基于多源数据的深圳住区环境舒适度评价
2022-04-15
1. 对应目标
SDG11、SDG15: 到2030年,提升社区宜居性、改善城中村居住环境。
2. 成果亮点
• 提出一个街区尺度城市生态宜居性评价框架
• 机器学习方法与多源数据结合可生产精细的城市功能分区结果,制图总体精度可达到82.1%
• 发现住区分布与得分均存在明显的空间分异,南山、福田、罗湖区域的住宅小区较多,宝安、龙华、龙岗区分布较多的城中村,导致区内得分差异较大;坪山、盐田和大鹏区由于住区用地少、绿地多、空气好等客观条件导致生态宜居得分情况较好
3. 案例背景
在城市生态环境质量降低的背景下,人民群众对和谐宜人的居住环境的需求日益强烈,城市的持续发展及其内部环境舒适度愈发受到关注。如何快速、准确地对城市内部环境舒适度进行评价成为近年来城市研究的热点。
但是,现有城市环境舒适度分析存在评价尺度粗略、评价结果落后等问题。其一,现住区范围均来自于官方法定图则或城市规划数据,更新较慢,难以反映快速城市建设带来的住区变化;其二,现有城市环境舒适度评价以多个城市之间城市内部行政区划尺度为主,缺乏精细尺度下的环境舒适度评估。本案例采用客观数据所提取的街区尺度的住区为基本单元进行生态环境舒适度评价,并利用多源数据与住区识别结果构建评价框架,使得快速对城市内部进行环境舒适度评价成为可能。本案例致力于建立多源数据融合的住区环境舒适度精细化、定量评价框架,最终应用至整个城市。研究结果可为城市环境舒适整治与改善及城市规划等提供案例参考和数据支撑。
4. 所用数据
• 传遥感数据:采用2017年2景Landsat 8 (Operational Land Imager,OLI)和热红外传感器 (Thermal Infrared Sensor,TIRS) 卫星数据和2017年17景高分二号(GF-2) 卫星数据
• 多源时空数据:2017年深圳路网矢量数据及2018年高德POI数据;2018年深圳市建筑物轮廓矢量数据;2016年腾讯区域网格人口密度以及2017年年度空气质量数据(包括深圳市及周边13个地面监测站的空气质量指数)
5. 方法介绍
• 城市功能区提取方法
构建城市住区提取(街区尺度)方法,解决现有研究尺度粗糙难题。具体包括:
首先,结合高分遥感影像与POI数据进行特征提取,生成特征词典;随后,利用面向对象的方法提取城市土地覆盖结果并生成景观格局指数作为辅助特征;基于路网数据生成街区单元,利用主题模型将词典转换为高级语义特征并与相同街区中的景观格局指数结合,并利用随机森林分类器进行训练与预测,得到深圳市住区和其他功能区类别。
• 街区尺度城市住区环境舒适度评价
根据《中国宜居城市科学评价标准》可知,环境优美是城市市容市貌的决定性因素之一,主要包括生态环境、气候环境、人文环境、城市景观等四个方面。其中热舒适度属于生态环境常用评价指标,空气质量属于气候环境评价指标,人口密度、住宅区建筑物密度城市绿地属于人文环境指标,城市绿地(园林绿化)属于城市景观方面指标。本案例结合用户密度数据、年空气质量、Landsat-8遥感数据、建筑物轮廓数据、土地覆盖数据构建城市环境舒适度指标,采用基于熵权法的TOPSIS模型测度已得到的住区环境舒适度。
6. 结果与分析
• 住区识别
基于主题模型与随机森林方法,本案例得出了深圳市住区(住宅区、城中村)以及其他类功能区,此外,基于实地考察数据验证深圳市功能区分类结果(图1a),总体精度为82.1%,Kappa为78.5%,其中住宅小区精度可达92.6%,Kappa精度68.8%;城中村精度87.1%,Kappa为84.4%。深圳市南部住宅区较多,多集中于南山、福田、罗湖等区,城中村分布多集中于宝安、龙岗和龙华新区;北部工业占地较多,多集中于龙岗、宝安、坪山新区;城市绿地面积在大鹏新区、盐田区占比较大(图1)。
• 住区环境舒适度分析
根据自然间断点分级法将住区各项指标依据数值从小到大分为五个类别,直观展示各个指标空间分布情况(图2)。同时,对深圳市十个行政区的住宅区以及城中村的环境舒适度综合得分进行展示(图3)。
从图3可见,深圳市住区环境舒适度得分具有较为明显的空间分异特征,整体呈现南高北低、西高东低的分布格局。从行政区划角度,宝安、光明区得分情况整体偏低。宝安区由于存在较多的城中村,导致建筑环境较为复杂。光明区由于城区建设较为落后,环境舒适度指标分值较低。龙岗中部地区植被覆盖度较高,空气质量较好,人口密度偏低,存在得分高值住区,但是该区域整体城中村数量庞大,导致得分差异较大。
龙华新区周边工业区较多,空气质量与绿地占比不容乐观,且住区大多数为城中村类型,整体得分情况较差。罗湖区虽中位数得分并不高,但存在较多高分极值点,证明良好的环境舒适住区个数较多。由于旧区新建的原因,导致以上五个行政区存在显著的离群值。福田区位条件优越,属于人类活动频繁区域,土地利用压力较大。南山区属于城市核心拓展区,整体分值偏高。盐田区、坪山新区以及大鹏新区所含住区较少,区域绿地占比大,人烟稀少,且新建房屋较少,这也造成了这三区得分差异也相对较小的情况。
图4给出得分前后十名片区的具体位置信息。其中,前三位区域城市绿地覆盖面积大,区内人员较少,热舒适度较好,生态环境得分远高于其他区域。而排名后十位多为城中村街区,该些区域人口密度大、建筑物密度指标较大,相对空气较为不流通,导致年内空气良好天数较少,综合得分靠后。
结合实景数据可知,前十名均是离城市绿地较近的片区,其环境舒适度得分较高,而后十名中城中村区域占据8位,只有第4、5位所在街区不含城中村。其中第5位(龙岗区坂田商业广场)是错分的地区,由于该地区存在较为严重的商住混合现象,模型无法准确鉴定其功能类别。基于熵权法的TOPSIS模型所得出的得分情况表明了城市绿地的维护是后续城市生态环境建设的重点,且城中村的存在对生态居住环境为负影响,政府需要加大力度对其进行改造。
7. 讨论与展望
案例首先结合遥感与POI数据,利用主题模型进行特征重表达,采用随机森林模型提取住区,为后续的环境舒适度评价提供评价单元;其次,依据多源数据生成五个环境舒适度指标,利用TOPSIS方法结合五种指标,构建城市环境舒适度评价框架;最后,得出住区的综合得分并进行空间分析。本研究利用遥感与POI数据首先提取了住区,相较于使用规划数据或者法定图则,能更真实反映现势的居民住区,对于快速更新的城市区域具有更好的适用性。此外,本研究提供了“住区识别多源数据融合综合评价指标”的框架,此框架具有较好的可扩展性,可进一步融合其他相关指标,并应用至大范围城市区域。
延伸阅读
Dong, X.; Xu, Y.; Huang, L.; Liu, Z.; Xu, Y.; Zhang, K.; Hu, Z.; Wu, G. Exploring Impact of Spatial Unit on Urban Land Use Mapping with Multisource Data. Remote Sens. 2020, 12, 3597.