基于机器学习的街道绿视率季节差异校准方法

　　 摘要:

城市绿地作为城市生态系统的重要组成部分，其规划和管理对于提升城市居民的生活质量、改善城市环境和促进可持续发展具有重要意义。基于街景图像的街道绿视率是衡量城市人居环境的一个重要指标，可为国土空间规划和城市治理提供科学依据。然而，街景图像采集时间跨度大、更新周期长，受植被季节变化影响，使得基于街景图像的街道绿视率季节差异显著，影响城市国土空间规划和治理决策。为解决这一问题，本研究提出了一种基于机器学习的街道绿视率季节差异校准方法。该方法综合多源时空数据，获得街道绿视率的影响因子，结合待校准季节的街道绿视率，使用相关性分析和特征选择得到最优特征组合。采用机器学习技术，使用贝叶斯搜索进行超参数优化，构建和优选街道绿视率校准模型，并利用SHAP方法量化特征对模型的非线性影响，运用校准模型将非夏季的街道绿视率统一校准至夏季。研究选取北京市和南京市中心城区的部分区域作为研究区，利用本文提出的方法校准了冬季的街道绿视率。结果表明，校准后同一道路的街道绿视率连续性得到提升，改善了季节差异导致的街道绿视率低估现象，使其更接近夏季的实际植被覆盖情况。城市街道绿视率表现出较为显著的空间异质性，街道绿视率与绿地分布、建筑密度等因素密切相关。本研究提出的校准方法能够有效解决街道绿视率季节差异问题，并为不同区域街道绿视率校准提供了有效的方法框架，可为城市绿地空间布局优化和城市精细治理提供科学依据。实际运用中，可结合区域特征、数据可获取性、技术方法发展变化，增加或改变影响因子和备选模型，进一步提高校准方法的适用性和泛化能力。