利用大语言模型解码多模态社交媒体数据，揭示中国成都农业景观的休闲服务功能

《Journal of Environmental Management》：Decoding multimodal social media data with LLM to reveal agricultural landscape recreational services in Chengdu, China

　　

• 整合多模态社交媒体数据与大语言模型以映射农业景观休闲服务（ALRS）。
• 结合感知数据与轨迹数据以捕捉已实现的休闲模式。
• 使用地理加权回归-特征重要性分析（GWRF-SHAP）揭示对ALRS的非线性影响。
• 将农业景观划分为四种类型以优化大都市区域。

引言

在乡村多功能转型的驱动下，城市居民对自然体验、文化景观和户外休闲的需求日益增长，乡村正逐渐成为城市人口的重要休闲目的地（Romagosa, 2020）。作为环境因素与特定区域社群活动长期互动所形成的文化景观，乡村景观因其生产性土地、聚落格局以及所提供的多重经济社会效益和生态系统服务而受到广泛关注（Scazzosi和Branduini, 2020）。然而，乡村在空间上是被定义的。随着旅游、居住、环境改善和休闲消费逐步进入乡村，粮食生产地位在相对意义上下降，而乡村作为消费对象的属性持续上升（Evans et al., 2002）。在此过程中，村庄可能保留其外部形态，却逐渐丧失其农业特征；土地利用强度较高的村庄在景观格局变化方面更为显著，真实性水平更低（Xi et al., 2015），且这一趋势在大都市周边乡村空间中更为明显（Fang et al., 2024；Liu et al., 2026）。相比之下，农业景观更多地直接产生于持续的农业生产和其自然环境的长期互动。就构成而言，农业景观是指以农业生产为基本功能的土地，包括耕地、果园和农业设施用地，以及其中嵌入的沟渠、池塘、田间道路和农业聚落（Kang et al., 2026），而专为休闲目的创建的城市公园和绿地、土地功能属于林业的森林公园则不在此范围内。欧洲的政策与学术讨论还进一步要求农业活动在农场经营中保持对旅游活动的优先地位，并在此基础上区分真正依赖实际农业生产的农业旅游与不依赖实际农业生产的乡村旅游（Streifeneder, 2016）。因此，休闲使用并不改变这些景观的基本农业特征：只要农业生产与农业土地利用仍构成其主要的景观基础，包含休闲活动或设施的农业空间仍然在本研究范围之内。由于农业景观具有尤为突出的真实性和文化特质，联合国粮食及农业组织已在全球范围内认定了众多全球重要农业文化遗产系统，中国也率先发布了重要农业文化遗产管理办法，并推进国家农业公园建设，从而支持农业景观的可持续休闲利用。

长期以来，农业景观研究主要关注其在保障农产品供给方面的作用，对其生态、开放空间、景观、教育和休闲等功能关注不足（van Berkel和Verburg, 2014）。在大都市区域，这一取向尤其值得重新审视，因为农业景观正日益从以生产为导向的土地转变为整合生态调节、文化遗产和休闲服务的多功能系统（Peng et al., 2017），且休闲需求与土地利用冲突在此更为集中。首先，大都市周边的农业空间处于大规模城市人群日常及周末出行可达范围内，其潜在休闲需求具有距离短、频率高的特征（Wu和Cai, 2006）；随着城市内部自然空间持续缩减，这些区域逐渐成为城市居民寻求自然接触和户外休闲的重要补充（Hassan et al., 2022；Lin et al., 2024）。其次，临近城市也意味着非农业土地利用的更强竞争。快速的城市扩张使大都市和城郊农业面临耕地转化、边缘化和空间重构的压力（Follmann et al., 2021），休闲功能的开发因而发生在耕地破碎化、空间边界变动以及多种土地利用持续竞争的背景之下。第三，大都市农业景观的多功能转型与城市需求的耦合更为直接：城市居民对本地食物、环境质量、景观、休闲及其他社会服务的需求，是推动城郊农业从单一生产功能向商品与非商品服务联合供给转变的重要力量（Zasada, 2011）。这些特征意味着，大都市农业景观的休闲价值很难仅由农业土地的潜在景观资源来解释，它还取决于城市居民能否到达这些空间、是否选择进入和使用它们，以及农业景观、交通条件、服务设施和周边资源如何共同塑造其休闲体验。

关于农业多功能性和生态系统服务的研究为理解这些非生产性功能提供了理论基础。Barbieri和Valdivia（2010）将休闲视为农业多功能性的重要表现形式，表明农业空间可以在维持生产活动的同时容纳面向公众的休闲功能；Fleischer和Tsur（2000）进一步指出，农业用地除了生产食物和纤维之外，还可以提供开放空间、审美景观和文化保存等公共物品，并通过对游客实际出行选择来衡量农业景观产生的休闲价值。生态系统服务研究为这些功能提供了更为明确的概念框架。生态系统服务级联模型将生物物理结构和过程、由此产生的功能、服务以及用户获得效益区分为连续链接的阶段，意味着评估必须同时关注服务本身及其产生的过程（Potschin和Haines-Young, 2016）；景观服务概念则将这一链条延伸至景观尺度，使景观格局和空间配置成为服务形成的直接载体（Termorshuizen和Opdam, 2009）。在农业景观中，长期农业活动所塑造的土地覆盖格局、耕作方式、季节景观和半自然要素可以承载审美体验、文化遗产、休闲和旅游等文化生态系统服务。van Zanten等人（2014）对农业景观中的文化生态系统服务进行了空间量化和价值评估；Assandri等人（2018）进一步证实，农业景观的审美价值和文化遗产价值与特定景观特征密切相关，可以支撑休闲和旅游价值。这些研究表明，农业景观的休闲价值具有明确的物质和文化基础，其形成依赖于农业活动在长期过程中塑造和维持的景观结构、视觉特征和文化属性。

在这一理论脉络中，研究已从农业景观是否具有潜在休闲价值扩展到公众如何感知和实际获取这些服务。现有文献使用农业景观的休闲价值、农业景观的审美与休闲价值以及农业生态系统的休闲服务等概念来描述这一现象（Fleischer和Tsur, 2000；Mameno et al., 2024）。van Zanten等人（2016）从公众偏好的角度揭示了不同景观属性对农业景观审美与休闲价值的贡献；Mameno等人（2024）利用游客的手机数据衡量梯田农业生态系统的休闲服务价值，将分析拓展到实际访问行为。同时，生态系统服务的供给和传递可以通过能力、需求和流量等要素加以表征，其中能力指生态系统提供某项服务的长期潜力，流量指其实际产生和使用（Villamagna et al., 2013）；He等人（2022）分别在四种农业景观中识别了文化生态系统服务的供给、需求和流量，表明潜在服务能力并不意味着公众实际上已经获取了相应服务。基于上述理论与实证工作，本研究采用"农业景观休闲服务"（Agricultural Landscape Recreational Services, ALRS）作为农业景观及其休闲功能的操作化术语，指农业景观在持续农业土地利用基础上所提供的与公众休闲体验和实际使用相关的文化生态系统服务。ALRS并非独立于文化生态系统服务的类别；在CICES分类体系中，它对应于人与生态系统之间的物理和体验性互动类别（Haines-Young和Potschin-Young, 2018）。使用该缩写的目的是为了在单一分析中保持一致区分：一方面是基于景观条件推断的休闲潜力，另一方面是通过公众感知和实际访问形成的休闲服务。在本研究的分析框架中，农业景观的自然、空间和视觉特征构成休闲服务形成的环境基础，而公众对目的地的关注、风景感知、情感评价和实际休闲活动则从不同方面反映这些服务被感知和使用的程度。

尽管农业景观的休闲价值已获得持续关注，但现有研究仍存在两个不足。第一，大多数研究集中于潜在服务供给，通常通过景观格局、土地利用类型或自然环境属性来评估休闲潜力（Pe?a et al., 2015）。这类方法可以识别休闲资源的空间分布，但难以说明潜在价值是否实际转化为公众感知和休闲活动。随着文化生态系统服务研究从单纯的供给评估转向需求、服务流量和人地互动（He et al., 2019；Li et al., 2022；Zhao et al., 2024），从公众感知、评价和实际使用的角度识别ALRS的实现程度已成为理解农业景观社会价值的关键问题（Balázsi et al., 2021）。第二，现有研究在很大程度上以线性方式刻画景观条件与休闲服务之间的关系，并假定这种关系在整个研究区域内是一致的，因而其非线性特征和局部空间差异仍未得到充分考察。

数据限制是导致第一个不足的重要原因。ALRS的实证研究传统上依赖面对面访谈（van Zanten et al., 2016a）、问卷调查（van Berkel和Verburg, 2014）以及公众参与式地理信息系统（Enrica et al., 2023）。这些方法受到样本量有限、空间覆盖不均和劳动密集型数据采集的限制，其结论主要反映局部条件。作为传统数据源的新兴扩展，社交媒体数据可以支持大规模、高分辨率的空间分析（Krajewski et al., 2026），并已成为评估大规模公众休闲感知的重要来源，例如通过微博和小红书上的用户评论解读北京核心区域公园的公众感知（Zheng et al., 2026）。然而，用户生成内容（UGC）主要包含照片和文字帖子等静态且选择性共享的材料，缺乏用户在真实环境中连续移动的记录，难以揭示休闲路线和时空行为模式。相比之下，用户生成轨迹（UGT）平台如两步路、Keep和Strava记录了用户在真实空间中的移动路径和活动（Zhang et al., 2025），可以回答人们在何处进行休闲活动以及他们如何在景观中移动的问题。这表明需要将多源数据整合起来，以便同时捕捉嵌入在文本和视觉内容中的感知偏好以及移动轨迹中反映的行为模式。

方法论限制同时制约着上述两个不足。在内容解读方面，文本分析主要依赖SnowNLP等自然语言处理方法，这些方法主要基于分词和词频统计，缺乏上下文语义理解（Shao和Chung, 2024）；图像分析主要使用ResNet和DeepLab等模型来识别景观要素及其比例组成（Zhang et al., 2021），这些模型高度依赖预定义的训练类别，在场景理解和空间感知方面受到限制。在空间归属方面，解读后的社交媒体内容通常使用签到坐标进行定位（Li et al., 2022），文本数据难以与非结构化内容中的地名建立关联（Stock et al., 2022），而图像数据可能因单张图片描绘不同的空间对象而导致感知内容与地理位置之间的空间错配（Gosal和Ziv, 2020）。

大语言模型（LLMs）在这方面提供了新的可能性：它们可以通过在网络语料库上进行微调来匹配用户生成内容的语言风格和语义背景，从而提高情感预测性能（Bai et al., 2026b）；多模态大语言模型（MLLMs）可以根据预设提示自动识别和评估关键景观特征（Zhang et al., 2026），并通过整合上下文信息来提高空间解释和地点识别能力。它们已被用于解码在线评论以评估公园可达性的不平等状况（Song et al., 2026），以及提取历史城市空间的感知模式（Zhu et al., 2025）。在关系建模方面，随机森林和XGBoost等方法通常将研究区域视为空间同质系统，无法捕捉驱动因素的空间异质性（Gao et al., 2026; Yang et al., 2025）；而地理加权随机森林（GWRF）通过在每个位置构建局部模型来揭示解释变量影响的空间差异（Chen et al., 2025），并与Shapley加性解释（SHAP）相结合，可以更稳健地解释非线性效应和变量交互作用（Yang et al., 2025）。此外，现有研究主要关注以休闲为导向的景观类型，如城市绿地（Chen et al., 2025）和森林公园（Zheng et al., 2025），而针对超大城市ALRS的系统研究，以及适应不同区域条件的差异化优化策略，仍缺乏深入探索。鉴于这些研究空白，本研究以成都为案例区域。成都的农业基础、城市化进程以及休闲农业的发展，共同构成了研究都市农业景观休闲服务的重要实证背景。首先，成都的地形从西部山区经中部平原过渡到东部丘陵，地势变化显著，全市海拔从约359米到5364米不等，使得不同地貌单元之间的农业生产条件和农业景观形态存在明显差异，这有助于理解在不同地理条件下农业休闲服务如何形成和分化。其次，成都具有较长的休闲农业利用传统，是中国农家乐和城郊乡村旅游发展的代表性区域（Erkang et al., 2022）；对农科村和三圣花乡等案例的研究也识别出了差异化的休闲农业发展模式（Lu and Yujun, 2017）。第三，成都同时面临着保持农业生产基地与适应都市空间扩张之间的现实张力。Li et al.（2024）对成都建设用地和农田景观变化的研究表明，快速城市化导致了农田的显著流失和碎片化，并加剧了农田保护与城市发展之间的矛盾。与此同时，成都的公园城市规划明确提出保护成都平原沃土、严格实施农田保护，促进生态空间与生产、生活空间的衔接，同时发展都市农业和乡村旅游。因此，农业景观如何在继续履行生产功能的同时响应都市居民的休闲需求，已成为成都城乡空间治理中的现实问题（Li et al., 2024），这一经验也为全球城郊农业景观的可持续休闲发展提供了参考价值。

据此，本研究从公众感知和休闲行为角度出发，试图回答三个问题：a）如何准确量化ALRS的多维公众感知；b）哪些关键因素塑造了ALRS感知的形成，这些关系背后存在怎样的非线性和空间异质性机制；c）如何基于识别出的感知特征和驱动机制制定农业景观休闲服务的针对性优化策略。为回答这些问题，本研究借鉴了上文所述的生态系统服务级联和景观服务框架，并结合环境-行为研究，将休闲感知视为公众、休闲行为与景观环境交互作用的结果（Qi et al., 2024; Scholte et al., 2018），构建了ALRS感知与行为响应的分析框架（图1）。在服务实现层面，整合REDnote和2bulu数据，利用大语言模型共同解读文本、视觉和轨迹信息，通过目的地热度、情感偏好、景观感知和休闲活动强度来空间化地表征ALRS。在环境基础层面，遵循生态系统服务驱动因素的研究（Fagerholm et al., 2019; Wagner and Gobster, 2007; Zwierzchowska et al., 2018），构建包含地形、植被和景观结构等自然条件（Ying et al., 2024）以及可达性、服务设施和周边资源等建成环境变量（Zhou et al., 2026）的特征矩阵。在关系表征层面，应用GWRF识别环境变量与ALRS之间的空间异质性关系，并支持大都市尺度的空间预测（Enrica et al., 2023），同时利用SHAP揭示环境变量在不同区域的贡献度、方向和非线性效应。本研究由此建立了一条连接感知与行为识别、环境特征表征、空间预测和机制解释的分析路径，拓展了农业景观文化生态系统服务评估的多模态方法，并为大都市区域的空间优化和差异化规划提供了依据。

**案例研究区域**

成都位于中国西南部，是全国最大的都市区域之一，面积约为14,335平方公里（图2）。该区域呈现出从西部山区向东部的平原和丘陵过渡的显著地形特征。成都属于亚热带季风气候，得益于历史悠久的都江堰灌溉系统，发展了以农田、水道、林地和农村居住区为主导的高产农业景观。

**变量选择与机器学习模型性能比较**

如图S1所示，变量筛选结果显示PD与NP之间存在完全共线性，因此将NP排除在后续建模之外。Slope（坡度）、Relief（相对高差）和Roughness（粗糙度）之间也存在强共线性，因此仅保留Slope来代表地形条件。尽管部分剩余变量表现出中等相关性，但所有方差膨胀因子（VIF）值均保持在可接受阈值范围内。鉴于GWRF模型对……具有很强的耐受性。

**探索ALRS非线性驱动机制的必要性**

特征重要性、SHAP解释和非线性响应分析的综合结果表明，成都的ALRS源于景观结构、可达性和活动嵌入性之间的交互作用。重要的是，这些关系具有很强的非线性特征，表明ALRS并非随着环境条件或资源可用性的改善而按比例增加。以往基于线性回归或相关性分析的研究通常强调正向的……

**结论**

本研究以成都为都市案例，建立了ALRS评估的多源框架，并应用机器学习方法识别关键环境驱动因素和非线性关系。

a）景观结构、可达性和地形条件共同塑造了ALRS。在所有变量中，PD（景观多样性）、农业休闲设施可达性、海拔和旅游景点可达性的重要性最高。结果表明ALRS的涌现……

**作者贡献声明**

张佳丽：论文审阅与编辑、原创草稿撰写、可视化、验证、软件、资源、方法学、调查研究、形式分析、数据整理、概念构思。

辛荣宏：论文审阅与编辑、资源、调查研究、形式分析。

王浩华：论文审阅与编辑、资源、方法学、调查研究。

周建华：论文审阅与编辑、概念构思。

白兆城：论文审阅与编辑、软件、方法学。

杨清远：……

**利益冲突声明**

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**

本研究得到中央高校基本科研业务费（项目编号：SWU2609101）的资助。

张佳丽|辛荣宏|王浩华|周建华|白兆城|杨清远