空间结构如何影响心理恢复？一种基于图神经网络和街景图像的方法
空间结构如何影响心理恢复？一种基于图神经网络和街景图像的方法
随着城市化进程的加快，城市环境对人类健康的影响日益受到关注。研究表明，城市环境中的空间结构对人们的心理恢复具有重要影响。本文介绍了一项创新研究，通过图神经网络（GNN）和街景图像分析，揭示了空间结构与心理恢复之间的关系，为城市规划和心理健康研究提供了新的视角。
研究背景与意义
注意力恢复理论（ART）提出了四个关键指标（远离、广度、吸引力和兼容性）用于理解城市和自然环境的恢复质量。然而，以往的研究大多依赖于孤立的问卷调查或图像分析，忽略了空间结构（场景实体之间的视觉关系）和邻近环境对恢复质量的影响。
本研究引入了一种基于空间依赖的图神经网络（GNN）方法，旨在填补这一空白，并探讨空间结构与城市尺度上恢复质量之间的关系。研究结果表明，空间依赖的GNN模型优于传统模型，取得了0.742的准确率（Acc）和0.740的F1分数，显示了其在捕捉邻近空间特征方面的卓越能力。
研究方法与数据
研究区域位于武汉三环内，收集了由OpenStreetMap (OSM) 提供的包括5075个道路单元的道路网络，并通过百度地图API从2022年7月至2023年6月以50米间隔采集了64750个全景街景图像样本。
图1. 研究框架。研究分为五个部分:1)提取与心理修复相关的城市特征，包括社会经济特征、感知特征和空间特征;2)将城市特征以道路单元为节点，以道路拓扑为边，构建城市级图;3)使用PRS -11问卷对每个道路单元进行评分和标记节点;4)以城市级图为输入，训练模型并进行预测，利用基于GNN的模型预测城市恢复质量;5)进行整体分析，包括评价模型性能、考察恢复质量的空间分布和空间结构。
研究发现
- 空间依赖模型的性能和预测结果
根据图4所示结果，GIN模型在分类性能方面表现最佳（Acc = 0.749，F1 = 0.740），优于其他基于图的模型。另一方面，在表5所列的传统方法中，RF的分类性能最佳（Acc = 0.567，F1 = 0.440）。
图4. 模型性能。本研究分析了8种基于图的模型的训练损失曲线(左)和准确率曲线(右)。这些模型使用的空间权值为K-Nearest，训练过程进行500个轮次。
- 城市街道恢复感知的空间分布
如图6a所示，使用GIN模型对预测结果进行了可视化。在武汉三环内，共有1,344条高质量修复道路，1,420条中质量修复道路和2,311条低质量修复道路。高质量修复空间主要集中在1、2、3、4和5号区域，这些区域与城市公园、绿地和商业区密切相关。低质量修复空间主要集中在住宅区。
图6. 武汉市城市空间恢复质量分布图。(a)恢复质量图。(b)恢复质量分类，地图来源:©OSM提供者。
- 空间结构与修复质量的关系
通过消融实验发现，空间特征显著影响了模型的分类性能。进一步分析表明，自然相关实体（如树木）对高恢复质量的重要性显著高于人工实体（如建筑物）。
图9. 19种空间实体在三种恢复性空间质量中的中间性中心性。“1”代表低恢复质量，“2”代表中等恢复质量，“3”代表高恢复质量。
结论与展望
本研究提出了一种空间依赖的GNN方法，通过图神经网络捕捉道路拓扑关系，并聚合城市的空间环境特征为城市级图，用于衡量城市恢复质量。研究强调了自然实体（例如树木）相比于人工实体（例如建筑物）的重要性，为健康城市的建设提供了新的视角。
尽管研究取得了重要进展，但仍存在一些局限性。例如，SVI数据主要从驾驶视角捕捉，缺乏从行人视角感知内容的能力。未来的研究可以考虑整合多模态数据，探索更多影响环境恢复质量的因素。