基于可达性与机器学习的长沙市公园绿地选址优化

《Sustainability》：Optimization of Park Green-Space Site Selection in Changsha Based on Accessibility and Machine Learning

　　

精细尺度的城市公园选址是保障居民公共服务空间公平性和推动城市生态空间可持续发展的核心措施。在相关任务中，平衡绿地供需是维持城市人类福祉和生态系统长期稳定性的重要基础。绿地供给被定义为城市内现有各类城市公园的存量，而绿地需求则基于长沙市居民社区生成的网格进行量化。现有关于城市公园选址的研究缺乏全流程耦合框架，未能适应多层级公园的差异化布局需求，也难以协调城市绿地系统的可持续运行和长期生态赋能。本研究以长沙市主城区为研究范围，将研究区域划分为网格单元，分析绿地可达性的空间分异并识别服务盲区。采用XGBoost模型预测适宜进行绿地建设的区域，并应用NSGA-III算法实现涵盖服务效率、生态效益和土地开发成本的协同多目标优化。结果表明，长沙市中部社区公园的15分钟步行覆盖率仅为57.29%。分别有34.52%和41.04%的居民社区对城市公园和森林公园的可达性水平低于全市平均水平，外围城区绿地供给短缺问题突出。本研究优化筛选出28个社区公园候选地块、12个城市公园候选地块和8个森林公园候选地块。所提出的方案有效缩小了全市绿地可达性差距，并协调了生态保护与土地开发成本。与依赖单一模型或两阶段耦合框架的研究相比，本文构建了从供需状态评估到多目标布局决策的系统化工作流程，实现了多层级公园的差异化优化布局。该集成框架有效提升了城市绿地系统的空间韧性和资源利用效率，促进了城市人居环境的高质量可持续升级，并为多层级城市公园布局和精细化多目标规划提供了可参考的创新方法。

**研究背景与问题**
城市绿地作为城市生态系统的重要组成部分，对优化人居环境、提升城市空间韧性具有关键作用。然而，在快速城镇化背景下，中国城市普遍存在绿地空间分布与居民需求严重错配的问题：大量高密度老旧住宅区和城中村无法满足15分钟步行可达城市公园的标准，导致绿地服务资源分配不公。同时，现有研究多采用单一技术工具（如GIS网络分析、两步移动搜索法、机器学习或NSGA-III算法），缺乏全流程耦合框架，未能适应多层级公园的差异化布局需求，也难以同时协调生态保护、可达性提升与土地集约利用等冲突目标。因此，平衡绿地供给与需求、实现公园选址的精细化和多目标优化，成为城市绿地规划中的关键且紧迫的研究挑战。本研究以长沙市主城区为例，旨在构建一个集可达性评估、适宜性预测与多目标优化于一体的系统化技术框架，解决现有研究不足，为多层级公园的精确定位提供创新方法。论文发表在《Sustainability》。

**主要关键技术方法**
研究人员采用高斯两步移动搜索法（Gaussian-2SFCA）量化绿地空间可达性，以识别服务盲区；利用极端梯度提升（XGBoost）算法，基于坡度、高程、生态敏感性、归一化植被指数（NDVI）和路网密度等自然背景特征，预测不同公园类型的建设适宜性；应用第三代非支配排序遗传算法（NSGA-III）对社区公园、城市公园和森林公园分别设定差异化优化目标（如服务效率、人口覆盖、可达性、生态效益、土地开发成本等），进行多目标协同优化，最终生成帕累托（Pareto）最优解集。样本数据来源于长沙市主城区（含芙蓉、天心、岳麓、开福、雨花、望城六区及长沙县），共划分394,331个100 m×100 m网格单元，并基于安客居平台获取5,931个居民社区点以量化需求。

**研究结果**
**4.1 长沙市公园绿地可达性评价结果**
- **4.1.1 社区公园可达性评价**：通过OD成本矩阵和最近邻算法，以15分钟生活圈（1000 m网络距离）为搜索阈值，结合高斯衰减函数，计算得出仅57.29%的居民社区（3398个）在阈值内可达社区公园，42.71%的社区存在可达性不足，表明外围城区绿地供给严重短缺。
- **4.1.2 城市公园可达性评价**：以机动车出行方式搜索，34.52%的居民社区可达性低于全市平均水平，表现为“高需求-低可达性”的空间错配模式，主要集中在新建扩展区，路网稀疏加剧了出行成本。
- **4.1.3 森林公园可达性评价**：41.04%的居民社区可达性低于全市平均水平，湘江以东多个乡镇形成大面积“高需求-低可达性”区域，因森林公园分布集中且受自然条件限制，仅能通过优化路网或补充其他类型公园改善服务。

**4.2 长沙市公园选址分析结果**
- **4.2.1 公园建设适宜性评价**：构建三个独立的XGBoost模型，预测输出分为四级（高度适宜0.9-1.0、中度适宜0.7-0.9、一般适宜0.5-0.7、不适宜<0.5）。社区公园、城市公园和森林公园的适宜网格数分别为16,049、39,431和24,716。模型验证总体一致性超过88%，F1-score分别达到0.948（SMOTE采样，阈值0.6）、0.948（Under采样，阈值0.5）和0.966（SMOTE采样，阈值0.5）。
- **4.2.2 NSGA-III多目标优化结果**：
- **社区公园**：以人口覆盖、可达性和设施服务效率为目标，优化筛选出28个候选地块，优先布局于服务盲区，提升空间公平性。
- **城市公园**：以设施服务效率、可达性和土地开发成本为目标，筛选出12个候选地块，协调开发成本与公共服务效率。
- **森林公园**：以生态效益、植被质量和低人为干扰为目标，筛选出8个候选地块，严格避开生态敏感区，落实生态保护。
模型收敛诊断显示，超体积（HV）指标在100次迭代后趋于稳定，帕累托解集均匀分布，有效解决了单机器学习方法的空间集聚问题。

**讨论与结论**
讨论部分指出，该三阶段耦合框架（GIS空间分析、XGBoost机器学习、NSGA-III多目标优化）弥补了传统方法在供需诊断与优化搜索之间的脱节，实现了从现状诊断到可实施候选地块输出的全流程协同。然而，研究仍存在局限性：受数据可得性限制，采用静态横截面数据，未能反映人口和土地利用的时空动态；权重参数基于长沙市本地数据校准，向其他城市推广时需重新调整；NSGA-III在精细网格下计算开销较大。未来研究可融入手机信令等多源动态数据，开发轻量化改进算法，并引入居民主观游憩偏好，以完善动态通用的绿色空间智能选址系统。
研究结论部分翻译如下：大多数现有公园选址研究仅采用2SFCA、机器学习或NSGA-III中的单一工具，或仅构建两阶段耦合流程，常见问题包括供需诊断与优化搜索脱节、未能区分不同层级公园的布局需求。本研究开发了集成三种方法的系统框架：首先量化分类公园的15分钟可达性差距；其次高精度识别差异化建设适宜网格；最后为社区公园、城市公园和森林公园定义专属优化目标，生成帕累托最优解。该框架实现了从基线状态诊断到可实施候选地块输出的全流程，解决了传统技术工具碎片化应用的问题。主要结论如下：在空间公平性方面，优化方案将社区公园15分钟覆盖率从57.29%提升至新选址填补了外围城区服务缺口，显著缩小了公共绿地资源差距。在生态效益方面，优化布局严格避开生态敏感区，新选址优先配置于生态背景良好、连通性强的区域，防止了公园建设对原生生态空间的破坏。该集成框架有效降低了传统规划中经验判断的主观偏差，为其他城市公园选址提供了方法参考，并为国土空间规划体系下的城市基础设施精细化布局提供了技术支撑。