成果速递|使用机器学习和街景图像评估绿色空间暴露对心理压力感知的非线性影响

本期为大家推荐的内容为论文《Assessing the nonlinear impact of green space exposure on psychological stress perception using machine learning and street view images》（利用机器学习和街景图像评估绿地暴露对心理压力感知的非线性影响），发表在 Frontiers in Public Health 期刊上，为了便于为了便于大家学习交流故将其核心内容推送在此平台。

本研究聚焦上海中心区域，探讨城市绿地（GS）暴露对心理压力感知的非线性影响。通过构建多维度心理压力感知量表，整合机器学习算法与街景图像数据，开发测量框架。以志愿者评分数据为基础，用支持向量机（SVM）算法预测心理压力感知，用极限梯度提升（XGBoost）算法揭示GS暴露与居民心理压力的非线性关系。结果表明上海中心GS暴露总体较低且空间异质性显著，其对减轻居民心理压力有积极影响但存在阈值。研究强调在城市规划中考虑GS暴露的‘剂量 - 效应’的重要性，其方法有应用于其他城市环境的潜力。研究结果有助于城市环境的靶向识别，指导城市绿地提升政策的精准实施。例如，通过分析绿地暴露对不同压力感知因子的影响，可知设计绿地时应考虑其对居民心理舒适度和停留行为的影响，从而创造更宜人、心理健康的城市环境。本研究开发的基于开源街景数据的框架，可用于测量其他城市居民的心理压力感知，有助于城市规划者更精准地识别和改善城市空间，进行更有针对性的城市绿化，从而有效提升城市居民的生活质量和心理健康水平。

图1：绿色暴露度消极空间目标识别分布图

以往研究虽认识到绿地暴露对心理健康有积极影响，但多基于小样本或间接关联，且多关注线性关系。本研究在大规模、精细化层面深入探究，发现上海中心城区绿地暴露平均水平低且空间分布异质性显著，与居民心理压力感知呈负相关，并存在非线性特征（如绿地暴露在0 - 0.20之间增加时显著缓解心理压力，超过0.35后对减压贡献趋近于零），补充和完善了绿地与心理健康关系的理论研究。构建了包含五个独立因子和十二个具体问题的多维压力感知量表，整合支持向量机（SVM）机器学习算法和大量城市街景数据，开发出一种新的城市压力感知测量框架，该框架在稳定性和解释力方面表现优越，为城市心理感知研究提供了更精确、有效的量化方法，有助于推动相关理论发展。

1 摘要

导言：城市绿色空间被认为是应对城市挑战的一项基于自然的战略。然而，GS暴露的应激缓解效果和机制尚未得到充分的探讨。机器学习和街景图像的发展为大规模测量和精确的实证分析提供了方法。

方法：以上海市中心城区为研究对象，考察GS暴露对心理应激感知的复杂影响。通过构建多维心理压力感知量表，并将机器学习算法与大量街景图像数据相结合，我们成功开发了一个测量城市压力感知的框架。以志愿者提供的心理压力感知量表得分为标记数据，采用支持向量机（SVM）算法对上海市中心城区的心理压力感知进行预测。此外，本研究采用可解释的机器学习模型eXtreme Gradient Boosting（XGBoost）算法来揭示GS暴露与居民心理压力之间的非线性关系。

结果：上海市中心区GS暴露水平总体较低，且存在明显的空间异质性。GS暴露对减轻居民心理压力有积极影响。然而，这种影响有一个阈值;当GS暴露超过0.35时其对压力感知的影响逐渐减弱。

讨论内容：我们建议将压力感知阈值与GS暴露相结合，以识别城市空间，从而指导提高GS的精确策略。本研究不仅证明了GS暴露对心理应激感知的复杂缓解作用，而且强调了在城市规划和建设中考虑其“剂量-效应”的重要性。基于开源数据，本研究开发的框架和方法具有应用于不同城市环境的潜力，从而为未来的城市规划提供更全面的支持。

关键词：城市绿化、街景、人类感知、健康规划、可持续环境

2 研究思路

       城市作为现代社会的重要组成部分，其内部的绿地（GS）对居民有着多方面的积极影响，如缓解城市热岛效应、增强水文循环、增加生物多样性以及对居民心理健康产生积极影响等。然而，目前GS暴露对心理压力缓解的作用机制尚未完全被探索。一方面，多数研究基于主观间接测量，缺乏实际心理感知的详细信息且多关注线性影响结果，限制了研究成果在城市规划建设中的应用；另一方面，传统心理研究方法在评估压力感知时存在局限性。而机器学习与街景图像（SVI）的结合为城市心理感知研究提供了新视角和方法，但现有基于机器学习的心理感知测量研究存在评估过程过于简化等问题。基于以上背景，本研究旨在进一步探索利用SVI准确测量城市GS暴露和心理压力感知、构建多维度压力感知评价框架、使用可解释机器学习算法揭示GS暴露对心理压力感知的复杂非线性影响等内容。

图2：研究框架

研究思路如下：

2.1提出研究问题：

城市绿地（GS）暴露对心理压力感知的缓解作用和机制尚未完全探索，且多数研究存在局限。

2.2.构建研究框架：

分三个主要阶段，包括收集街道网络数据与百度街景图像（SVI）、构建心理压力感知测量框架、探索GS暴露与压力感知的关联并提出策略。

图3：百度SVI采集过程示例

2.3 选择研究方法：

收集上海中心区的OSM街道网络数据和百度SVI，进行语义分割获取GS暴露特征。招募志愿者，基于心理压力感知量表创建标签数据集，采用SVM算法预测心理压力感知。运用XGBoost算法揭示GS暴露与居民心理压力的非线性关系，还使用了主成分分析（PCA）等方法。

图4：基于机器学习的GS暴露提取和压力感知评估过程概述

2.4 分析数据：

分析GS暴露、五种心理压力感知因素、居民心理压力感知的空间分布特征，进行非线性回归分析。

2.5 得出结论：

上海中心城区GS暴露总体较低且空间异质性显著，与居民心理压力感知呈负相关且存在阈值，还指出研究的不足与未来方向。

4 研究结论及讨论

4.1 研究结论：

上海中心城区绿地暴露总体较低且空间异质性显著，绿地暴露对居民心理压力感知有负向影响且存在阈值（约0.35）。研究构建了新的城市压力感知测量框架，可用于不同城市居民心理压力感知测量。研究结果有助于城市环境的精准识别和政策实施，未来研究应考虑更多因素并采用纵向数据探究因果关系。

4.2 研究的创新性：

本研究基于大规模街景数据和机器学习算法开发了心理压力感知测量框架；通过构建多维度压力感知量表，细化了压力感知的作用过程；基于此，我们揭示了GS暴露对居民心理压力感知的非线性影响及作用机制，并对需改善空间进行精准识别和优化指导。同时，本研究强调本地志愿者重要性，有利于提高对中国城市感知刻画准确性。

4.3 研究的不足之处：

一是主要依赖横截面数据，难以建立因果关系；二是未全面考虑社会、文化、经济等影响心理压力感知的因素；三是未深入探究志愿者人口统计学细节；四是受百度街景数据限制，无法应用于农村居民心理压力感知评估。

4.4 研究展望：

后续可采用纵向数据追踪绿地暴露动态及其对心理压力感知的影响；开展不同国家、地区和城市的比较研究；充分考虑绿地暴露阈值效应，优化布局和质量；建立对现有和新建绿地健康影响的定期监测和评估机制；加强多学科协作探索综合解决方案。

4.5 研究意义：

本研究深入探究绿地暴露与心理压力感知关系，有助于未来城市规划与建设。构建的测量框架可用于不同城市居民心理压力感知测量，为城市规划决策提供支持。研究结果为减轻居民心理压力、提高生活质量提供指导原则，有助于制定提升城市绿地的精准政策。

成果速递 | 城市社区绿地空间研究进展

成果速递 | 基于街景图象和机器学习测量城市绿色空间暴露

成果速递| 住区智能快递柜的供需匹配：来自天津的启示

成果速递 | 电动汽车充电站空间布局与使用评价研究——以上海市为例

成果速递 | 基于Keep数据的成都市六环内绿道网络使用评价

成果速递 | 景观服务视角下城市街区感知测度及空间分布特征

成果速递 | OBE Framework for the "Design Workshop" Course in 3E