基于LightGBM-SHAP框架的老年环境安全感知预测研究：以厦门岛口袋公园视觉要素分析为例

本研究针对老龄化背景下城市公共空间安全感知的评估难题，厦门大学艺术设计学院团队创新性地结合全景图像语义分割与可解释机器学习技术，通过采集厦门岛29个口袋公园的497幅全景图像，采用DeepLabv3+和SegFormer模型识别7类关键视觉要素（行人区、车辆、植被等），构建LightGBM预测模型并应用SHAP框架解析要素贡献度。研究发现植被对安全感知具有显著调节效应，行人区占比10-30%、植被覆盖率20-60%为最优区间，为适老化公园设计提供了量化依据。成果发表于《Scientific Reports》，为智慧城市适老化改造提供了方法论创新与实践指导。

　　

随着全球老龄化进程加速，城市老年人口对环境安全感知的需求日益凸显。作为城市公共空间的重要组成部分，口袋公园（Pocket Parks）的视觉环境设计直接影响老年人的户外活动意愿和心理健康。然而，传统研究方法依赖问卷调查，难以量化微观视觉要素的复杂交互作用；现有机器学习模型又存在"黑箱"问题，制约了设计优化的科学依据。

集美大学艺术学院联合福州大学厦门工艺美术学院的研究团队，在《Scientific Reports》发表最新成果，通过计算机视觉与可解释机器学习技术的融合，揭示了视觉要素影响老年安全感知的内在机制。研究选取厦门岛29个口袋公园作为实验场域，采用Insta360x4相机采集497个全景图像样本，通过两阶段语义分割策略（基于ADE20K和Mapillary Vistas数据集训练的SegFormer模型）提取行人区、车辆、墙体等7类关键视觉要素。创新性地采用配对对比评分法构建安全感知数据集，88位老年人志愿者参与SD法（语义差异法）评估，结合ConvNeXt模型实现自动化评分（测试集R²=0.781）。最终建立LightGBM预测模型（R²=0.823）并应用SHAP（Shapley Additive exPlanations）方法解析要素贡献。

关键技术包括：1）全景图像语义分割（mIoU=54.7%）；
2）基于对比评分的感知量化（Cronbach's Alpha验证）；
3）LightGBM梯度提升决策树建模；
4）SHAP值驱动的可解释性分析。

研究结果
空间分布特征
通过箱线图分析发现，厦门岛口袋公园安全评分呈"西南高、中心低"分布，Huli新区公园评分显著高于Siming老城区。其中11号公园（植被覆盖率58%）得分最高（>7分），而8号公园（邻近车行道）得分最低（<5分）。

关键要素识别
SHAP热图显示行人区（正效应）和车辆密度（负效应）是影响安全感知的核心要素。墙体占比5-10%时能增强安全感，但超过10%可能引发空间压迫感。植被展现出显著调节作用：当覆盖率20-60%时SHAP值最优，过低（<20%）导致安全感缺失，过高（>60%）则因视线遮挡产生焦虑。

交互效应分析

• 行人区-植被：植被强化行人区的正向效应，当行人区占比10-25%时协同效果最佳
• 车辆-植被：植被可缓解车辆负面影响，但无法完全抵消高密度（>5%）车辆的威胁感知
• 广告牌：占比2-4%时提升安全感，过量则产生信息干扰

讨论与意义
该研究首次建立"视觉要素-空间认知-安全感知"的量化关联模型，验证了环境行为理论中的S-O-R（刺激-机体-反应）机制。实践层面提出"双阈值"设计原则：行人区占比10-30%配合植被覆盖率20-60%可最大化安全效益。方法论上开创了"全景图像+可解释AI"的适老化环境评估框架，其技术路线（如图2所示）可扩展应用于儿童活动区、校园安全等多场景评估。

研究同时揭示文化差异的影响——中国老年人对墙体边界（安全感象征）的偏好与西方研究存在差异，提示本土化设计的必要性。未来研究可结合动态人流数据与多模态感知（声景/光环境）进行系统优化，为智慧城市适老化改造提供更全面的科学依据。