基于地理空间数据与可解释机器学习的不同类型公园访客模式对比研究及其对城市可持续发展的启示

这篇研究创新性地运用手机信令数据（mobile phone signaling data）和可解释机器学习模型（XGBoost-SHAP），揭示了广州四类公园（自然/城市/社区/口袋公园）访客的非线性阈值特征，突破了传统线性回归（MLR/GWR）的局限，为差异化城市公园规划提供了数据驱动的科学依据。

　　

Highlight

公园访客与关联因子的非线性关系识别成为推动城市可持续发展的关键。本研究通过融合机器学习与空间计量方法，揭示了三大核心发现：

Visitation and associated factors in various types of parks

各类公园的访客与关联因子特征

自然公园与城市公园展现出显著的"双峰"时间模式（早/晚高峰），而社区与口袋公园则呈现持续的全天候活力（图4c-f）。XGBoost-SHAP模型捕捉到环境变量的非线性魔法——例如，当绿地覆盖率突破60%阈值时，自然公园访客量会呈现指数级增长；而地铁站对城市公园的影响存在800米"黄金半径"（图5）。这些发现颠覆了传统线性假设，为"精准化公园规划"提供了新范式。

Conclusions

结论

本研究通过多模型对比验证：机器学习（XGBoost-SHAP）在预测精度（R²达0.82）和特征解释力上显著优于传统模型（MLR/GWR）。特别揭示出四类公园的"需求分层"现象——自然公园受生态因子主导，城市公园依赖交通可达性，而社区/口袋公园则对生活便利性敏感。这些发现为制定《公园分类建设指南》提供了理论基石。