基于GeoAI与街景图像的人居环境感知研究：揭示澳大利亚墨尔本实际建成环境与主观认知的关联机制

本研究针对城市建成环境客观指标与居民主观感知的脱节问题，创新性融合深度学习与街景图像（Mapillary），首次在澳大利亚墨尔本大都会区开展"5D"维度（密度Density、多样性Diversity、设计Design、距离Distance、可达性Destination）的人居环境量化分析。研究发现紧凑型城市形态与绿地覆盖率显著提升居民对宜居性（Livability）和安全性（Safety）的感知，但密度超过阈值会引发拥挤负面效应，为制定兼顾空间效率与心理体验的城市政策提供了实证依据。

　　

在联合国可持续发展目标（SDGs）的推动下，建设安全、包容且可持续的城市已成为全球共识。然而，城市规划长期面临一个核心矛盾：政府依赖客观数据设计的城市空间，与居民实际感知的体验往往存在显著差异。这种认知鸿沟在澳大利亚尤为突出——尽管墨尔本作为全球最宜居城市之一，其快速城市化带来的高密度开发与社区异质性，正不断挑战传统规划模式的有效性。环境心理学研究显示，建成环境（Built Environment）通过视觉线索直接影响居民的情绪认知与心理健康（Marquardt et al., 2014），但现有研究多聚焦欧美亚洲城市，缺乏澳大利亚本土实证；更关键的是，密度（Density）与绿地等指标的"感知拐点"机制尚未阐明，导致政策难以精准把握人性化尺度。

针对这些空白，由澳大利亚城市研究基础设施网络（AURIN）资助的研究团队，在《Journal of Environmental Management》发表了一项开创性研究。该团队创新性地将地理人工智能（GeoAI）与街景图像分析相结合，首次构建了墨尔本大都会区的"感知-实际"环境双维评估体系。通过深度学习解析Mapillary平台的14万张街景图像，量化了居民对宜居性（Livability）、安全性（Safety）、美观度（Beauty）等6维度的主观评价；同时利用OpenStreetMap和Google Earth Engine数据，客观测量"5D"城市设计维度（密度Density、功能混合度Diversity、空间设计Design、公交可达性Distance、服务覆盖Destination）。采用空间自相关分析与阈值回归模型，揭示主观感知与客观指标的非线性关系。

主要技术方法
研究选取墨尔本统计区（SA1）为基本单元，通过Mapillary API获取2015-2022年街景图像，使用ResNet-152深度学习模型提取视觉特征，构建邻里健全指数（Neighbourhood Soundness Index, NSI）；客观指标采用空间句法计算街道网络整合度，用地混合熵测度功能多样性，NDVI量化绿地覆盖率；最后通过地理加权回归（GWR）分析空间异质性。

空间变异分析
研究发现内城区（Inner City）与东部郊区呈现显著感知优势：NSI高值区（前20%）普遍具备紧凑城市形态（容积率>3.5）、800米半径内覆盖≥4种用地类型、街道绿视率（Green View Index）≥25%。这些区域居民对"财富感"（Wealth）的评分比低密度郊区高2.3个标准差，证实混合功能与绿色基础设施的协同增效。

非线性阈值效应
密度（Density）与感知质量呈倒U型关系：当住宅密度≤65单位/公顷时，每增加10单位提升NSI 7.2%；但超过该阈值后，密度每增加10单位导致安全感（Safety）下降12.4%。类似地，绿地覆盖率在15-30%区间内对情绪调节（Emotional Well-being）边际效益最大，超过35%后因维护不足产生负面感知。

政策敏感维度
距离（Distance）维度显示：公交站点500米覆盖使居民通勤满意度提升19%，但设计（Design）要素影响更显著——街道界面连续度（连续商铺占比≥60%）能使安全感评分提高28%，证实雅各布斯"街道眼"理论在澳大利亚语境下的适用性。

这项研究首次在澳大利亚验证了"感知-实际"环境的空间耦合规律，其方法论突破体现在三方面：① 建立可扩展的全国性感知数据库框架；② 识别密度与绿地的关键阈值，为《墨尔本2050规划》提供量化依据；③ 开发基于GeoAI的实时监测工具，支持疫情后社区韧性评估。正如通讯作者Qian Chayn Sun强调的，研究证明"高密度不等于高压力，关键在于三维空间的人性化设计"，这对正在经历城市化转型的亚太城市具有普适启示。未来研究可结合环境DNA与移动传感数据，进一步揭示多感官体验对城市感知的调控机制。