整合机器学习与网络分析用于超大城市公园系统的空间分布评估与更新优先级排序

《Habitat International》：Integrating machine learning and network analysis for spatial distribution evaluation and renewal prioritization of mega-city park systems

　　

**摘要**

城市建成区的扩张与密集化加剧了公园资源有限性与日益增长的环境需求及居民对公园的需求之间的矛盾，导致快速扩张的超大城市对城市公园体系更新的持续需求。然而，可持续发展需求如何影响城市公园规划的机制鲜有以综合性和整体性的方法加以归纳。因此，了解如何科学合理地构建城市公园体系以支撑城市生态质量并满足市民需求至关重要。本研究借鉴了15个追求生态可持续性与城市发展整合的大城市的发展经验，构建了一个公园网络类型预测与更新优先级的多维度框架。利用基于最短路径成本的Dijkstra算法构建城市公园体系模拟模型，并通过相关性分析方法，利用社会、经济、生态和空间指标构建预测模型指标体系。跨城市建模框架为识别公园体系模式与更新优先级提供了定量证据。在测试设置下，该模型对城市公园类型分类的整体预测准确率达到90%。逐城留一交叉验证在跨城市验证中产生了更为保守的0.762的平均准确率。在上海模拟中，与现有公园网络基线相比，模型推导的情景显示绿地服务率平均提高了6%，累积人口覆盖率提高了23%。研究结果为可比的高密度超大城市背景下的公园体系更新优先级提供了基于情景的规划证据。

**引言**

全球范围内，居住在城镇地区的人口比例将从2010年的50%增加到2050年接近70%（Haaland & van den Bosch, 2015）。联合国预计到2030年，全球60%的人口将居住在城市地区，而这一巨大的人口转变有近90%集中在亚洲和非洲（Economic & Affairs, 2019）。这将导致城市建成区的扩张与密集化。在城镇化过程中，城市公园对城市的生态完整性贡献显著，提供诸如改善环境质量（Lu et al., 2024）、为社区互动提供动态空间、缓解居民心理和生理压力等重要服务。这些效益共同改善了公众健康结果，凸显了城市绿地空间在现代城市规划中的多方面价值。因此，在人口稠密的超大城市中，由于土地稀缺和自然资源有限，提供可及的公园绿地成为城市基础设施的必要组成部分（Wolch et al., 2014）。城市公园体系的优化已成为城市研究的前沿主题，特别是在最活跃的区域（Korkou et al., 2023），在这些区域，解析城市公园体系的缺陷并制定策略以应对城市规划挑战、实现城市可持续发展目标至关重要（吴志强等, 2023）。

城市规划者和政策制定者面临着一项复杂任务——优化城市公园的分配，这是确保公共服务空间公平并推动更广泛的可持续发展目标的关键努力。尽管已有若干研究探讨了影响公园布局的各种因素，但城市公园的空间分布和均等性往往与人口密度不成比例，也不能反映社会经济地位的差异（Xiao et al., 2019）。虽然这些研究已经认识到全面公园体系规划的必要性（Guo et al., 2024）并强调了其对塑造城市环境的重要性，但它们的评估仍然相对局部。许多现有评估通过特定维度（如可达性、连通性、服务覆盖或生态绩效）来考察公园供给。这些研究推进了对城市公园作为公共服务设施和生态基础设施的理解，但对城市环境的评估越来越需要整合多源数据和细粒度的人地互动（Hong et al., 2026; Zhao et al., 2023）。然而，当公园类型、空间背景和规划目的未被共同考虑时，它们可能仍然只能部分解释公园的分布（Yang et al., 2025）。这可能限制了它们解释影响公园分布和可达性的经济、社会和人口因素间相互依赖关系的能力。例如，许多公园规划框架尚未充分考虑不同城市环境所特有的多样化社会经济和空间格局，包括生态条件的关键差异（Yang, Ren, et al., 2025）、人口密度（Neema & Ohgai, 2010）、经济增长轨迹、住房可负担性（Fan & Cheng, 2022）以及地区的自然地理特征（Dang et al., 2022; Jinguang Zhang & Zhao, 2018）。这一局限性促使需要一个能够共同考虑空间、社会经济和环境背景的框架。因此，现有评估可能会忽略城市空间结构、城市发展动态和社区需求之间的复杂互动关系——这些因素共同塑造了公园的可达性和功能性。

在稠密的城市区域中，城市公园的规划面临诸多挑战，特别是当城市密集化减少了新建公园的可用土地或导致现有绿地被移除时。在紧凑型城市概念下，城市公园的规划和管理是一个关键问题，因为这些空间为城市居民提供必不可少的效益，同时也是野生动物的重要栖息地（Ma et al., 2025）。城市公园的多功能性通常在与休闲、社会互动、美学、文化遗产和生态功能相关的语境中被强调。由于城市公园提供相当大的健康效益，对城市公园的可达性一直是与人类福祉相关的城市公园研究的中心议题。许多学者研究了如何在稠密城市中构建城市公园网络的方法。一些学者将人文与城市公园的关系作为网络构建研究的基础，例如（Huang et al., 2020）通过景观连通性、最小累积阻力模型、引力模型、核密度分析和电路理论构建了生态与人文景观网络。另一组研究则聚焦于生态网络构建。例如，X. Li et al. (2022) 应用了景观连通性指数、最小成本路径模型和廊道曲率分析来构建方法论。F. Wang et al. (2022) 应用了绿色基础设施网络的空间句法来构建GI网络（Haaland & van den Bosch, 2015），这为数不多的深入讨论稠密化城市公园规划挑战的研究之一，强调了将现有城市公园与新建环境整合，为不同用户群体提供服务并确保持有高质量城市公园的可达性。从规划角度来看，建成区的城市公园体系通常按其规模和设施分为口袋公园、邻里公园、社区公园和区域城市公园。这一分类为公园体系规划提供了有用的基础。然而，它未能充分考虑城市规模、设施条件、建成环境（Q. Zhang et al., 2025）以及塑造不同公园类型的本地发展背景之间的差异。

在揭示不同公园体系的结构和功能特征的努力中，一种广泛采用的策略是将现实世界系统表征为复杂网络（Sheikh Mohammad Zadeh & Rajabi, 2013）。复杂网络的图形表征是一种简单直接的方法，由一系列节点（顶点）和连接相关节点的边（链路）组成，即公园和公园之间的连接。因此，在城市空间中确定城市公园之间的最短距离是构建城市公园网络的关键方面。为确定最短路径，可应用图论和Dijkstra算法等方法与工具（Lotfi et al., 2021）。该算法通过考虑距离等多种因素来确定最短路径。在PYTHON等软件中实施该算法，可以实现快速准确的计算，以及路线的清晰可视化。NetworkX是一个用于创建、操作和分析复杂网络的Python包，其中调用的Dijkstra算法可有效地用于探索和分析网络和网络算法（Jovanovi? et al., 2024）。NetworkX已被广泛应用于城市领域。在城市领域，学者们主要利用NetworkX进行城市要素的空间构型方案（Zhu et al., 2025）。然而，图论方法在交通、基础设施可达性和公用事业网络研究中的应用比在城市公园网络系统的预测与更新中的应用更为频繁。综上所述，图论研究为表征公园间的空间关系提供了基础，而近期的大尺度地理研究扩展了环境城市和背景变量的测量，为将土地利用特征、功能评估和空间治理整合到城市规划分析中提供了新的视角（Chen & Liu, 2025; Zhao et al., 2026）。近期的机器学习研究也展示了其揭示复杂城市系统相关的非线性关系和细粒度空间模式的潜力（Chengzhi Zhang, Zhang, Wu, & Li, 2026; M. Zhang, Tan, et al., 2024）。近期的机器学习研究还展示了其在建模城市扩张与环境条件之间非线性关系方面的有用性（M. Zhang, Tan, et al., 2024）。然而，这些研究线索在复杂城市条件下同时分类公园类型、表征网络层级并识别更新优先级的模型中仍然整合不足。

为解决这些局限性，需要一种更具整合性和多维度的框架，将城市公园网络的空间结构与社会、经济、生态和空间条件联系起来，以揭示稠密超大城市中塑造公园类型和更新优先级的因素（M. Li et al., 2023）。尽管如此，那些在将生态可持续性整合到快速增长中相对成熟的大城市为考察公园网络模式提供了相关的比较案例。本研究详细考察了15个此类城市，分析了其公园资源的特征和空间分布。通过全面的定量分析，本研究寻求识别可转移的公园网络模式，以支持在类似稠密城市背景下基于预测的类型识别和更新优先级。鉴于这种情况，本研究聚焦于一种基于预测的城市公园网络框架，该框架整合了经济、生态、社会和空间指标，以在稠密城市背景下识别公园类型、候选位置和更新优先级。在本研究中，提出的多维度框架不同于传统的GIS叠加分析和独立的机器学习分类。基于GIS的分析用于提取和标准化空间变量，图论用于将公园表征为节点和边的关系网络，XGBoost用于识别公园类型与多维度城市背景之间的非线性预测关联，SHAP用于将模型输出转化为面向规划的解释。选择XGBoost是因为预测任务涉及异质的表格变量和非线性预测关系，而引入SHAP是为了使模型输出对规划分析具有可解释性。

更具体地说，本研究的目的是：（1）基于最短路径和最近邻关系构建城市公园网络；（2）通过整合社会、经济、生态和空间变量发展预测指标体系；（3）通过上海案例模拟评估模型的规划支持性能。本研究提供了一种有效的方式来探索地方城市生态学，通过城市公园网络预测，使城市规划者和环境研究者能够制定相关的空间规划和实验策略。

**章节片段**

**方法与材料**

本研究由三个主要部分组成，如图1所示：在初始阶段，构建了一个城市公园网络，以表征公园之间的空间关系，并将其与经济、生态、社会和空间指标整合。随后，本研究考察了该网络的特性，阐述了这些特性如何影响城市动态的机制。这一分析使识别关键指标及其在城市公园网络预测模型准确性中的运作模式成为可能。

**城市公园网络预测模型的准确性**

基于使用NNG构建的城市公园网络，利用机器学习模型对公园类型进行分类和预测，输入包括邻近公园类型、空间位置信息、经济特征和邻近区域的基本条件。随后，确定了这些边上潜在的公园类型。

表5aa总结了随机森林（RF）、支持向量机（SVM）和XGBoost模型的整体准确率、召回得分和性能指标。

讨论
本研究基于机器学习与图论模型，提出了一种基于预测的规划支持方法，从城市可持续发展视角识别潜在的超大城市公园布局优先级。编译了来自 15 个生态城市和超大城市的综合数据集，以促进模型训练。此外，将该模型应用于上海，通过服务覆盖指标比较现有公园规划场景和模型推导出的规划场景。

结论
本研究提出了一种城市规划框架，基于城市可持续发展目标优化城市公园系统规划。由于难以理清公园系统与影响变量之间复杂动态关系的挑战，以及传统城市公园研究的局限性，城市公园系统规划一直未能有效应对城市发展的替代性视角需求。

CRediT 作者贡献声明
赵子晨：写作——审阅与编辑，写作——初稿，方法论，形式分析，概念化。邹益轩：写作——审阅与编辑，写作——初稿，可视化，软件，形式分析，数据整理。吴志强：资源，项目管理。张修宁：调查，数据整理。周诗琪：写作——审阅与编辑，概念化。

利益冲突声明
作者声明，他们不存在任何已知的竞争经济利益或个人关系，这些关系可能会影响本文所报告的工作。

致谢
作者感谢副主编和匿名审稿人提出的宝贵评论和建设性建议。
本研究由国家自然科学基金 [资助编号：52508078] 和上海自然科学基金项目 [资助编号：25ZR1402513] 资助。

赵子晨|邹益轩|吴志强|张修宁|周诗琪