研究速递 | Science Bulletin:如何从城市街景读懂社会经济发展

文摘   2024-07-09 12:00   江苏  


字数:2042

阅读时间:13分钟


论文信息

标题:Perceptible landscape patterns reveal invisible socioeconomic profiles of cities

时间:2024.6

作者:Wenning Li, Ranhao Sun*, et al.

导读:中国科学院生态环境研究中心孙然好研究员团队在Science Bulletin发表了题为“Perceptible landscape patterns reveal invisible socioeconomic profiles of cities”的研究论文,建立了基于街景大数据和深度学习算法的城市多维景观格局,在模拟和预测城市社会经济发展(土地、人口、经济、社会四个方面)中具有极大潜力和应用价值。



研究背景

01 研究现状

城市化正在以前所未有的速度改变我们的生活环境和经济结构。虽然城市社会经济发展水平通常通过“不可见”的统计指标来评估,但城市景观格局——包括建筑风格、道路布局以及公园和绿地的分布——却是我们能直接看到和感受到的。城市景观格局不仅影响着居民生活,也反映了城市发展水平。传统方法通过卫星遥感技术来量化城市景观格局,但主要关注二维特征,忽略了建筑立面和植被的复杂信息,与城市居民实际视角相去甚远,因此难以真实反映居民对城市景观的感受。鉴于这些局限,本研究通过城市街景来深入解读社会经济发展。面对海量的街景数据,研究面临的技术挑战包括如何高效识别街景中的景观要素,以及如何构建科学有效的景观格局指标。通过解决这些问题,希望利用街景大数据全面透视城市化进程中的复杂现象,为城市规划和发展决策提供更有力的科学依据和技术支持。

02 科学问题提出

这项研究贡献在于利用现代技术来解决缺乏定量城市景观指标的问题。并探讨了使用这些可感知的景观指标来估计社会经济概况的潜力。阐明如下两个科学问题。

(1)如何构建具有生态和社会意义的城市景观格局指标?

(2)城市景观格局指标的时空分布模式是什么?与传统的二维指标(UL2D)相比,其优势和局限性是什么?

03 研究解决方案

本研究首先获取了大量的城市街景大数据。研究者利用夜间灯光数据,提取了中国303个城市边界;利用百度街景地图开放接口,从每个采样点的4个方位视角(0°、90°、180°和270°)获取了超400万张街景图像。在此基础上,通过深度学习算法提取了关键的城市景观要素。通过对比多种深度学习模型的准确性和运算效率,选用了DeepLabv3预训练模型,完成了街景图像中关键景观要素的分割识别,包括道路、建筑物、植被、行人和汽车等19类要素对象,解决了利用海量街景数据高效识别景观要素的难题。通过构建层次语义树方法,提出了城市景观的四个维度格局指标,包括绿度、灰度、开阔度和拥挤度。这四个指标分别代表了城市生态环境、城市发展、空间形态和人类活动,全面的刻画了城市社会和生态系统特征,解决了从景观要素定性判读到景观格局量化的难题。

结合城市地理位置、地形特征、气候背景等,建立了基于城市景观格局的社会经济多元线性回归模型。针对土地、人口、经济、社会4个预测模型,城市景观格局指标的加入显著增强了回归模型解释能力,比传统的基于遥感反演指标的模型,精度提升了19%~36%。本研究提出的景观格局预测模型,能够更准确、更实时预测社会经济发展水平,帮助城市规划者实时了解城市社会和生态发展水平,促进城市可持续发展。

图1 研究框架


结果与讨论

01 UL3D指标的适用性

研究通过两个步骤来评估UL3D指标与UL2D指标相比的适用性。首先,使用了四组指标进行比较:绿度-NDVI、灰度-NDBI、开阔度-建筑高度和拥挤-人口密度,分析了UL3D和UL2D指标之间的Spearman相关性,结果表明UL3D和UL2D指标之间没有相关性或相关性较弱,证明了UL3D指标的独特性。其次,通过方差分析评估UL3D和UL2D指标在识别城市功能区应用中的有效性。结果表明,UL3D指标在同一功能区域内表现出更稳定的值分布,使其对分类和识别目的更有价值。

图2三维和二维指标的差异性和适用性

02 过去10年UL3D时空演变

在空间地图中直观地展示了公里网格尺度的UL3D指标。全国尺度,绿度指标自北向南呈上升趋势,北纬30°以北的大部分绿度值均低于平均值。灰度呈现出与绿色相同的趋势,呈从北向南递增的趋势;而开阔度指标总体呈南北递减趋势。作者分析了2013-2022年研究期间的UL3D指标。灰度、开阔度和拥挤度三个指标在2018-2019年出现趋势转折性变化,这可能与中国新型城市化有关,使城市景观发生了变化,表现出灰度和拥挤度放缓,而开阔度增加。

图3中国UL3D指标的空间分布。

03 基于UL3D的社会经济预测模型

利用三组不同的自变量组合模式对四个关键指标建立回归模型:人均GDP(GDP)、城市人口率(UPR)、人均建成区面积(APC)和医院数量(HC)。UL3D指标的纳入显著增强了回归模型对预测社会经济概况的解释力。具体而言,人均GDP、城镇人口率、人均建成区面积和医院数量分别提高了25.0%、19.8%、35.5%和19.2%。这些结果强调了UL3D指标在揭示城市社会经济方面的重要作用。

图4 城市景观指标用于估算人均GDP、城市人口率、人均城市建成区和医院数量


结论

通过结合大地理数据和DeepLabv3深度学习算法,提出了用于量化城市景观的UL3D指标,代表了城市景观的四个方面,包括生态环境、城市形态、城市发展和人类活动。将UL3D纳入社会经济概况的评估中增强了景观指标的解释力。一方面通过将这些指标与传统UL2D指标进行比较的分析,研究观察到UL3D指标与UL2D指标相关系数较低。这表明UL3D包含独特的社会和自然环境信息。因此,将UL3D指标纳入城市研究可以丰富城市信息的获取,UL3D指标对城市的生态和社会预测有很好的指示作用。

参考引用:W. Li, R. Sun, H. He et al., Perceptible landscape patterns reveal invisible socioeconomic profiles of cities, Science Bulletin, https:// doi.org/10.1016/j.scib.2024.06.022


关于我们

本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护,发布相关研究成果,更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布(发送邮件:zhaowu_yu@fudan.edu.cn),让更多人了解您的研究及工作。


 最新文章