检查噪声对压力水平的影响时，光强度表现出相对较低的重要性，在所有特征中排名第五。相反，建筑物的视觉比例排名更高，位居第二。   

图 6. 特征的重要性排名。A）客观噪声，B） 噪声干扰，C） 噪声对压力水平的影响。

    在所有三个模型中，SHAP 值都随着声压级的增加而增加，并对模型产生积极影响（图7A、B、C）。我们发现了建筑物、植物和天空的视觉比例与噪声感知之间的阈值效应。当视觉比例超过某个阈值时，对模型的影响方向会发生变化，反映出值范围的不稳定性。当建筑物的比例超过某个阈值时，会导致噪音烦恼和压力水平加剧。在像香港这样的高度发达的城市，高建筑密度、拥挤的城市空间和有限的天空视野可能会导致压力。然而，在评估客观噪声时，建筑物的比例与客观噪声感知之间存在阈值效应。当建筑物的比例超过一定水平时，人们对客观噪声的感知就会得到缓解。这可能是由于建筑物对声波传播路径的阻碍作用，导致能量损失和接收点声压级降低。适量的绿色植物可以减轻对客观噪声和噪声烦恼的感知，但超过阈值会加剧这种感知。植物具有一定的噪声衰减和吸收作用，适度的绿化可以帮助降低客观噪声的水平。但是，适量的绿色空间会创造一个视觉上相对安静和屏蔽的环境，从而在视觉上阻挡噪声源。过高的声压级不符合人们对绿色环境中宁静的期望，导致感知噪声的加剧。此外，绿色植物比例的增加进一步减轻了噪音对压力水平的影响。长期以来，人们一直观察到绿色植物对压力恢复有积极影响，有助于缓解紧张、焦虑和心理压力。

图 7. 特征的 SHAP 依赖性图

    最后，我们选择了几个样本位置，获取了街景图像，匹配了声压级，并使用经过训练的噪声感知模型进行了六类分类预测。通过对这些结果的分析，我们可以观察到不同位置的声压级和噪声感知的显著空间变化。这些差异可能受到街道类型和植物等环境特征的影响，进而影响居民的噪声感知。

图 8. 噪声感知预测示例。A） 葵青，B） 中西区，C） 沙田，D） 观塘。注： 方案分类的热图中的颜色表示该图像区域的重要性，较暖的颜色表示该区域的重要性较高。

    在这项研究中，我们结合了声学和视觉环境，使用 机器学习 构建了噪声感知分类模型，并使用可解释工具分析了视听环境对噪声感知的影响机制。这些发现有助于更深入地了解噪声环境对人类感知和体验的影响，并为心理学和环境设计等跨学科研究提供了新的视角。展望未来，我们预计这种综合感知和可解释模型的应用有助于在城市规划中促进更科学的决策。