《Frontiers in Environmental Science》：Does higher bird richness correspond to more positive Weibo-derived bird-related sentiment? Spatial mismatch between bird species richness and Weibo-derived sentiment
编辑推荐：
引言：随着城市发展加剧，城市鸟类多样性与社交媒体上鸟类相关情绪表达之间的关系受到关注，但在城市内部空间对应关系及其驱动因素方面证据仍有限。方法：研究人员以上海为案例，整合2022至2024年4142条鸟类相关微博评论、524005条公民观鸟记录、百度街景图像和
引言：随着城市发展加剧，城市鸟类多样性与社交媒体上鸟类相关情绪表达之间的关系受到关注，但在城市内部空间对应关系及其驱动因素方面证据仍有限。方法：研究人员以上海为案例，整合2022至2024年4142条鸟类相关微博评论、524005条公民观鸟记录、百度街景图像和多源环境数据，在500 m × 500 m网格上测度鸟类相关情绪表达与物种丰富度，识别空间错配，并采用XGBoost、SHAP和GeoShapley检验关键驱动因素与空间异质性。结果：物种丰富度与鸟类相关情绪表达均呈显著空间聚集，但空间格局吻合度低；象限分析显示低丰富度—低情绪区占45.77%，低丰富度—高情绪区占35.90%，高丰富度—低情绪区仅5.27%，存在明显空间错配；平均温度、相对湿度、空气质量、地表温度和平均降水对两个指标均有较强影响，但作用大小与空间分布不同。讨论：栖息地改善未必自动提升鸟类相关情绪表达，城市规划需将生态恢复与日常鸟类相关体验相融合。
研究背景方面，快速城市化持续改变城市生态系统并重塑人自然关系，城市鸟类作为城市生态状况指示物种被广泛研究，既有文献表明住宅区周边更高鸟类多样性通常与更好心理健康相关，蓝绿空间结构更完整、干扰更低通常支持更高鸟类多样性。然而，实际生物多样性并不总转化为积极人类体验，感知生物多样性可能与调查所得物种丰富度不同，城市公园中野生动物保护价值与访客福祉也不一定同向变化。已有研究多分别关注鸟类栖息地分布或绿地景观带来的泛化自然体验，少有在城市内部精细尺度上把公民记录所得鸟类物种丰富度与社交媒体鸟类相关情绪表达放在统一空间框架中比较，因此存在“生态供给”和“情绪表达”可能空间分离的研究空白。研究人员据此以上海为案例开展研究，目的是揭示鸟类物种丰富度与新浪微博衍生鸟类相关情绪（Weibo-derived sentiment）是否空间一致，识别错配类型，并解释环境与街景因素的作用，论文发表于《Frontiers in Environmental Science》。
关键技术方法方面，研究人员使用上海2022至2024年新浪微博带定位鸟类相关评论与中华鸟类报告中心公民观鸟记录，经去重、去广告、去宠物鸟及非体验文本后分别得到4142条评论与524005条记录；街景端沿OpenStreetMap（OSM）路网每50 m采样，用Mask2Former做语义分割得到水域率（Aquatic rate, AR）、开阔度（Openness, OP）、绿视率（Greenness, GR）和围合度（Enclosure, EN）；情绪端以ERNIE生成中文文本语义表示，再用长短期记忆网络—卷积神经网络（LSTM-CNN）混合模型输出?10至10连续情绪强度；空间上把物种丰富度与情绪指数做Z-score标准化并作四象限分类，配合Global Moran’s I、XGBoost、SHAP与GeoShapley分析非线性与空间异质驱动。
研究结果部分，2.1 研究区显示上海兼具密集建成区、滨水空间、城市公园与崇明东滩等湿地候鸟栖息地，采用WGS 84/UTM 51N投影与500 m × 500 m网格统一集成数据。2.2 分析框架表明数据获取、特征提取与指标构建、空间与非线性分析三部分可把观鸟记录、微博情绪、街景指标和环境变量纳入同一框架。2.3 数据与指标构建中，2.3.1 微博数据采集与情绪指数构建通过广关键词检索和带坐标过滤，用插值而非零值填充无评论网格，说明微博情绪表面可与物种丰富度同尺度比较；2.3.2 观鸟数据采集与物种丰富度计算显示清洁后记录覆盖21目74科513种，物种丰富度按网格内出现物种数计算并经插值补充；2.3.3 环境变量与街景指标提取表明21个变量分气候生态、环境景观、人类活动三维，其中AR、OP、GR、EN为行人尺度三维感知指标，其余为二维遥感或空间数据。2.4 空间与统计分析中，2.4.1 LSTM-CNN混合模型以ERNIE作预训练中文语义输入，人工标注500条验证总体准确率0.898、加权F1 0.898；2.4.2 鸟类物种丰富度计算说明公民科学数据经质量控制后可支持城市尺度评估，并用报告数作观测努力敏感性分析；2.4.3 丰富度—情绪指数匹配与象限分类以标准化后0为阈值分出高丰高情、低丰高情、低丰低情、高丰低情四类；2.4.4 Global Moran’s I显示两指标各自聚集；2.4.5 XGBoost建模与SHAP可解释分析前以方差膨胀因子（Variance Inflation Factor, VIF）检共线性，所有预测变量VIF低于5，模型可解释性分析得以稳健进行。
讨论与结论部分，研究人员指出实际鸟类存在并不自动产生积极鸟类相关情绪，生态恢复若只提高物种丰富度而不改善可进入、可感知、可日常邂逅的鸟类体验，仍可能出现高丰富度—低情绪空间。平均温度（AT）、相对湿度（RH）、PM2.5、归一化植被指数（NDVI）、地表温度（LST）和平均降水（AP）等背景环境同时影响生态端与情绪端，但方向、幅度与空间分布不同，街景端AR、OP、GR、EN则补充了行人视角下为什么某些低丰富度空间仍产生高情绪。研究意义在于把公民科学、社交媒体与计算机视觉结合，证明城市规划不能把“有更多鸟”等同于“人们更爱自然”，应将栖息地改善与日常鸟类相关体验设计一并纳入。
结论翻译为：这些发现表明，栖息地改善可能不会自动增强鸟类相关情绪表达，并凸显出在城市规划中把生态修复与日常鸟类相关体验相整合的必要性。
