今天给大家分享一下最近发表在Landscape and Urban Planning的文章。本文我们做了一个有趣的尝试，通过连续街景构建街道的空间特征图结构，在此基础上验证了空间结构对注意力恢复的影响。
摘要
Abstract
注意力恢复理论（ART）提出了四个基本指标（远离、范围、吸引力和兼容性）来理解城市和自然环境的恢复质量。然而，由于主要依赖孤立的问卷调查或图像，先前的研究忽视了空间结构（场景实体之间的视觉关系）和邻近环境对恢复质量的影响。本研究引入了一种空间依赖的图神经网络（GNNs）方法来解决这一差距，并在城市尺度上探索空间结构与恢复质量之间的关系。构建了两类图：使用连续街景图像（SVIs）构建的街道级图，用于捕捉实体之间的视觉关系并表示空间结构；以及模拟道路拓扑关系的城市级图，用于捕捉邻近实体的空间特征，整合感知、空间和社会经济特征来衡量恢复质量。结果表明，空间依赖的GNNs优于传统模型，准确率（Acc）达到0.742，F1分数为0.740，表明其具有卓越的捕捉相邻空间特征的能力。消融实验进一步揭示了空间结构特征对恢复质量预测性能的显著正面影响。此外，研究强调了与自然相关的实体（如树木）相比人工实体（如建筑物）在高恢复质量方面具有更大的重要性。本研究阐明了空间结构与恢复质量之间的关联，为未来改善城市福祉提供了新的视角。
研究亮点
Highlights
1. 通过街道和城市层面的两种不同类型的图表对心理恢复进行了评估。
2. 使用连续的街景图像来表征城市空间结构并探索其与恢复的关系。
3. 空间依赖性图神经网络在模型预测方面优于传统模型。
4. 空间结构（街道级图表）对心理恢复的预测做出了重大贡献。
方法
Methods
在本研究中，我们提出了一个基于图的框架，以确定城市道路单元中恢复潜力最高或最低的位置，并探索城市图中对心理恢复贡献最大的特征是什么。研究框架由五部分组成（图 1）：1）提取特征并嵌入空间结构（即在街道级别构建图）；2）将潜在的城市特征聚合到基于 OpenStreetMap（OSM）创建的城市级图中；3）标记和增强数据集；4）训练和评估不同类型的分类模型；5）进行整体分析。
图1. 研究框架
街道级图构建（重点内容）
我们首先创建了一个城市场景实体的空间图。使用 Mask2Fomer（Cheng 等人，2022 年）的全景分割模型来捕捉语义和对象城市特征，该模型在包含 19 个城市相关类别的 Cityscape 数据集上进行训练。与传统分割模型相比，Mask2Fomer 不仅能够识别实例特征，还能为每个对象标记不同的 ID。这意味着我们可以通过判断相邻像素来轻松计算实体之间的关系。基于这些结果，我们构建一个带有节点的无向图。具体而言，对于每个节点类别，我们将预测提取像素边。然后，对两个物体像素进行像素扩展，检查任意两个节点的像素边是否有重叠。如果有重叠或包含，我们认为节点是相邻的，并在边集中添加一条边，表示节点与节点之间的邻接。最后，我们获得了每个SVI的城市实体空间图。
接着，整合来自同一条街道的连续街景图像，以表示最小单元（路段）的空间结构。具体来说，我们使用 ResNet-18 模型（He et al., 2016）计算同一空间单元中每个空间图中同一类别的节点相似度。每个节点将嵌入到 1000 维张量中，然后计算同一类别节点之间的余弦相似度。如果两个图中两个节点之间的相似度高于 0.80，这些节点将作为连接两个图的桥梁。即使在相邻的连续街景中检测到建筑物（即它有三个或更多分段），也始终存在与代表一个建筑物实体的下一个建筑物的连接。最后，使用 GCN 将每个集成图嵌入到多维向量中，表示每个道路单元的空间结构。
图2. 编码街道空间结构
结果
RESULTS
1. 空间相关模型性能和预测结果
与其他基于图的模型相比，GIN 在分类方面表现出最高的性能（Acc = 0.749，F1 = 0.740）。在组内比较方面，其次是 GCN2（Acc = 0.733，F1 = 0.711）和 GCN1（Acc = 0.715，F1 = 0.705）。
图3. 模型表现
图4. 模型预测结果和特征可视化分析
2. 城市街道恢复性感知的空间分布
武汉市三环内修复质量较高的道路有1344条，修复质量中等的道路有1420条，修复质量低的道路有2311条。修复质量较高的道路在全市呈现聚集态势，
图5. 武汉市空间恢复质量分布
我们使用 GNNExplainer 进行可解释分析，捕捉 GNN 的模型中的空间依赖性。可以发现基于GNN的模型不仅有效地考虑了邻近空间的影响，而且提供了整体视角。
图6. 于空间依赖GIN模型的节点关系分析
3. 空间结构与心理恢复质量关系
在实验一中，同时考虑三类城市特征，获得了最好的分类性能（Acc = 0.749，F1 = 0.740）。然而，在实验二中，当我们仅去除空间特征时，分类性能显著下降（Acc = 0.668，F1 = 0.667）。空间特征提高了预测精度，并显著影响了模型性能，表明空间结构对空间恢复能力有显著影响。
人行道（0.543）、围栏（0.531）和建筑物（0.526）等人工实体对低恢复质量空间的贡献较大。相反，天空（0.503）和植被（0.491）等实体对高质量空间的影响更大，这与之前的研究一致。
图7. 不同恢复空间的节点贡献和空间结构
图8. 19类空间实体在三种修复空间质量下的介数中心性
结论
CONCLUSION
关于修复质量与物理环境之间关系的长期讨论缺乏对不同空间结构所造成影响的研究，而且缺乏在城市尺度上进行有效测量的方法。我们的研究提出了一种空间相关的 GNN 方法来解决这些问题，其中包括两种类型的图：街道和城市级别。这项研究做出了三点贡献。首先，我们提出了一种空间相关的预测方法来测量城市修复质量，即使用图神经网络捕获道路拓扑关系并将城市的上下文特征聚合为城市级图。其次，我们使用一种新颖的图方法来揭示不同修复质量之间的空间结构效应，方法是通过连续的 SVI 捕获实体之间的内在和外在关系。第三，该研究强调了自然相关实体（例如树木）与人工实体（例如建筑物）相比对高修复质量具有更大的意义，从而增强了修复空间特征的可理解性。总体而言，这项研究为健康城市建设提供了见解，提高了城市修复空间的可解释性，并可进一步应用于健康中型空间的设计，例如社区或公园。
引用格式
Ma, H., Zhang, Y., Liu, P., Zhang, F., & Zhu, P. (2024). How does spatial structure affect psychological restoration? A method based on graph neural networks and street view imagery. Landscape and Urban Planning, 251, 105171. doi:10.1016/j.landurbplan.2024.105171
