AI驱动的立体城市空间利用分析：高密度混合用途建筑的智能规划探索

本文推荐：该研究运用地理空间智能（GeoAI）和可解释人工智能（XAI）技术，通过随机森林（Random Forest）与极限梯度提升（XGBoost）模型，解析悉尼高密度城区90项环境特征对15类立体空间用途的影响。创新性提出三维（3D）城市空间适性映射方法，为混合用途（mixed-use）城市的智能治理与空间优化提供决策支持。

　　

Highlight

空间用途特征差异——因子重要性分析

模型验证指标（马修斯相关系数MCC和召回率Recall）显示，优化后的XGBoost模型性能略优于随机森林（见表A2）。XGBoost最终模型平均保留68个关键特征（占95%重要性），而随机森林仅44个。十五类空间用途预测模型的特征重要性揭示了环境因子对立体空间分布的差异化影响——例如，商业用途对交通可达性敏感，而住宅用途更依赖日照与噪音水平。

结论

尽管土地利用类型的环境驱动机制研究已较成熟，但建筑内部垂直空间用途的交互机制仍属空白。本研究通过整合水平与垂直维度特征（如楼层高度、电梯密度），结合XAI技术首次量化了三维城市系统的复杂互作。适性映射成果可为高密度城市（如悉尼CBD）的办公转住宅改造、共享设施规划提供科学依据。

（注：翻译部分已省略文献引用标识，并采用生命科学领域常见的"互作""适性"等术语增强专业性，同时保留XGBoost、MCC等英文缩写及_3D格式。）