基于多模态数据融合的多尺度城市绿地社会功能时空演变分析——以上海市2014-2023年为例

本研究针对当前城市绿地（UGS）研究中存在的功能单一性、尺度单一性和动态分析不足等问题，提出了一种多尺度动态研究框架。通过融合高分辨率遥感影像、POI数据和OSM路网数据，结合U-NET语义分割和ERNIE自然语言处理技术，实现了对上海市多时期、多类型UGS社会功能的精准识别与分类（总体精度94.12%）。研究发现上海市绿地系统呈现从"增量扩张"向"提质增效"的转变趋势，功能类型日趋多元化，为科学评估城市可持续发展提供了重要决策依据。

　　

随着城市化进程加速，不透水地表持续扩张，对居民健康和城市生态功能造成显著负面影响。联合国可持续发展目标（SDGs）中特别强调建设包容、安全、有韧性的可持续城市（SDG 11）。作为城市生态环境的重要组成，城市绿地（Urban Green Spaces, UGS）既是城市可持续发展的指示器，也直接关系到居民生活质量和生态安全。然而，现有研究往往将UGS视为单一整体，忽视其社会功能的多样性和空间动态特征，难以深入理解UGS与城市可持续发展间的复杂关系。

传统研究存在三个明显局限：一是过于宏观和简化，主要关注UGS整体特征而忽视不同空间尺度的差异；二是忽略UGS社会功能的多样性，缺乏对不同类型绿地社会贡献的量化评估；三是缺乏多尺度空间的UGS功能动态分析，限制了动态UGS功能分析的方向。这些局限使得准确评估UGS对生态、社会和经济方面的影响面临挑战。

为应对这些挑战，研究团队在《Ecological Genetics and Genomics》上发表了最新研究成果，构建了一个创新的多尺度动态研究框架。该研究以上海市2014-2023年为研究案例，通过多模态数据融合和先进的人工智能技术，深入解析了UGS社会功能的时空演变规律。

研究采用了多项关键技术方法：首先建立了包含城市、区域（城市核心区、近郊区、远郊区）和行政区三个层次的多尺度空间分析框架；利用U-NET语义分割网络从高分辨率遥感影像中提取细粒度UGS数据；采用基于Transformer架构的ERNIE模型对POI数据文本进行重分类，识别19种UGS社会功能类型；最后通过OSM路网数据划分空间单元，实现多源数据的融合分析。研究选取了2014年、2017年、2020年和2023年四个时间节点，确保了时间序列的连续性和可比性。

研究结果部分显示：

UGS提取结果方面，通过U-NET网络成功提取了上海市2014-2023年四个时期的UGS数据，测试精度达到87.6%，数据量为3.5G，满足后续研究精度要求。

POI重分类结果表现优异，基于ERNIE模型的POI数据重分类准确率达到94.12%，Kappa系数为0.93，表明分类结果具有高度一致性和可靠性，为后续研究提供了有力支持。

UGS制图结果直观展示了上海市不同时期一级空间尺度上的UGS类型总体情况，以及不同区域的细节信息，提供了UGS功能的详细时序变化信息。

多层级UGS动态变化分析揭示了重要规律：在面积变化方面，上海市UGS总面积呈现持续增长趋势，从2014年的707.106km2增长到2023年的1729.481km2，十年总增长率为144.6%。城市建成区绿地率从2014年的13.0%提升至2023年的31.9%，反映了上海市绿地系统在生态功能、环境质量和城市宜居性方面的积极成果。

社会功能变化方面，2014-2023年间上海市各类UGS的面积和比例呈现明显的动态演化特征。娱乐公园（AP）面积从121.37km2增加到334.106km2；商业绿地（CG）增长最为显著，从121.356km2增加到483.655km2，占比达到28%；生态保护绿地（ECG）保持稳定增长，反映了将绿色基础设施与多功能生态空间相结合的建设趋势。

研究还发现不同空间尺度上UGS的变化存在显著差异。城市核心区绿地面积从44.48km2增长到113.44km2，增长约155%，但绿地比例稳定在6.3%-6.6%之间；近郊区UGS在2014-2017年间快速增长，从462.95km2增长到约570km2，之后缓慢增长到2023年的620.43km2；远郊区绿地扩张最为明显，从403.27km2增长到995.60km2，增长超过一倍。

在研究讨论部分，作者特别强调了ERNIE模型在中文短文本分类中的优势。与BERT模型相比，ERNIE在预训练阶段融入了丰富的语义知识，并使用了更大的中文语料库进行训练，增强了其捕捉中文语境语义细微差别的能力。ERNIE采用了基于知识图谱的预训练目标，增强了实体关系理解和语义理解能力，在中文POI数据短文本分类中表现出更好的性能，训练准确率达到94.1%，优于BERT模型的93.2%。

尽管本研究取得了重要突破，作者也指出了存在的局限性：一是仅选择了夏季的遥感影像数据，未覆盖其他季节，可能导致部分季节性植被的识别偏差；二是POI数据的社会功能分类依赖ERNIE模型，其分类效果可能受到数据质量和文本表达的影响；三是UGS的空间边界划分基于OSM路网数据，但路网与实际绿地边界可能存在偏差，造成空间精度的一定不确定性。

研究结论指出，本研究提出的多尺度UGS功能动态研究框架有效解决了过去研究的不足，为未来城市可持续发展决策提供了科学基础。该框架通过多尺度空间分割、U-NET神经网络提取、ERNIE模型重分类和多模态数据融合等技术手段，成功揭示了UGS的动态变化特征，促进了对城市可持续发展的全面理解。

未来研究方向包括进一步优化多模态数据融合方法，提高数据处理效率和分类精度；深入研究UGS的动态变化，包括长期趋势、季节变化、自然灾害影响等，以更全面地理解UGS的演变规律。这些研究成果不仅为上海市的城市规划提供了科学依据，也为其他城市的可持续发展实践提供了可借鉴的经验和方法。