聚焦︱遥感专家告诉您北京海淀的宜居性
The following article is from 遥感学报 Author 张源 等
导读
近年来，随着我国的城市规划出发点向人文关怀与民生改善侧重，对城市社区宜居性的研究逐渐成为众多学者所关注的重点领域之一。本文以北京市海淀区为例，基于遥感、地表观测与地理空间大数据，提出一种涵盖环境、交通、生活便利与人口等多方面的社区尺度宜居性评价方法，开展了指标权重对评价结果影响的不确定性与敏感性分析。
宜居性一直是城市居民、规划部门、政策制定部门和科学家们共同关注的问题。过去，宜居性更多强调的是生活服务设施的便利性。然而，经济的快速发展、城市化和人口增长引发了绿色空间萎缩、空气污染和环境资源退化等一系列问题。因此，经济发展带来的生活便利性与居住环境质量的下降，均需纳入到社区宜居性评价考量中。
中国科学院空天信息研究院张源、李强子等人近期发表文章《Community scale livability evaluation integrating remote sensing, surface observation and geospatial big data》，阐述了结合遥感、地表观测与地理空间大数据的社区尺度宜居性评价。
主题词：社区宜居性，多指标决策分析，敏感性分析，遥感，地理空间大数据
目前，有关社区宜居性的研究大多仍停留在理论、概念、定性和主观的层面，且通常在城市或区域尺度开展评价。因此，迫切需要一套及时、全面、实用、精细尺度的社区宜居性评价方法。结合遥感、地表观测与地理空间大数据，以北京市海淀区为例，提出一种涵盖环境、交通、生活便利与人口等多方面的社区尺度宜居性评价方法，将宜居性评价从理论与概念的层面拓展到实用层面，并开展了指标权重对评价结果影响的不确定性与敏感性分析。
研究区：北京市海淀区(图1)
数据：
遥感数据(高分二号遥感影像、MODIS地表温度产品)
地理空间大数据(百度POI、腾讯宜出行热力图)
地表观测数据(北京环境保护监测中心空气质量监测站数据)
图1 研究区域(北京市海淀区位置)
在百度地图社区类POI基础上，编写网络爬虫，爬取各POI在百度地图上对应的社区边界。
基于遥感、地表观测与地理空间大数据，分别计算社区内和社区周边绿化覆盖率、热舒适度持续时间、空气质量优天数、居住人口密度以及到综合医院、公园、商场和学校的驾驶时间共9个评价指标。绿化覆盖率基于高分二号土地覆盖分类数据计算。热舒适度持续时间是在MODIS地表温度产品的基础上基于温度昼夜变化(DTC)模型和TVX模型生成气温连续变化曲线，并计算一年内气温在18°C与24°C之间的时长。空气质量优天数是根据监测站每小时AQI指数合成每日AQI指数，并计算一年内AQI在50以下的天数。居住人口密度为连续5个工作日每日21:30、22:30和23:30的宜出行热力图人口密度平均值。到综合医院、公园、商场和学校的驾驶时间则是在每类百度POI数据的基础上，利用百度路线规划服务API接口进行计算。
采用逼近与理想解的排序技术(TOPSIS)，基于9个评价指标对社区宜居性进行评价。由于指标权重是评价过程中唯一的主观输入，采用Monte Carlo模拟与Sobol全局敏感性分析方法对评价结果进行不确定性和敏感性分析。
在北京市海淀区范围内，共从百度地图获取1242个社区(图2)。大部分社区集中在四环内，社区面积占比由东南向西北递减，其中二三环之间与三四环之间的社区面积占比分别达到22.01%与26.09%。社区核密度分布显示四环外有两处社区热点，分别对应北京城市总体规划中的中心城区西南部和清河边缘集团。
图2 北京市海淀区社区空间分布(a)与核密度分布(b)
Monte Carlo模拟共生成110000个社区宜居性评价结果，这些结果空间分布格局相似，但在局部具有一定差异。总体来说，城区社区宜居性分数要高于郊区。图3分别展示了社区宜居性评价分数的四种统计图。其中最小值和最大值展示了每个社区的极端评价分数。平均值地图则揭示出三处宜居性较差的社区群(图3(c)蓝圈处)。标准差地图反映了评价结果的不确定性。大体上来说城区社区宜居性分数的不确定性要低于郊区，大部分城区社区具有确定的高宜居性，而大部分郊区社区具有不确定的低宜居性，表明在不同的权重设置下，这些社区的宜居性可能有所改进。
图3 社区评价分数最小(a)、最大(b)、平均(c)与标准差(d)
计算全部1242个社区9个评价指标权重的两种敏感性指数：一阶指数与总效应指数。两种指数均显示社区宜居性评价分数对到学校的驾驶时间和社区内绿化覆盖率两个指标的变化最为敏感，对热舒适度持续时间和空气质量优天数两个指标的变化最不敏感。同时，确定了对每个社区评价分数的变化贡献最大的评价指标权重，即主导性指标。其中568个社区的主导性指标为到学校的驾驶时间，338个社区的主导性指标为社区内绿化覆盖率，这表明这两个指标权重的选择对最终的社区宜居性评价结果有很大影响，因此，所使用指标的精确性及确定其权重时需要特别注意。热舒适度持续时间和空气质量优天数两个指标并非任何一个社区的主导性指标，因此可简单固定两个指标的权重，而不会对评价结果造成较大影响。
本文设计提出一种社区尺度宜居性的全面实用评价方法，从遥感数据、地理空间大数据和地表观测数据多种数据源提取涵盖环境、交通、生活便利和人口等众多层面的9个评价指标，应用TOPSIS评价方法计算各个社区的宜居性分数，并采用Monte Carlo模拟与Sobol方法分析了评价结果的不确定性与敏感性。
在北京市海淀区的应用实例展示了该方法的实用性与有效性。海淀区的1242个社区大部分分布在中心城区和边缘集团。评价结果显示与郊区社区相比，城区社区一般来说具有较高的宜居性和较低的不确定性。大部分社区的评价分数较高，在0.8 - 0.9之间，是海淀区的平均社区宜居性水平。其中到学校的驾驶时间和社区内绿化覆盖率两个指标的权重最敏感，而热舒适度持续时间和空气质量优天数两个指标的权重最不敏感。
本文提出的社区尺度宜居性评价方法弥合了宜居性评价理论概念与实际运用之间的差距，具有高度全面性和面向单个社区的精细尺度，使得法规和政策的智能能够因地制宜，有效提高宜居性，并且避免了以可持续性为代价的宜居性提升。
论文标题
Community scale livability evaluation integrating remote sensing, surface observation and geospatial big data
发表期刊
International Journal of Applied Earth Observation and Geoinformation
论文全文链接
https://www.sciencedirect.com/science/article/pii/S0303243418310237
责任编辑：林冬娜、邓小云