董軒妍,胡忠文,*,吳金婧,王敬哲,楊 超,張 杰,夏吉喆,鄔國鋒

1 自然資源部大灣區(qū)地理環(huán)境監(jiān)測重點(diǎn)實(shí)驗(yàn)室,深圳 518060 2 廣東省城市空間信息工程重點(diǎn)實(shí)驗(yàn)室,深圳 518060 3 深圳大學(xué)建筑與城市規(guī)劃學(xué)院, 深圳 518060

自20世紀(jì)50年代以來,我國經(jīng)歷了歷史上規(guī)模最大、速度最快的城鎮(zhèn)化進(jìn)程,據(jù)估計(jì)2025年我國的城鎮(zhèn)化率將達(dá)到65.5%[1]。盡管這一進(jìn)程促進(jìn)了經(jīng)濟(jì)增長并增添了城市發(fā)展活力,但同時(shí)也帶來綠地面積縮小、空氣污染等一系列問題。在城市生態(tài)環(huán)境狀況降低的背景下,人民群眾對優(yōu)良居住環(huán)境的需求日益強(qiáng)烈。相應(yīng)地,城市可持續(xù)發(fā)展及其內(nèi)部生態(tài)宜居性也愈發(fā)受到關(guān)注。因此,如何快速、準(zhǔn)確地對城市生態(tài)宜居性進(jìn)行評價(jià)成為近年來城市研究的熱點(diǎn)。

當(dāng)前生態(tài)宜居性研究多偏重于理論模型設(shè)計(jì)[2]、指標(biāo)識別[3]及指標(biāo)框架構(gòu)建[4]等。就數(shù)據(jù)選擇而言,主要來自于問卷調(diào)查、土地調(diào)研和專家經(jīng)驗(yàn)[5—6],獲取過程費(fèi)時(shí)費(fèi)力且更新速度較慢,難以滿足大規(guī)模城市生態(tài)宜居性評價(jià)。此外,這些研究的評價(jià)結(jié)果多為定性描述,主觀性較強(qiáng)[7]。近年來,包括遙感數(shù)據(jù)在內(nèi)的多源數(shù)據(jù)由于其真實(shí)、快速、準(zhǔn)確等特性已廣泛用于城市生態(tài)宜居性分析[8]。例如高分二號遙感數(shù)據(jù)已成功應(yīng)用于指標(biāo)獲取并進(jìn)行了城市環(huán)境評價(jià)[9]。此外,出租車軌跡數(shù)據(jù)、興趣點(diǎn)(Point-of-Interest, POI)等地理空間數(shù)據(jù)也被廣泛應(yīng)用于生態(tài)宜居分析中[9—11]?；谶b感、POI等多源數(shù)據(jù)開展的城市生態(tài)宜居評價(jià)成為當(dāng)前重要的研究趨勢。

就模型選擇而言,合理的評價(jià)模型需要對多個(gè)指標(biāo)進(jìn)行綜合考慮。常用模型包括空間自回歸模型[12]、層次分析法模型[13]以及多準(zhǔn)則決策分析模型[14]等。多準(zhǔn)則決策分析中的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)在復(fù)雜決策情況下能夠有效地對結(jié)果進(jìn)行量化,是宜居性評價(jià)中最常用的模型[15]。在綜合評價(jià)中,指標(biāo)的權(quán)重設(shè)置對最終的結(jié)果至關(guān)重要[8]。常用的權(quán)重確定方法有主觀賦權(quán)法和客觀賦權(quán)法兩大類。主觀賦權(quán)法是根據(jù)人為判定該項(xiàng)指標(biāo)占相對總比重來確定權(quán)重,常用方法包括專家打分法(Delphi法)[16]、環(huán)比評分法等。但這些方法過于依賴居民的情感選擇,而情感因人而異會(huì)導(dǎo)致評價(jià)結(jié)果的不確定性較強(qiáng)?？陀^賦權(quán)法是根據(jù)數(shù)據(jù)處理所得的信息對各指標(biāo)進(jìn)行賦權(quán),例如主成分分析法[17]、熵權(quán)重法[11]、BP神經(jīng)網(wǎng)絡(luò)法[5]等。這些方法從評價(jià)指標(biāo)數(shù)據(jù)出發(fā),避免了主觀因素對結(jié)果的影響。

就評價(jià)單元的選擇而言,當(dāng)前宜居性評價(jià)多以城市整體或城市中的行政區(qū)域?yàn)樵u價(jià)對象,所得到的結(jié)果較為宏觀,不利于時(shí)空量化分析。而住區(qū)不僅是城市空間中相對獨(dú)立的生活居住用地統(tǒng)稱,也是城市內(nèi)部生態(tài)宜居最為適宜的評價(jià)單元[18]。此外,基于住區(qū)開展的評價(jià)結(jié)果對城市管理、規(guī)劃等更具實(shí)際應(yīng)用價(jià)值,已有研究學(xué)者選擇(居)住區(qū)作為評價(jià)宜居性的基本單元[8, 19—21]。由于傳統(tǒng)的實(shí)地調(diào)查費(fèi)時(shí)費(fèi)力,使得準(zhǔn)確獲取居民住區(qū)的難度極大；相似地,官方法定圖則或城市規(guī)劃數(shù)據(jù)更新較為緩慢,同樣難以反映快速城市化背景下的住區(qū)變化。當(dāng)前,多源時(shí)空數(shù)據(jù)日漸豐富,結(jié)合使用機(jī)器學(xué)習(xí)方法,可實(shí)現(xiàn)城市功能區(qū)的空間分布信息的快速更新,使得獲取真實(shí)的住區(qū)單元成為可能[22]。雖已有學(xué)者結(jié)合高空間分辨率遙感影像及POI等社會(huì)感知數(shù)據(jù)對城市進(jìn)行功能區(qū)分類[23—24],但鮮有研究以此為基礎(chǔ)開展住區(qū)尺度的生態(tài)宜居性評價(jià)。

盡管現(xiàn)有生態(tài)宜居性研究在各方面均取得了一定進(jìn)展,但尚未形成基于多源時(shí)空數(shù)據(jù)的精細(xì)尺度城市生態(tài)宜居性評價(jià)方案。針對以上問題,本研究以高分辨率遙感影像、POI數(shù)據(jù)、道路網(wǎng)等多源數(shù)據(jù)為基礎(chǔ),結(jié)合主題模型與機(jī)器學(xué)習(xí)對城市功能區(qū)進(jìn)行識別并進(jìn)行住區(qū)提取；進(jìn)一步建立融合多源數(shù)據(jù)的住區(qū)生態(tài)宜居性定量評價(jià)模型,并以深圳市為例開展了方案驗(yàn)證及分析。研究結(jié)果有望為城市生態(tài)宜居整治與改善及城市規(guī)劃等提供案例參考和數(shù)據(jù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

深圳市(圖1)地理位置介于113°46′—114°37′E,22°24′—22°52′N之間。從深圳市情角度來看,生態(tài)資源豐富,全市森林覆蓋率超40%,綠化覆蓋率超45%,總面積為1997.47 km2,下轄10個(gè)行政區(qū)域。作為擁有超過2000萬流動(dòng)人口的特大型城市,如何推進(jìn)人民“安居”是城市發(fā)展的重要難題。從城市定位角度來看,深圳作為粵港澳大灣區(qū)的生態(tài)城市典范[25],更需在精細(xì)的尺度范圍體現(xiàn)生態(tài)宜居特質(zhì)。分析城市住區(qū)的生態(tài)宜居程度,改善內(nèi)部居住環(huán)境質(zhì)量,不僅可滿足人民群眾享有宜居的生活環(huán)境這一訴求,也能夠進(jìn)一步提升深圳的城市競爭力[26]。

然而,隨著城市的快速發(fā)展,人口、經(jīng)濟(jì)活動(dòng)在短時(shí)間內(nèi)大量聚集,加之區(qū)域生態(tài)保護(hù)和城市內(nèi)部生態(tài)建設(shè)沒有得到足夠重視,導(dǎo)致人居環(huán)境日益惡化。作為快速城市化的典型代表,深圳市生態(tài)居住環(huán)境兩級分化嚴(yán)重。例如,2017年深圳共有1877個(gè)城中村并容納1100萬人口,占據(jù)城市總?cè)丝诘?0%,而城中村用地僅為145 km2,僅占全市面積的7%[27]。

1.2 研究數(shù)據(jù)

本研究中的采用遙感數(shù)據(jù)獲取研究區(qū)的地表覆蓋圖、地表溫度圖,進(jìn)一步結(jié)合路網(wǎng)數(shù)據(jù)、興趣點(diǎn)數(shù)據(jù)、人口密度數(shù)據(jù)、建筑密度等數(shù)據(jù)作為評價(jià)生態(tài)宜居性的基礎(chǔ)數(shù)據(jù),所用數(shù)據(jù)具體如下：

1.2.1遙感數(shù)據(jù)

熱舒適是人對周圍熱環(huán)境所做的主觀滿意度評價(jià),熱舒適的降低會(huì)影響居民的身心健康和生產(chǎn)力[28]。在住宅區(qū)內(nèi)部,室內(nèi)溫度是影響熱舒適最重要的因素[29],而室內(nèi)溫度很大程度上取決于室外空氣溫度。因此本研究采用覆蓋研究區(qū)的兩景Landsat- 8影像的熱紅外數(shù)據(jù)來獲取室外地表溫度。數(shù)據(jù)獲取時(shí)間為2017年10月23日(平均氣溫為26℃/20℃)和2017年11月1日(28℃/20℃)。此外,采用2017年17景L1A級高分二號(GF- 2)遙感影像,對Landsat- 8 和GF- 2影像分別進(jìn)行RPC正射校正、Pan sharpening算法圖像融合、圖像鑲嵌、模板勻色處理、幾何精校正等預(yù)處理。GF- 2影像經(jīng)多光譜影像與全色影像融合后,影像空間分辨率為1 m (圖1)。

1.2.2城市多源感知數(shù)據(jù)

路網(wǎng)數(shù)據(jù)：為了精準(zhǔn)感知區(qū)域生態(tài)宜居性,本研究以街區(qū)為基礎(chǔ)研究單元構(gòu)建評價(jià)指標(biāo)。深圳路網(wǎng)矢量數(shù)據(jù)來自O(shè)pen Street Map官網(wǎng) (https://www.openstreetmap.org/#map=3/36.96/104.17)。基于研究區(qū)域的道路寬度和住房建設(shè)部標(biāo)準(zhǔn),將道路劃分為小于500 m、500—1000 m、1000 m以上3個(gè)級別。參照Yuan等的研究,生成寬度10、20和40 m的緩沖區(qū)并移除[24],進(jìn)而獲得了共計(jì)2095個(gè)街區(qū)地塊(圖1)。

圖1 本研究所用的數(shù)據(jù)集 Fig.1 The employed dataset POI: 興趣點(diǎn)Point-of-interest

建筑物及POI數(shù)據(jù)：本研究基于高德開放平臺(tái)獲取2018年深圳市建筑物輪廓矢量以及2017年覆蓋整市的863043條記錄的POI數(shù)據(jù)。高德POI包括三級分類系統(tǒng),本研究結(jié)合一級分類與二級分類,將POI手動(dòng)劃分為17個(gè)類別(圖1)。

人口密度數(shù)據(jù)：騰訊用戶實(shí)時(shí)密度數(shù)據(jù)(Real-Time Tencent User Density, RTUD)是基于所有騰訊平臺(tái),如QQ、微信、騰訊地圖等應(yīng)用上所采集的用戶位置。該數(shù)據(jù)空間分辨率為25 m,時(shí)間分辨率為1 h,以熱度圖的形式展示(圖1)。本研究選取了2016年工作日為4月13日、周末為4月17日深圳各一天的RTUD數(shù)據(jù),考慮到居住人口流動(dòng)模式,選取了3個(gè)區(qū)間：北京時(shí)間21、22、23 h,該時(shí)段居家人口較多,手機(jī)使用頻率更高,能夠更好地反映住區(qū)人口密度,并適合后續(xù)指標(biāo)的建立。

空氣質(zhì)量數(shù)據(jù)：隨著人們意識到空氣質(zhì)量會(huì)對人體健康產(chǎn)生不利的影響,空氣質(zhì)量已成為宜居性評價(jià)需要考慮的重要因素。在住宅建筑的通風(fēng)較好的情況下,主要空氣污染物PM2.5可從室外移動(dòng)到室內(nèi),暴露其中會(huì)損害人體健康[30]。深圳市全年空氣質(zhì)量數(shù)據(jù)來源于中科院數(shù)據(jù)下載中心(http://www.resdc.cn/data.aspx?DATAID=289)。數(shù)據(jù)包括2017年深圳市及周邊13個(gè)地面監(jiān)測站的每小時(shí)空氣質(zhì)量指數(shù)(Air Quality Index, AQI),空氣質(zhì)量指數(shù)范圍0—500。

2 技術(shù)框架

首先,結(jié)合高分影像與高德POI數(shù)據(jù)進(jìn)行特征提取,生成特征詞典；隨后,利用面向?qū)ο蟮姆椒ㄌ崛〕鞘型恋馗采w結(jié)果并生成景觀格局指數(shù)作為輔助特征；基于路網(wǎng)數(shù)據(jù)生成街區(qū)單元,利用主題模型將詞典轉(zhuǎn)換為高級語義特征并與相同街區(qū)中的景觀格局指數(shù)結(jié)合,并利用隨機(jī)森林分類器進(jìn)行訓(xùn)練與預(yù)測,得到深圳市住區(qū)和其他功能區(qū)類別；最后結(jié)合用戶密度數(shù)據(jù)、年空氣質(zhì)量、Landsat- 8熱紅外數(shù)據(jù)、建筑物輪廓數(shù)據(jù)、土地覆蓋數(shù)據(jù)構(gòu)建城市生態(tài)宜居性指標(biāo),采用基于熵權(quán)法的TOPSIS模型測度已得到的住區(qū)生態(tài)宜居性,分析城市住區(qū)生態(tài)宜居性的空間分布模式并探索指標(biāo)間的敏感性。本研究技術(shù)流程見圖2。

圖2 技術(shù)框架Fig.2 Framework of this study OSM：開源地圖Open Street Map；TOPSIS：優(yōu)劣解距離法Technique for Order Preference by Similarity to an Ideal Solution

2.1 住區(qū)識別

2.1.1特征集構(gòu)建

特征集是目標(biāo)屬性的定量表達(dá),在目標(biāo)識別和分類中起著重要的作用。多源感知數(shù)據(jù)從不同的角度對城市的特征進(jìn)行表達(dá),如高分辨率遙感影像細(xì)節(jié)信息豐富,因此常用于提取城市區(qū)域的光譜、結(jié)構(gòu)和紋理信息[31]；POI數(shù)據(jù)反映人們對城市區(qū)域的利用情況,對城市功能類型的劃分起著重要的作用[24]；景觀格局反映城市中不同類型地物的空間分布和利用類型[32]。本研究采用面向?qū)ο蟮挠跋穹诸惙椒╗33]獲得地表覆蓋分類圖,并計(jì)算用于輔助城市住宅區(qū)的分類識別的景觀格局指數(shù)。為了降低高分辨率圖像特征提取的計(jì)算復(fù)雜度,本研究采用了滑動(dòng)窗口算法與K均值聚類簡化特征。

基于影像、POI等提取的數(shù)據(jù)僅有低層次的數(shù)據(jù)特征,難以滿足城市功能區(qū)識別等高語義層次的識別問題。研究表明利用語義提升方法可以有效挖掘低層次數(shù)據(jù)中的語義信息,聚集為高層次特征,提升功能區(qū)識別的準(zhǔn)確性[23]。詞典(Bag of words, BOW)模型與文檔主題生成模型(Latent Dirichlet Allocation, LDA)來自信息處理與檢索領(lǐng)域,兩者結(jié)合對特征進(jìn)行處理是目前最常用的語義提升方式[23]。特征構(gòu)建中,每個(gè)街區(qū)被看作一篇文檔,每個(gè)街區(qū)中的特征被視作文檔中的詞,統(tǒng)計(jì)每個(gè)街區(qū)中出現(xiàn)的特征詞頻并生成集合。每個(gè)街區(qū)j的詞典模型表示為：

BOWj={Specj,POIj,Texj,SIFTj}

(1)

LDA模型將詞典中的每一項(xiàng)表示為潛在主題的隨機(jī)混合,其中每個(gè)主題的特征是單詞的分布,每個(gè)街區(qū)的“文檔”利用LDA反推其主題預(yù)測。具體實(shí)現(xiàn)方法參見文獻(xiàn)[23],最終形成訓(xùn)練特征集(表1)。

表1 研究所用特征

2.1.2隨機(jī)森林分類

本研究根據(jù)深圳市規(guī)劃國土資源委員會(huì)土地利用規(guī)劃圖、高分遙感圖像、百度街景等確定地塊標(biāo)簽的真實(shí)類型,選擇182個(gè)訓(xùn)練地塊。隨后,采用隨機(jī)森林算法訓(xùn)練模型,并對所有地塊進(jìn)行功能區(qū)預(yù)測,Kappa系數(shù)和混淆矩陣用于評估其準(zhǔn)確性。隨機(jī)森林算法在高維數(shù)據(jù)中效果出眾,已廣泛應(yīng)用于功能區(qū)分類[24, 34],算法參數(shù)選擇采用網(wǎng)格搜索方式,使Kappa值最大化。分類結(jié)果包括常見用地六類：住宅用地、工業(yè)用地、商業(yè)用地、公共管理和服務(wù)用地、城中村和城市綠地。

2.2 住宅區(qū)生態(tài)宜居性評價(jià)

2.2.1生態(tài)宜居性指標(biāo)體系

根據(jù)《中國宜居城市科學(xué)評價(jià)標(biāo)準(zhǔn)》可知,環(huán)境優(yōu)美是城市是否宜居的決定性因素之一,主要包括生態(tài)環(huán)境、氣候環(huán)境、人文環(huán)境、城市景觀等四個(gè)方面[35],其中熱舒適度屬于生態(tài)環(huán)境常用評價(jià)指標(biāo),空氣質(zhì)量屬于氣候環(huán)境評價(jià)指標(biāo),人口密度、住宅區(qū)建筑物密度城市綠地屬于人文環(huán)境指標(biāo),城市綠地(園林綠化)屬于城市景觀方面指標(biāo)。

(1) 熱舒適度指標(biāo)

本研究利用地表溫度來代表熱舒適度指標(biāo)。利用新型劈窗算法[36],利用Landsat 8影像數(shù)據(jù),結(jié)合可見光與熱紅波段反演地表溫度,最終升采樣得到30 m分辨率的深圳市地表溫度數(shù)據(jù)(Land Surface Temperature, LST),并計(jì)算每個(gè)住宅區(qū)域的平均地表溫度(圖3)。深圳市年平均氣溫在20℃以上,全年大部分時(shí)間處于炎熱氣候中[37]。因此,平均氣溫越低的地方即該指標(biāo)越低,代表區(qū)域熱舒適度越好。

圖3 生態(tài)評價(jià)指標(biāo)Fig.3 Ecological indicators AQI: 空氣質(zhì)量指數(shù)Air quality index

(2) 空氣質(zhì)量良好天數(shù)指標(biāo)

本研究使用空氣質(zhì)量良好天數(shù)作為描述住區(qū)整體空氣質(zhì)量的指標(biāo)。已有研究證實(shí),當(dāng)使用克里金法時(shí)空氣質(zhì)量插值結(jié)果較好[8]。因此,基于深圳市及周邊臨近的13個(gè)監(jiān)測站點(diǎn),逐小時(shí)累加AQI以獲取其日均值并進(jìn)行克里金插值,獲得日尺度的AQI空間分布(圖3)；利用住宅區(qū)矢量求得每個(gè)住宅區(qū)的日均AQI序列,統(tǒng)計(jì)365天AQI小于等于某一閾值的天數(shù),作為空氣質(zhì)量評價(jià)指標(biāo),AQI閾值設(shè)置為50[8],小于該值即表示當(dāng)天空氣良好。

(3) 城市綠地占地面積指標(biāo)

城市綠地對居民的健康福祉具有重要意義,它不僅可以改善空氣質(zhì)量,減輕噪音污染和極端天氣對人民生活的影響,并且能通過減輕壓力促進(jìn)心理健康,從而使得社區(qū)生態(tài)宜居性提高[38]。深圳市自建設(shè)以來就對人均公共綠地、綠地率以及綠化覆蓋率有著較高的要求[39]。本研究以地表覆蓋數(shù)據(jù)為基礎(chǔ)(圖3),計(jì)算區(qū)域內(nèi)的植被和水的百分比計(jì)算城市綠地覆蓋率,公式如下：

(2)

式中,GSC為綠地覆蓋度,Av、Aw為GF- 2土地覆被分類圖像得到的植被和水體面積,A為區(qū)域的總面積。此外,陰影已在土地覆蓋分類時(shí)單獨(dú)提取為一類,以消除可能產(chǎn)生的干擾。

(4) 人口密度指標(biāo)

一個(gè)住區(qū)內(nèi)的人口密度與居住體驗(yàn)直接相關(guān)。區(qū)域內(nèi)人口過于擁擠的會(huì)導(dǎo)致包括環(huán)境破壞、噪音污染及溫度升高等在內(nèi)的一系列問題[40]。本研究通過匯總兩天騰訊實(shí)時(shí)人口密度的6個(gè)時(shí)間點(diǎn)數(shù)據(jù),取時(shí)空平均值以用于計(jì)算街區(qū)內(nèi)的平均人口密度。

(5) 建筑物密度指標(biāo)

建筑物密度是人們選擇居住環(huán)境時(shí)的必要關(guān)注點(diǎn)。不同國家對于不同樓層的建筑密度均有著嚴(yán)格的要求[41]。建筑物的密度在一定程度上會(huì)對居民的生活質(zhì)量造成一定的影響。因此,本研究利用建筑物輪廓數(shù)據(jù),統(tǒng)計(jì)每個(gè)街區(qū)建筑物密度,該指標(biāo)的計(jì)算公式如下：

(3)

式中,ρR為住宅建筑凈密度,Rb為住宅建筑基底總面積,而Rt是住宅用地。

2.2.2基于TOPSIS模型的生態(tài)宜居性評價(jià)

TOPSIS模型作為一種多準(zhǔn)則決策分析技術(shù),因其對指標(biāo)、評價(jià)對象的數(shù)量沒有嚴(yán)格限制的優(yōu)勢被廣泛使用于多指標(biāo)評價(jià)[8]。本研究利用TOPSIS模型,將每個(gè)住區(qū)內(nèi)的n項(xiàng)指標(biāo)(Yij)融合為一個(gè)綜合得分,從而對住區(qū)進(jìn)行評價(jià)與排序。該方法的關(guān)鍵在于準(zhǔn)確計(jì)算權(quán)重[42],客觀賦權(quán)中的熵權(quán)法已被證實(shí)可較好地反映指標(biāo)間的重要性[11]。本研究采用的生態(tài)宜居性指標(biāo)不含主觀因素,因此該方法被采用。指標(biāo)權(quán)重計(jì)算根據(jù)信息熵的定義,一組數(shù)據(jù)的信息熵(Ej)見下式：

(4)

(5)

得出權(quán)重(Wi)之后,將其賦予TOPSIS模型矩陣中,最終綜合得分的取值范圍為0—1。住區(qū)得分?jǐn)?shù)值越大,生態(tài)宜居程度越高。由于權(quán)重的影響,使得分?jǐn)?shù)小數(shù)點(diǎn)位數(shù)過多,為了更方便展現(xiàn)各個(gè)住區(qū)之間得分的差異性,將最終得分乘以1000。

2.3 空間依賴與敏感性分析

全局空間相關(guān)性用來分析研究對象總體的空間關(guān)聯(lián)和空間差異程度。Moran′sI指數(shù)絕對值越大表示空間相關(guān)性越明顯。本研究利用單變量Moran′sI對最終綜合得分進(jìn)行空間依賴度量,分析其空間異質(zhì)性。由于地塊之間被路網(wǎng)分隔開,本研究基于距離計(jì)算莫蘭指數(shù)的空間權(quán)重矩陣。敏感性分析可用來檢驗(yàn)各個(gè)指標(biāo)對評價(jià)得分的影響,多屬性評價(jià)的敏感性分析主要包括屬性權(quán)重和屬性值的敏感性分析[43]。由于權(quán)重參數(shù)已經(jīng)固定,本研究利用地理探測器[44]中的生態(tài)探測分析對五個(gè)指標(biāo)的變化進(jìn)行相對敏感性分析。生態(tài)探測即用于比較兩因子X1和X2對屬性Y的空間分布的影響是否有顯著的差異,以F統(tǒng)計(jì)量來衡量,其中屬性Y綜合得分值以自然間斷點(diǎn)方法離散化參與計(jì)算[45]。

3 結(jié)果與分析

3.1 住區(qū)識別

基于LDA與隨機(jī)森林方法,本研究得出了深圳市住區(qū)(住宅區(qū)、城中村)以及其他類功能區(qū),此外,基于實(shí)地考察數(shù)據(jù)驗(yàn)證深圳市功能區(qū)分類結(jié)果(圖4),總體精度為82.1%,Kappa為78.5%,其中住宅區(qū)精度92.6%,Kappa精度68.8%；城中村精度87.1%,Kappa為84.4%。深圳市南部住宅區(qū)較多,多集中于南山、福田、羅湖等區(qū),城中村分布多集中于寶安、龍崗和龍華新區(qū)；北部工業(yè)占地較多,多集中于龍崗、寶安、坪山新區(qū)；城市綠地面積在大鵬新區(qū)、鹽田區(qū)占比較大(圖4)。

圖4 城市功能分區(qū)圖Fig.4 Urban functional map in Shenzhen

3.2 住區(qū)生態(tài)宜居性分析

3.2.1住區(qū)得分空間特征

根據(jù)自然間斷點(diǎn)分級法將住區(qū)各項(xiàng)指標(biāo)依據(jù)數(shù)值從小到大分為5個(gè)類別,直觀展示各個(gè)指標(biāo)空間分布情況(圖5)。同時(shí),對深圳市十個(gè)行政區(qū)的住區(qū)生態(tài)宜居性綜合得分進(jìn)行展示(圖6)。

圖5 指標(biāo)數(shù)值空間分布 Fig.5 Spatial distribution of the selected indicators

圖6 深圳市生態(tài)宜居性評價(jià)綜合得分情況分布Fig.6 Spatial distribution of livability score in Shenzhen

從圖6可見,深圳市住區(qū)生態(tài)宜居得分具有較為明顯的空間分異特征,整體呈現(xiàn)南高北低、西高東低的分布格局。從圖7箱線圖可知,寶安、光明區(qū)得分情況整體偏低。寶安區(qū)由于存在較多的城中村,導(dǎo)致建筑環(huán)境較為復(fù)雜。光明區(qū)由于城區(qū)建設(shè)較為落后,生態(tài)宜居性指標(biāo)分值較低。龍崗中部地區(qū)植被覆蓋度較高,空氣質(zhì)量較好,人口密度偏低,存在得分高值住區(qū),但是該區(qū)域整體城中村數(shù)量龐大,導(dǎo)致得分差異較大。龍華新區(qū)周邊工業(yè)區(qū)較多,空氣質(zhì)量與綠地占比不容樂觀,且住區(qū)大多數(shù)為城中村類型,整體得分情況較差。羅湖區(qū)雖中位數(shù)得分并不高,但存在較多高分極值點(diǎn),證明良好的生態(tài)宜居住區(qū)個(gè)數(shù)較多。由于舊區(qū)新建的原因,導(dǎo)致以上五個(gè)行政區(qū)存在顯著的離群值。福田區(qū)位條件優(yōu)越,屬于人類活動(dòng)頻繁區(qū)域,土地利用壓力較大。南山區(qū)屬于城市核心拓展區(qū),整體分值偏高。鹽田區(qū)、坪山新區(qū)以及大鵬新區(qū)住區(qū)個(gè)數(shù)較少,區(qū)域綠地占比大,人煙稀少,且新建房屋較少,這造成了這三區(qū)得分差異也相對較小。

圖8給出得分前后十名片區(qū)的具體位置信息。其中,前三位區(qū)域城市綠地覆蓋面積大,區(qū)內(nèi)人員較少,熱舒適度較好,生態(tài)環(huán)境得分遠(yuǎn)高于其他區(qū)域。而排名后十位多為城中村街區(qū),這些區(qū)域人口密度大、建筑物密度指標(biāo)較大,相對空氣較為不流通,導(dǎo)致年內(nèi)空氣良好天數(shù)較少,綜合得分靠后。

圖8 深圳市生態(tài)宜居性得分(前后十名)Fig.8 The ecological livability score in Shenzhen City (Top 10 & Last 10)

結(jié)合實(shí)景數(shù)據(jù)可知,前十名均是離城市綠地較近的片區(qū)且建筑密度較低,其生態(tài)宜居性得分較高。后十名中城中村區(qū)域占據(jù)8位,只有第4、5位所在街區(qū)不含城中村。其中第5位 (龍崗區(qū)坂田商業(yè)廣場) 是錯(cuò)分的地區(qū),由于該地區(qū)存在較為嚴(yán)重的商住混合現(xiàn)象,模型無法準(zhǔn)確鑒定其功能類別?；陟貦?quán)法的TOPSIS模型所得出的得分情況表明了城市綠地的維護(hù)是后續(xù)城市生態(tài)環(huán)境建設(shè)的重點(diǎn),且城中村的存在對生態(tài)居住環(huán)境為負(fù)影響,政府需要加大力度對其進(jìn)行改造。

3.2.2空間依賴性分析

計(jì)算研究區(qū)所有地塊的綜合得分及周邊相鄰地塊得分均值,繪制散點(diǎn)圖(圖9),其斜線斜率即為莫蘭指數(shù)。圖9橫坐標(biāo)為標(biāo)準(zhǔn)化后的住區(qū)單元的得分,縱坐標(biāo)為該空間單元的“滯后”值,即相鄰近單元得分的平均值。

圖9 宜居性綜合得分及Moran′s I指數(shù)Fig.9 Moran′s I of livability scores scatter plots

圖9為研究區(qū)各地塊綜合得分散點(diǎn)圖。P值檢驗(yàn)結(jié)果符合顯著性檢驗(yàn)要求,證明了Moran′sI值的有效性(顯著性水平0. 05)?？傻萌諱oran′sI值為0.31,表明該綜合得分與地域分布存在微弱的空間自相關(guān)性,證明了鄰近的住區(qū)單元的生態(tài)宜居綜合得分存在一定的集聚現(xiàn)象。據(jù)散點(diǎn)圖可知,研究區(qū)中也存在著大量明顯的負(fù)相關(guān)的散點(diǎn)(第二、四象限),這是由于深圳城市用地緊張,在發(fā)展的過程中不斷推進(jìn)城市單元更新、危舊房改造等工程,導(dǎo)致更新的部分住區(qū)與周邊城中村相鄰。更新單元具有較好的城市規(guī)劃、較稀疏的房屋密度、更高的綠化率等,與周邊的老舊小區(qū)、城中村等形成明顯的差別。

3.3 生態(tài)宜居性指標(biāo)相對敏感性分析

生態(tài)探測用于比較兩兩因子對宜居性得分的空間分布的影響是否有顯著差異。在生態(tài)探測中,“Y”表示存在顯著性差異,“N”表示不存在顯著性差異。由指標(biāo)生態(tài)探測結(jié)果(表2)可知,城市綠地與人口密度、空氣良好天數(shù)指標(biāo)變量之間對宜居性得分的空間分布存在著顯著差異,建筑物密度與人口密度、空氣質(zhì)量指標(biāo)之間也存在顯著性差異。而熱舒適度與其它因子之間均無顯著性差異,可知,熱舒適度指對深圳市生態(tài)宜居性得分影響微弱,也間接證明了深圳市住區(qū)地表溫度變化較小。在未來的研究中,可利用其他指標(biāo),如建筑物內(nèi)部溫度等代替地表溫度反應(yīng)城市熱舒適度。

表2 生態(tài)探測分析結(jié)果

本研究在城市功能區(qū)分類與生態(tài)宜居性評價(jià)方面進(jìn)行了探索,但仍有一些方面有待進(jìn)一步探討。數(shù)據(jù)選擇方面,考慮到多源數(shù)據(jù)的質(zhì)量及可獲得性,建筑物輪廓與人口實(shí)時(shí)密度數(shù)據(jù)獲取時(shí)間與其他數(shù)據(jù)相差一年。盡管多源數(shù)據(jù)存在時(shí)間年限不一致的現(xiàn)象,但本研究已經(jīng)在最大程度選取最臨近的時(shí)間節(jié)點(diǎn)以削弱由此造成的潛在偏差；同時(shí),深圳房屋樓宇在2017—2018年間未有大規(guī)模的舊區(qū)新建工程,故建筑物輪廓數(shù)據(jù)對結(jié)果影響較小。此外,騰訊人口密度數(shù)據(jù)所生成的指標(biāo)也僅為人口分布密度的相對度量,對結(jié)果的影響有限；同時(shí),本研究選取了三個(gè)夜間高峰時(shí)間點(diǎn)數(shù)據(jù)進(jìn)行平均,以減少數(shù)據(jù)所帶來的不確定性。數(shù)據(jù)的空間分辨率最大為30 m(地表溫度),對基于住區(qū)尺度的分析也已足夠精細(xì)。盡管多源數(shù)據(jù)的時(shí)空分辨率并不統(tǒng)一,可能會(huì)導(dǎo)致結(jié)果出現(xiàn)一定的偏差,但本研究旨在提出“基于多源數(shù)據(jù)提取住區(qū)并進(jìn)行宜居性評價(jià)”研究框架并驗(yàn)證其可行性。因此,在實(shí)際應(yīng)用中需要聯(lián)合相關(guān)機(jī)構(gòu),盡可能的應(yīng)用時(shí)空尺度完全一致的數(shù)據(jù)以最大限度地削弱結(jié)果的不確定性。由于多源數(shù)據(jù)獲取較為困難,較多評價(jià)指標(biāo)無法在精細(xì)時(shí)空尺度下進(jìn)行計(jì)算,這也是未來在城市內(nèi)部進(jìn)行生態(tài)宜居性評價(jià)亟需解決的關(guān)鍵。功能區(qū)分類方面,雖分類結(jié)果較好(總體精度為82.1%,Kappa為78.5%),但仍有混合商住區(qū)的出現(xiàn),導(dǎo)致最終宜居性評價(jià)對象出現(xiàn)混雜現(xiàn)象(例：龍崗區(qū)坂田商業(yè)廣場)。因此,對商住混合區(qū)的精確區(qū)分有待進(jìn)一步研究。指標(biāo)的評價(jià)與分析方面,對空間異質(zhì)性的度量與分析也有待展開進(jìn)一步的實(shí)驗(yàn)驗(yàn)證。

4 結(jié)論

城市生態(tài)宜居性評價(jià)是對于城市住區(qū)的定量評價(jià),本研究首先結(jié)合遙感與POI數(shù)據(jù),利用LDA模型進(jìn)行特征重表達(dá),采用隨機(jī)森林模型提取住區(qū),為后續(xù)的生態(tài)宜居性評價(jià)提供評價(jià)單元；其次,依據(jù)多源數(shù)據(jù)生成五個(gè)生態(tài)宜居性指標(biāo),利用TOPSIS方法結(jié)合五種指標(biāo),構(gòu)建城市生態(tài)宜居評價(jià)框架；最后,得出住區(qū)的綜合得分并進(jìn)行空間分析。以深圳市為研究區(qū)的結(jié)果表明：多源數(shù)據(jù)與機(jī)器學(xué)習(xí)方法結(jié)合可以生產(chǎn)精細(xì)的城市功能分區(qū),制圖總體精度可達(dá)到82.1%；基于TOPSIS方法構(gòu)建生態(tài)宜居評價(jià)框架并對住區(qū)生態(tài)宜居性進(jìn)行了量化,綜合得分高的多為城市綠地附近的住區(qū),而排名靠后的主要為城中村等生態(tài)環(huán)境條件較差的住區(qū),該結(jié)果符合客觀事實(shí),城市綠地的維護(hù)是后續(xù)城市生態(tài)環(huán)境建設(shè)的重點(diǎn),政府需對城中村加緊改造；深圳不同住區(qū)用地類別及得分均存在明顯的空間分異,南山、福田、羅湖區(qū)域的住宅小區(qū)較多,坪山、鹽田和大鵬區(qū)生態(tài)宜居得分情況較好,寶安、龍華、龍崗區(qū)由于內(nèi)部同時(shí)包含較多的住宅小區(qū)與城中村,導(dǎo)致三者內(nèi)部各評價(jià)單元的得分差異較為明顯,生態(tài)宜居得分兩級分化嚴(yán)重；地表溫度所代表的熱舒適度指標(biāo)對宜居性得分影響較為微弱,地表溫度不能很好地反映住區(qū)內(nèi)部熱舒適度。

本研究利用遙感與POI數(shù)據(jù)首先提取了住區(qū),相較于使用規(guī)劃數(shù)據(jù)或者法定圖則,能更真實(shí)反映現(xiàn)勢的居民住區(qū),對于快速更新的城市區(qū)域具有更好的適用性。此外,本研究提供了“住區(qū)識別→多源數(shù)據(jù)融合→綜合評價(jià)指標(biāo)”的總體框架。由于TOPSIS模型具有較好的可擴(kuò)展性,今后可以進(jìn)一步融合其他相關(guān)指標(biāo)以更為精準(zhǔn)地評價(jià)城市生態(tài)宜居性并分析其空間分布。