利用Landsat ARD和机器学习技术早期识别绅士化风险

《Regulatory Toxicology and Pharmacology》：Early detection of gentrification risk using Landsat ARD and machine learning

基于Landsat分析准备好数据和纽约市建设记录，本研究通过机器学习模型检测地块级重建活动，并计算街区级重建强度（BRI），将其与全市基线对比以识别绅士化风险区域。模型准确率达87%，F1分数0.78，验证了卫星遥感结合施工数据在早期识别绅士化中的可行性，为城市规划提供动态监测工具。

　　城市更新与社会变迁之间的关系是城市规划与政策制定中不可忽视的重要议题。近年来，随着技术的进步，特别是遥感技术和人工智能（AI）的发展，为研究城市更新及其对社会结构的影响提供了新的视角。传统的城市更新监测方法通常依赖于人口普查和调查数据，这些数据往往存在时间滞后性和空间分辨率不足的问题，难以及时准确地捕捉到城市更新过程中细微的变化。因此，研究者们开始探索新的方法，利用卫星遥感数据和机器学习技术来更早地识别城市更新的迹象，并预测其可能带来的社会影响。

本研究提出了一种创新的框架，通过结合Landsat分析就绪数据（ARD）与纽约市（NYC）的建筑施工记录，以地块级别的重建活动为切入点，识别出可能面临城市更新风险的街区。该方法不仅克服了传统数据的局限性，还提供了一种更为实时、连续且统一的监测手段。通过将地块级别的重建信号整合到街区层面，形成建筑重建强度（BRI）指标，并与全市平均水平进行比较，可以有效地识别出城市更新的早期迹象。这种基于物理变化的指标，与社会经济变化之间存在时间上的滞后性，但其作为早期预警信号的价值不容忽视。

城市更新通常伴随着高收入群体的涌入，从而引发城市结构的显著变化。这种变化往往导致原有低收入社区的迁移或边缘化，即所谓的“城市更新引发的驱逐”现象。然而，传统的社会经济数据收集和分析方法，如美国人口普查局的十年人口普查和美国社区调查（ACS），由于数据采集和处理的时间较长，难以提供及时的更新信息。此外，这些数据通常被聚合到较粗略的行政边界内，限制了对城市更新现象进行精细化监测的能力。因此，本研究尝试利用遥感技术来弥补这些不足。

研究采用了一种结合机器学习与遥感技术的方法，通过分析Landsat卫星图像的时间序列数据，识别地块级别的建筑重建活动。这些重建活动包括拆除、清理和新建等，通过构建和训练两种机器学习模型——卷积神经网络（CNN）和深度神经网络（DNN），研究者能够从卫星图像中提取出时间变化和光谱特征，并用于识别城市更新的早期信号。模型在识别重建活动方面表现出较高的准确率，整体准确率达到87%，F1分数为0.78，这表明该方法在检测城市更新方面具有较高的可靠性。

在方法上，研究首先确定了研究区域为纽约市，并选择了2000年至2020年的Landsat遥感数据进行分析。通过排除因卫星7号仪器故障导致的数据缺失，以及过滤掉云覆盖超过10%的图像，最终保留了931幅高质量的遥感图像。随后，研究者利用纽约市开放数据平台提供的建筑施工记录，构建了一个包含350,000多个建筑记录的训练数据集。其中，约10,165个建筑被标记为经历了重建活动，而其余的则被视为稳定的建筑。通过这种数据集的构建，研究者能够有效区分出城市更新活动和常规的建筑维护或修缮。

为了提高模型的准确性，研究者采用了一种基于时间窗口的策略，即在每个建筑的竣工年份前两年内提取遥感图像数据。这种方法能够更好地捕捉到重建活动的时间序列特征，并减少因时间间隔过长而导致的模型性能下降。此外，研究者还对数据进行了预处理，确保图像质量，并通过光谱和纹理变化轨迹来识别重建活动。这些步骤不仅提高了模型的检测能力，还确保了结果的可靠性。

模型的评估结果显示，两种机器学习模型在识别重建活动方面均表现出较高的准确率，整体准确率达到了87%。其中，CNN模型在检测重建建筑方面略优于DNN模型，而DNN模型在识别预测结果方面表现更为稳定。这种性能上的差异可能源于CNN模型对空间特征的更强捕捉能力，而DNN模型则更专注于时间趋势的识别。通过将模型输出与两个外部参考数据集——城市驱逐项目（UDP）和纽约市立大学（CUNY）的研究结果进行比较，研究者发现两者的总体一致性较为中等，这主要是由于不同的定义和关注点所导致。UDP关注的是社会经济变化，如收入变化和人口流动，而本研究则侧重于物理重建活动作为城市更新的早期信号。

研究的成果表明，通过遥感和机器学习技术的结合，可以有效地识别城市更新的早期迹象，并为政策制定者提供预警信息。这些预警信息可以用于指导城市规划和政策干预，例如在重建活动频繁的区域优先进行居民保护、住房稳定性和社区参与等措施。此外，研究还指出，尽管模型在识别重建活动方面表现良好，但在实际应用中仍需结合社会经济指标进行验证，以确保结果的全面性和准确性。

本研究的方法具有重要的实践意义，特别是在城市更新的早期阶段，能够帮助政策制定者及时采取行动，减少驱逐和住房不稳定等负面社会影响。通过将物理重建信号与社会经济变化进行对比，研究者能够更准确地识别出城市更新带来的社会压力，并为制定更公平、有效的城市更新政策提供数据支持。然而，该方法也存在一些局限性，如遥感数据的空间分辨率限制，以及不同城市间数据可用性和政策环境的差异。

未来的研究方向包括提高遥感数据的分辨率，如使用Sentinel-2/HLS等更高分辨率的卫星图像，以增强对小型建筑重建活动的识别能力。此外，还可以整合社会经济和环境指标，以更全面地解释城市更新的驱动因素和影响。通过在多个城市进行模型训练和微调，研究者可以进一步提升模型的泛化能力和适应性，使其适用于更广泛的城市更新场景。同时，研究还建议定期更新模型参数和阈值，以适应不断变化的城市发展动态和数据质量。

总之，本研究通过结合遥感技术和机器学习方法，为城市更新的早期监测提供了一种新的视角和工具。这种方法不仅能够及时识别城市更新活动，还能为政策制定者提供重要的预警信息，帮助他们在城市更新过程中采取更有效的措施，以减少社会不平等和住房不稳定等问题。尽管存在一些局限性，但该方法在城市更新研究和实践中的应用前景广阔，为未来的城市规划和政策制定提供了有力的数据支持。