数据驱动的东京高密度城区垂直绿化优化空间框架研究

针对高密度城市地面绿化空间不足的问题，研究人员通过YOLOv8模型分析88,750张街景图像，构建了东京23区垂直绿化系统(VGS)的空间分布图谱，结合地理加权回归(GWR)和混合层次分析法(AHP)-熵权模型，首次实现了城市尺度VGS供需匹配评估，为紧凑型城市绿化政策提供了可迁移的决策工具。

　　

在气候变化和城市化加速的背景下，东京这类高密度城市面临严峻的土地资源约束，传统地面绿化空间拓展举步维艰。垂直绿化系统(Vertical Greening Systems, VGS)作为建筑立面上的"立体花园"，其潜在绿化面积可达屋顶绿化的两倍，不仅能缓解热岛效应、降低建筑能耗，还能改善空气质量和居民心理健康。然而，当前VGS研究多聚焦于单体建筑的环境效益评估，缺乏城市尺度的系统性空间分析，导致政策制定者难以精准识别供需缺口。

为破解这一难题，Chiba University的Ruochen Ma团队在《Sustainable Cities and Society》发表研究，创新性地将人工智能与空间分析相结合。研究人员首先训练YOLOv8深度学习模型，从88,750张谷歌街景图像中精准识别出7,205处VGS（包括区分绿色立面与生态墙），构建了东京23区首个VGS空间数据库。随后采用普通最小二乘法(OLS)和地理加权回归(GWR)，分析VGS分布与14项环境、土地利用、社会经济和城市结构指标的关联性。最后通过融合AHP专家评分与熵权法的混合模型，构建垂直绿化需求指数(VGDI)，划分出五级优先实施区域。

关键技术包括：(1)基于YOLOv8的街景图像目标检测（测试集mAP@0.5达0.853）；(2)1km网格尺度的空间自相关与热点分析；(3)包含MAT（最高环境温度）、LST（地表温度）、CO₂排放等14项指标的多维评价体系；(4)AHP-熵权法混合加权的VGDI计算模型。

研究结果揭示：

1. 1.

   VGS检测与空间分布

   • •

     检测模型精确识别出7,205处VGS，其中绿色立面占98.3%，生态墙仅1.7%

   • •

     莫兰指数0.689(p<0.001)显示显著空间聚集性，热点集中在涩谷、新宿等副中心区

2. 2.

   空间驱动因素

   • •

     OLS回归显示土地利用指标解释力最强（RLUR住宅用地比率β=0.572）

   • •

     GWR揭示环境因子存在空间异质性：西部区域LST（地表温度）呈正相关，而MAT（最高环境温度）全境负相关

   • •

     生态墙显著集中于高容积率(FAR)商业区（Lee's L=0.305,p<0.01）

3. 3.

   需求优先级划分

   • •

     VGDI热点区集中在千代田、中央区等东部核心地带

   • •

     供需矩阵识别出13.7%网格为"高需求-低供给"的优先实施区

讨论部分强调，该研究首次实现了三个突破：(1)街景尺度的YOLOv8检测与城市尺度GWR的耦合；(2)构建包含CO₂排放、NDVI等多维指标的VGDI体系；(3)提出可适配新加坡、深圳等紧凑城市的政策工具包。尽管存在图像时效性差异等局限，但研究为落实联合国SDG11可持续城市目标提供了量化工具，其"检测-分析-决策"框架已获东京都政府采纳用于修订《墙面绿化指南》。未来可通过增加植被功能属性识别、多时空尺度验证等方向深化研究。