从在场到感知：利用人工智能驱动的穿戴式眼动追踪设备量化人类对城市绿地的参与度

《Urban Forestry & Urban Greening》：From Presence to Perception: Quantifying Human Engagement with Urban Greenery Using an AI-Powered Wearable Eye-Tracking Device

　　

摘要

城市绿化越来越多地被认可为心理恢复、压力减轻和整体福祉的潜在决定因素；然而，现有的绿色度指标仅捕获了客观可及性，而非个体层面对绿色空间的视觉注意力。本研究引入了一种新颖的方法，将可穿戴眼动追踪与基于AI的计算机视觉相结合，以量化日常移动过程中被动（可及性）和主动（基于注视）的绿化暴露。44名参与者在弗吉尼亚州布莱克斯堡完成了一条预定义的步行或驾驶路线，同时配备Pupil Labs可穿戴设备。被动和主动暴露水平在每帧视频（约1/30秒间隔）中进行了测量。与驾驶相比，步行与更高的主动暴露以及可及绿化与基于注视的注意力之间更强的对齐有关。空间分析显示，步行期间对城市绿色空间的视觉参与呈现分散模式，而驾驶期间则呈现基于路口的视觉参与模式。这些发现强调了在暴露评估中区分环境可及性与视觉注意力的重要性，并表明注意力感知指标可以补充城市与公共卫生研究中的现有绿色度指标。

引言

人类暴露于城市绿地越来越多地被认可为身体和心理健康结果的潜在决定因素。特别是，与公园、林荫大道和其他形式的绿色植被的视觉参与与压力降低、情绪改善和认知功能恢复有关（Thompson等，2016；Twohig-Bennett和Jones，2018；Ulrich等，1991）。最近的研究进一步将居住地较高的绿色度与心血管死亡率降低、出生结果改善以及抑郁和焦虑患病率降低联系起来（Dadvand等，2012；James等，2016；Nieuwenhuijsen等，2017；Rigolon等，2018）。越来越多的研究通过将绿地定位为促进公共卫生的基本社区基础设施，改变了城市设计思维。生物亲和城市设计、世界卫生组织城市绿地指南和15分钟城市运动等规划举措将绿地作为生态和社会基础设施加以整合，反映了城市在福祉和可持续性方面方法的更广泛转变（Beatley，2016a；Europe，2017；Moreno，2024）。

尽管许多研究试图调查绿地暴露与健康结果之间的联系，但仍有一个关键的方法论挑战未得到解决。个体与绿地互动的地理环境与积极健康结果之间的联系或贡献程度尚不清楚（Chen和Kwan，2015；Liu等，2025；Liu等，2023；Mei-Po Kwan，2012；Song等，2025）。这个挑战被称为不确定地理环境上下文问题（UGCoP），是绿地暴露评估中的一个基本方法论问题，它表明环境暴露对健康结果因果效应发生的个体地理上下文是不确定的（Chen和Kwan，2015；Liu等，2025；Liu等，2023；Mei-Po Kwan，2012；Song等，2025）。UGCoP表明，环境因素（例如绿地）直接或间接影响个体健康结果的时空不确定性存在（Chen和Kwan，2015；Liu等，2025；Liu等，2023；Mei-Po Kwan，2012；Song等，2025）。时空不确定性基于这样一个前提：个体表现出复杂的移动模式以从事各种活动（例如工作、上学、购物、锻炼）（Chen和Kwan，2015；Liu等，2025；Liu等，2023；Mei-Po Kwan，2012；Song等，2025）。因此，不考虑与人类移动模式相关的个体综合地理环境的暴露评估可能导致UGCoP（Chen和Kwan，2015；Liu等，2025；Liu等，2023；Mei-Po Kwan，2012；Song等，2025）。

尽管最近的UGCoP研究集中在与人类移动模式相关的时空不确定性上，但另一种关键的来源——视觉感知——却相对较少受到关注。以往的研究通常假设绿地的存在就足以使暴露发生（Engemann等，2018；Gyanwali等，2025；Kumakoshi等，2020；Lanini-Maggi等，2021；C.-C. Li等，2023；Li等，2021；Li等，2015；Liang等，2022；Zhang等，2023）。然而，在绿地暴露与健康结果关系的背景下，仅仅被绿地包围并不一定会导致对这些空间的视觉参与。环境心理学和认知神经科学的研究表明，绿地的潜在恢复益处可能取决于感知机制，特别是视觉注意力。例如，注意力恢复理论提出，自然环境通过"软迷恋"支持认知恢复，在这种机制中，绿色植被温和地吸引注意力，使定向注意力得以补充（Kaplan和Kaplan，1989）。

此外，感知负荷理论表明，注意力资源是有限的，并根据任务需求而变化（Lavie，2006）。在测量个体在不同地理设置中的绿地暴露的背景下，交通方式（例如驾驶与步行）可能会影响个体如何视觉感知绿地。具体而言，驾驶通常施加与导航和安全相关的高认知需求，而步行涉及较低的任务需求并允许更大的视觉灵活性。因此，驾驶时绿地可能可见但仅获得有限的注意力处理，而步行则可能促进绿地可及性与视觉参与之间的更强对齐。

这些理论共同为区分被动暴露与主动暴露提供了概念基础。与传统的被动暴露方法不同，所提出的主动暴露方法结合了基于注视的视觉参与，这可能因交通方式而异。它考虑了个体如何视觉感知绿地，并最终可能缓解与传统被动暴露方法相关的UGCoP。

低成本便携式眼动追踪技术的最新发展（Birenboim等，2021）使得在自然环境中准确测量主动绿地暴露成为可能。与模拟的室内实验室环境相比，这项技术能够实现更具生态效度的实验设置，为深入了解绿地暴露研究中的UGCoP创造了新的机会。例如，以往的研究利用眼动追踪技术证明了植被结构、透性、景观组成和空间排列可以影响视觉注意力、感知安全性和环境偏好（例如，Han和Lee，2022；C. Li等，2023）。虽然这些研究提供了信息，但它们主要依赖于受控图像、实验室设置或虚拟现实环境，可能无法完全捕捉人们在日常生活中如何视觉参与绿化。在本研究中，我们利用便携式眼动追踪设备来弥补这一局限性，通过考察现实世界设置中个体对绿地的视觉参与。

与此同时，新兴的基于AI的计算机视觉技术通过基于绿地视野指数（GVI）的方法推进了可见街道层面绿地的测量（Ki和Lee，2021；Zhang和Hu，2022）。这些方法比传统的二维绿色度指标（如NDVI或公园面积指标）更好地近似行人层面的视觉暴露。然而，基于计算机视觉的方法通常量化视觉场景中的绿化可及性，而非个体是否主动注视或视觉参与这些绿化。因此，它们并不能完全缓解绿地暴露评估中的UGCoP。为了弥补这一局限性，我们的研究整合了可穿戴眼动追踪、第一人称视频、GPS轨迹和基于AI的方法，以区分被动绿地暴露与主动视觉参与。

总之，AI驱动的可穿戴眼动追踪技术可以识别个体在移动过程中何时以及何地视觉参与绿化，使得能够按帧进行人类-绿地互动的高粒度量化（Zhu等，2022）。这种方法已应用于其他领域，包括导航（Lander等，2017）、地标学习（Lanini-Maggi等，2021）和与自行车相关的视觉注意力（Aasvik和Fyhri，2022；Gadsby等，2022）。然而，除少数研究外（例如，Erkan，2023；Fleming等，2024），它很少被应用于绿地暴露研究，尽管它有强大的潜力更准确地捕捉个体如何与绿化互动并最终缓解UGCoP。

在本研究中，我们引入了一种整合可穿戴眼动追踪技术与AI的新颖方法。所提出的方法区分了被动暴露（定义为存在的绿地量）与主动暴露（定义为个体视觉参与绿地的程度）。本研究的总体目标是引入一种在移动情境下测量绿地暴露的注意力感知框架，并通过涉及人类参与者的实地实验对其进行验证。具体而言，我们解决以下三个研究问题：

- RQ1. 在现实环境中，主动绿地暴露与被动绿地暴露有何不同？
- RQ2. 主动和被动绿地暴露如何受交通方式影响，特别是考虑到步行和驾驶的不同注意力需求？
- RQ3. 主动和被动绿地暴露如何随不同建成环境特征而变化？

在注意力恢复理论（Kaplan和Kaplan，1989）和感知负荷理论（Lavie，2006）的指导下，我们假设主动绿地暴露与被动绿地暴露存在显著差异。我们进一步假设步行将导致更高的主动暴露以及主动和被动暴露之间更强的对齐，而驾驶将限制与绿地的主动视觉参与。最后，我们假设被动和主动绿地暴露之间的差异将呈现空间模式，因为路线上不同的位置（例如安静的绿色廊道与交通繁忙的路口）涉及不同水平的注意力恢复和感知负荷。

节选段落

方法

本研究采用实地实验来评估个体在两种常见交通方式（步行和驾驶）下如何在城市环境中导航并与绿地互动。图1展示了研究设计概述。

参与者的基本信息

收集了人口统计信息，包括年龄、性别和种族，见表1。样本的社会人口组成严重偏向年轻亚洲研究生，在解释研究的普遍适用性时需谨慎。

主动和被动绿地暴露水平的结果

表2报告了出行时长和基于主动和被动方法得出的绿地暴露水平的描述性统计。平均出行时长为驾驶11.41分钟，步行14.13分钟。总体而言，

主要发现总结

本研究引入了一种新颖的行为知情方法来量化绿地暴露，利用了AI驱动的地理定位眼动追踪数据。传统指标，如归一化植被指数（NDVI）和基于街景图像的指数，估计的是周围环境中绿化的存在或密度，但并不直接测量个体的视觉注意力或感知参与（Fung和Siu，2001；Huang等，2024；Li等，2021；Wang等，……

结论

通过整合眼动追踪和AI技术，本研究引入了一种量化个体绿地暴露的新型人类-自然互动指标，弥合了环境结构与感知体验之间的差距。所提出的行为基础的绿地暴露评估方法具有缓解绿地暴露研究中不确定地理环境上下文问题（UGCoP）的强大潜力。随着越来越多的城市旨在促进心理健康和……

CRediT作者贡献声明

Junghwan Kim：审稿和编辑、原创草稿撰写、指导、方法论、资金获取、概念化。Shashank Karki：审稿和编辑、原创草稿撰写、形式分析。Jaehwan Kim：审稿和编辑、原创草稿撰写。Sophiya Gyanwali：审稿和编辑、原创草稿撰写、调查。Vaidhyanathan Chandramouli：审稿和编辑、原创草稿撰写、形式分析。Brendan David-John：

利益冲突声明

作者声明没有已知的竞争经济利益或个人关系可能会影响本文所报告的工作。

致谢

Junghwan Kim得到了弗吉尼亚理工大学社会、文化与环境研究所（ISCE）和4-VA（弗吉尼亚州进步协作伙伴关系）的支持。Brendan David-John和Michael S. Bloom也得到了4-VA的支持。OpenAI的ChatGPT仅用于辅助编码任务、网络搜索和语言润色，并未参与本稿件的智力内容。

利益冲突

我们确认本稿件的作者没有任何竞争……

Junghwan Kim|Shashank Karki|Sophiya Gyanwali|Vaidhyanathan Chandramouli|Brendan David-John|Michael S. Bloom|Jaehwan Kim
弗吉尼亚理工大学地理系