《Computers, Environment and Urban Systems》：Urban morphology as a proxy for housing and infrastructure inequality: A machine learning approach using open building footprint data
編輯推薦：
本研究聚焦于快速城市化地區空間不平等制圖的難題。針對傳統普查數據時空粒度不足的問題，作者以巴西圣塞巴斯蒂昂為案例，評估了從開放數據集Google Open Buildings提取的城市形態指標，在多大程度上能作為城市居住與基礎設施條件不穩定的代用指標。研究利用隨機森林模型，以官方界定的貧民窟位置為訓練數據，實現了對貧民區與非貧民區的高精度區分（AUC達0.89）。研究表明，被分類為更不穩定的城市區域，與更小的建筑、更窄且未鋪砌的街道、耐久性更差的屋頂材料以及更差的基礎設施（如自來水、污水和垃圾收集）可及性顯著相關。這項工作為利用開放地理空間數據評估城市不平等提供了可擴展、可復制的方法，對城市風險分析和規劃具有現實意義。
城市化是塑造當今世界的重要力量，然而，城市在快速擴張的同時，也伴隨著深刻的不平等現象。在巴西沿海城市圣塞巴斯蒂昂，一場極端降雨事件直觀地揭示了這種不平等的代價：2023年2月，超過500毫米的日降雨量引發了多重災害，造成廣泛破壞和65人喪生，而研究發現，非正規住區的建筑受損密度是其他城市區域的12倍。這并非孤例，在全球范圍內，氣候變化與城市發展進程（如空間隔離）的交互作用，正加劇對經濟和社會邊緣化城市居民的威脅。為了應對這些挑戰，準確、及時地繪制城市不平等地圖至關重要。然而，現實是骨感的：傳統的普查數據往往存在顯著的時間滯后，且多為聚合數據，難以捕捉快速演變的城市動態。在此背景下，能夠提供空間細節、近全球覆蓋和高時間分辨率的地球觀測（EO）技術，成為了填補信息空白的有力工具。特別是城市物理形態，長期以來被視為理解建成環境的關鍵窗口，但它在多大程度上能作為衡量住房和基礎設施等維度不平等（在本研究中被定義為“城市不穩定性”）的代用指標，仍是一個有待深入探索的課題。近期發表在《Computers, Environment and Urban Systems》上的一項研究，為回答這個問題提供了有力的證據。
這項研究主要采用了基于開放建筑足跡數據的形態指標提取與監督式機器學習相結合的方法。研究人員以巴西圣塞巴斯蒂昂為案例，首先獲取了兩個核心數據集：由深度學習生成的開放建筑足跡數據集Google Open Buildings（GOB），以及巴西2022年全國人口普查中官方界定的“貧民窟和城市社區”（FUCs）圖層。他們采用50米分辨率的規則網格作為基本空間分析單元，將城市形態指標（如建筑平均面積、形狀指數、鄰近度、方向標準差、建筑總數、建筑密度等，總計12個指標）作為自變量（預測因子），將基于FUCs圖層生成的二元貧民窟/非貧民窟分類圖作為因變量。研究人員訓練了一個隨機森林（RF）模型來學習形態指標與貧民窟位置之間的關聯。模型在獨立的驗證子集上表現出高判別能力（AUC為0.89），隨后被應用于生成一個從0到1連續變化的“不穩定性”概率表面。該表面最終被重新分為“極低”到“極高”五個不穩定性等級。模型的驗證采用了統計指標、野外實地觀測數據（收集了超過1200棟建筑的屋頂材料、面積、街道狀況等信息）以及人口普查數據（包括自來水、污水收集、垃圾處理等基礎設施指標）三結合的綜合評估方法。
4.1. 敏感性分析與形態指標的重要性
通過敏感性分析，研究發現加入鄰域上下文信息（即計算每個網格周圍一定范圍內指標的平均值）可顯著提升模型性能，最優的鄰域窗口大小為7x7。向后特征消除（BFE）過程顯示，與建筑方向變化相關的指標在預測不穩定性方面作用有限，其移除反而使AUC提升了0.09。這表明，在圣塞巴斯蒂昂，建筑布局的規則性與城市不穩定性關聯不強，可能與當地山地地形有關。最終，建筑總數和建筑平均面積的鄰域平均值被識別為最相關的預測指標。相關性矩陣還揭示了多個形態指標（如建筑總數、建筑密度、平均鄰近度）之間存在中度到高度相關性，表明從二維建筑足跡數據中可提取的獨立形態信息數量有限。
4.2. 基于形態的城市不穩定性制圖的統計性能與實地驗證
模型在區分貧民窟與非貧民窟方面表現出高準確性（AUC 0.89, Brier分數0.09）。超過90%的貧民窟網格被分類為“高”或“極高”不穩定性。更重要的是，實地觀測和人口普查數據的驗證揭示了令人信服的梯度模式。隨著不穩定性等級從“極低”升至“極高”，觀察到以下系統變化：建筑平均面積從185 m2降至86 m2；擁有鋪砌道路的家庭比例從95%降至21%；擁有游泳池的家庭比例從69%降至5%；使用耐久性屋頂材料（陶瓷或混凝土）的家庭比例從95%降至43%（更多人使用廉價的纖維水泥）；街道平均寬度從7.3米降至5.3米。人口普查數據也呈現一致趨勢：擁有自來水接入的家庭比例從68%降至11%；擁有污水收集的家庭比例從74%降至21%；擁有直接垃圾收集的家庭比例從83%降至58%；平均每戶衛生間數從1.5個降至1.3個。此外，“空置房屋”（多為度假房產）的比例從“極高”不穩定區的30%大幅上升至“極低”不穩定區的81%，反映了該旅游城市特有的社會空間分異。
4.3. 關于城市形態與不穩定性關聯的最終思考
綜合結果表明，研究所提出的方法不僅能有效區分貧民窟與非貧民窟，更重要的是，它所劃分的不穩定性等級與一系列獨立的住房和基礎設施指標呈現出連續、一致的梯度關聯。這強有力地證明了，從Google Open Buildings這類開放數據集中提取的形態指標，能夠作為城市不平等（特指住房與基礎設施條件）的有效代用指標。研究強調了地方背景的重要性，圣塞巴斯蒂昂低層、相對均質且空間隔離明顯的城市肌理，可能促進了這種強關聯的發現。在形態更復雜、功能混合的城市環境中，該方法的適用性可能需要調整并結合本地知識進行批判性解讀。盡管如此，該研究通過結合開放數據、監督分類與多源驗證，為在城市數據分析領域開發更可復制、可擴展的不平等評估方法提供了重要范例。
該研究得出結論，利用從Google Open Buildings提取的形態指標，結合以貧民窟位置為訓練數據的機器學習模型，能夠高精度地映射城市不穩定性（聚焦于住房與基礎設施條件）。模型的優越性能得到了統計指標、野外觀察和人口普查數據三方驗證的一致支持。這些發現證實，城市形態在很大程度上與住房和基礎設施條件相關聯，因此可以作為一種有價值的代用指標。這項工作的方法具有可擴展性和可復制性，特別是在數據稀缺的背景下，為利用開放地理空間數據評估城市不平等提供了可行路徑。然而，作者也謹慎指出，形態指標更多是“不穩定性形態”的代理而非直接測量，其應用需考慮地方具體情境，如地形、經濟活動和建筑類型等。該研究對更廣泛的風險分析和城市規劃領域具有實際意義，例如，通過識別在環境災害中暴露度更高的脆弱社區，為針對性的干預措施和災害風險評估提供數據基礎。最終，它推進了我們對城市形態與社會空間不平等之間量化關系的理解，為在城市科學中發展更穩健的分析工具做出了貢獻。
