基于噪音投诉数据和视觉语言混合方法感知噪音暴露及不平等

    今天给大家分享一篇最近出版在Applied Geography 的一篇文章。该杂志为地理学经典期刊，主要关注地理分析及应用。

关键词：噪声暴露、噪声投诉、不平等、基尼系数、街景图像、众包数据集

    世界卫生组织认为噪声是第三大有害污染形式（仅次于空气污染和水污染）。它与各种健康问题密切相关，包括心血管疾病、睡眠障碍、抑郁和心理问题。包括心血管疾病、睡眠障碍、抑郁和心理压力。生活在城市地区的人们可能会受到交通系统、 建筑和工业活动、高人口密度和其他来源产生的复杂噪声的影响（McAlexander 等人，2021 年；Vienneau 等人，2022 年）。因此，城市居民的噪声暴露可能会对他们的健康产生各种不利影响。然而以往的研究忽视了不同个体对相同噪音的感知可能不同。例如，即使某一地点的噪音水平非常高（如 70 dB(A)，有些人可能可以接受，而有些人则可能会觉得它令人不安。对噪音的主观感受是指个人对噪声的体验和反应，会因性别、年龄和收入水平等因素的不同而有很大差异。某些人口群体，如老年人、儿童和患有先天性疾病的人群在生理上更容易受到噪声的影响。此外，在比较不同的居住社区（如富人区和穷人区）时，人们对噪声的感知显然完全不同。这是由于地理位置或建筑材料（如隔音材料）的差异造成的，从而更加凸显出人们在噪声暴露方面可能存在的不平等。低收入 个人和社区可能会受到更多的噪声暴露。例如，经济条件较差的社区通常更靠近交通要道和工业区，这些地方的噪声暴露更为严重。这种地理和社会经济差异凸显了从环境公平的角度研究噪声暴露的必要性。

    在本研究中，环境公平指的是在不同社会群体之间公平分配环境效益和负担，而不存在基于种族、收入或其他社会经济因素的歧视。此外，静态噪声监测设备的高成本 此外，静态噪声监测设备的高昂成本也限制了其覆盖范围和噪声数据的可用性。以前的一项研究表明，即使 144 个固定噪声监测站，噪声地图的基本覆盖范围仍然非常有限。此外，Licitra等人(2022)对噪声源优势图的研究和Fredianelli等人(2022)对利用机器学习进行交通流量检测的研究，虽然技术先进，但在实际应用中仍然面临数据采集和准确性方面的挑战。这种基于设备的城市噪声监测方法面临着许多挑战，例如难以区分不同类型的噪声(即噪声分类)和识别噪声源。例如，一些研究将城市噪音作为一个广义的衡量标准(即dB(a))，噪音水平超过70分贝被认为是有害的(如上所述)。然而在嘈杂的音乐会或偏远的郊区，噪音可能不会对人类产生过多的负面影响。因此，分类和识别噪音的类型及其来源是必要的。

本研究旨在解决以下问题：1)如何从以人为本的角度有效和经济地识别和绘制噪声？2)不同类型噪音的视觉成因是什么？3)在不同的居住社区中，不同的社会群体(基于他们的收入水平)在噪音暴露方面是否存在不平等?

图1. 研究框架。本研究的三个主要任务是1）使用自然语言模型（BERT模型）收集噪声投诉数据，识别和分类不同类型的噪声暴露（即交通噪声、工业噪声和生活噪声）；2）基于噪声投诉的位置收集街景图像，并使用相应的噪声资源标签（即“0”代表无噪声投诉，“1”代表有噪声投诉）训练ResNet模型。这部分的目的是识别不同环境特征中的不同噪声资源；3）评估不同住宅社区的噪声暴露水平及其不平等性。

    该研究区域位于中国武汉市的中心区。武汉是中国中部的一个主要大都市，交通和工业活动密集，导致包括噪声污染在内的各种环境挑战。

图2.研究区域的地图，并计算了住宅社区周围的建筑密度和噪声暴露，使用了半径从100到500米的缓冲区。图例中，交通噪声用三角形表示，工业噪声用星形表示，生活噪声用方形表示，灰色方块代表建筑物。

1. 噪声分类与时空格局

    本研究开发了一个在线众包标注平台，邀请了五名志愿者标注了2,596条噪声投诉数据，用于训练和测试Bert模型进行文本分类（图3）。

图3. 基于doccano框架的在线众包标注平台。

    微调后的模型在不到5个训练周期内就产生了可接受的结果，与通常需要数百个周期的BERT模型预训练形成对比。在所有类型的噪声投诉中，工业噪声的精确度（0.94）和F1分数（0.88）最高，表明模型对这种噪声更敏感。模型的整体准确度为0.84，被普遍认为相当可靠。

    基于这个微调后的模型，对剩余的近八千条未标记的噪声投诉数据进行了推断，所有预测结果的空间分布如图4所示。结果揭示了城市居民对噪声的主观感知和空间分布，工业和生活噪声在城区中心更为集中。

图4. 使用微调模型预测的噪声投诉的空间分布（城市居民的主观噪声感知图）。

    此外，基于模型的预测结果，我们还构建了不同类型噪声投诉的时间分布曲线（图5）。显然，白天是交通和生活噪声投诉的高峰期，这与人们的日常生活活动密切相关，如高峰时段交通流量的增加和白天活动的增多导致生活噪声的增加。相反，在夜间，有关工业噪声的投诉更多，这可能与夜间进行的建筑活动或特定工业区域的运营模式有关。

图5. 微调的BERT模型预测的不同类型噪声投诉的时间分布。

2. 用RseNet-18和CAM方法解释噪声源

    本研究采用ResNet-18模型和CAM方法解释噪声资源。CAM用于识别图像中与分类决策最相关的区域，帮助理解不同类型噪声与环境特征的关联。通过街景图像，研究识别了噪声源，如图7所示，无噪声投诉的场景通常显示植被覆盖良好、住宅区较安静、道路开阔；而有噪声投诉的场景则突出显示了施工架、路边行人障碍物和建筑物窗户等特征，这些特征与噪声传播路径和模型决策过程中的关键视觉特征有关（图6）。

图6. 使用CAM热图解释噪声投诉。这些热图通过突出显示噪声源及其传播模式影响模型预测的关键区域，阐明了城市噪声投诉的动态视觉热点。模型预测街景ABCD将无噪声投诉，而街景EFGH将有噪声投诉。

    表2显示了生活噪声、工业噪声和交通噪声投诉的平均值，指出在不同类型的噪声周围，老龄化率、墙壁、植被、交通标志以及卡车、公交车和火车的比例没有显著差异。但是，其他特征在不同类型的噪声污染中存在显著差异，特别是生活噪声源周围的人口（Pop）、建筑密度（BD）和建筑物像素比例显著高于其他噪声类型周围。

    此外，研究还绘制了噪声投诉地点周围的建筑密度（BD），发现400-500米缓冲区大小内的建筑覆盖率超过20%（图7）。这表明，由于建筑密度高，噪声投诉主要发生在城市中心区域。城市中还有其他噪声源，由于远离人群和密集建筑物，不太可能在噪声投诉中反映出来。这一分析突出了城市规划（噪声管理）策略可以有效应用的缓冲区域，以减少噪声污染的不利影响。

图7. 噪声投诉地点周围的人口覆盖和建筑密度。该图表说明了不同缓冲区内受噪声影响的人口，显示了建筑密度超过20%的城市中心噪声投诉的集中。

3. 社区噪音暴露和不平等程度

    本研究通过地理空间分析方法，利用9,791个住宅社区的社会经济数据（房价）来评估噪声暴露不平等。社区按房价分为富裕、平均和贫困三类（图8）。

图8. 研究区域内三类住宅社区的分布。我们根据房价将社区分为三个部分：前25%被认为是富裕社区，中间50%被认为是典型（或平均）区域，底部25%被认为是贫困社区。

    研究发现，富裕社区的噪声暴露和内部不平等（基尼系数）更高，这可能与它们多位于城市核心或郊区风景区域有关。与美国不同，中国快速城市化进程导致高端社区噪声暴露大。工业噪声在150米以上缓冲区中富裕社区的不平等更显著。而贫困社区虽然总体噪声暴露较低，但内部不平等较大，特别是靠近主要道路或工业区的区域（图9）。

图9. 面临不同类型的噪声污染的三个社区类的暴露水平和基尼系数。(a) 交通噪声暴露的基尼系数；(b) 交通噪声暴露；(c) 生活噪声暴露的基尼系数；(d) 生活噪声暴露；(e) 工业噪声暴露的基尼系数；以及(f) 工业噪声暴露。

    研究还发现，绿化率和地块比率与噪声暴露有反直觉关系：绿化率越高，噪声暴露越低；地块比率超过2后，噪声暴露反而降低，可能是因为密集社区采用了更好的隔音设计。此外，富裕社区的噪声暴露不平等较大，城市中心的社区噪声更高，而贫困社区虽远离市中心，噪声暴露却与平均社区相似，揭示了城市噪声分布的复杂性（图10）。

图10所示。500米缓冲区内容积率、绿化率和噪音暴露之间的关系。每个点代表一个不同的属性(住宅社区)，黑线代表中位数，点的大小表示社区中住房单元的数量。散点图说明了这些因素之间的相互关系，并强调了住房体量的影响。

    总结来说，我们的研究收集了大量的噪声投诉数据，并评估了研究区域居民的噪声暴露风险。这项研究填补了中国大陆关于噪声暴露不平等方面的研究空白，并揭示了与欧洲和美国在这方面不平等的差异。我们的发现强调了在噪声污染研究中考虑社会经济因素和地理环境的重要性，并强调了需要针对性的噪声缓解策略来保护弱势群体。

Zhang, Y., Kwan, M.-P. & Ma, H. 2024. Sensing noise exposure and its inequality based on noise complaint data through vision-language hybrid method. Applied Geography, 171, 103369.