基于起点-终点流动的森林休闲规划聚类方法——以奥地利维也纳大都会区为例

《Urban Forestry & Urban Greening》：Origin-Destination Flow Clustering for Sustainable Forest Recreation Planning – Case Study of Vienna Metropolitan Area, Austria

　　弗鲁兹西娜·斯特凡（Fruzsina Stefán）、马留斯·切谢尔斯基（Mariusz Ciesielski）、特蕾莎·沙尔（Theresa Scharl）、蒂博·佐贝尔（Thibaud Zobel）、卡罗利娜·塔查诺夫斯卡（Karolina Taczanowska）
维也纳自然资源与生命科学大学（BOKU）景观发展、休闲与保护规划研究所，景观、水与基础设施系

**摘要**
城市和郊区森林提供了关键的生态系统服务。了解居民如何到达这些森林对于可持续的休闲规划至关重要，然而仅关注目的地的评估忽略了起点和路线对实际使用方式的影响。本研究分析了维也纳大都会地区的森林休闲流动模式，以明确这些联系。我们使用了3,121名居民的代表性公众参与GIS（PPGIS）数据，将居住地与森林入口点进行关联。通过基于密度的算法（DBSCAN/HDBSCAN）对流动模式进行聚类，并结合了可达性指标：欧几里得距离以及步行、骑行、公共交通和汽车的不同出行方式的网络旅行时间。研究结果发现了六个主要群体，它们代表了不同的地理区域和出行方式。从居住地到森林的每增加一公里，年访问次数大约减少11%，其中距离衰减最为明显的是在5公里范围内。走廊结构也很重要：城市边缘的多模式交通带将大多数公共交通/骑行出行时间控制在60分钟内，而外围地区的出行方式则更多地依赖于汽车，因此访问频率明显较低。东部/北部大都会地区的流动密度较低，这与连接性和最后一段距离的限制以及人口分布和目的地差异有关。通过分析社区属性、建筑形态和设施可达性，我们可以解释这些在出行时间、出行方式和访问频率上的差异。这种基于走廊的视角通过揭示起点、路线和阈值如何共同影响森林使用情况，为以目的地为中心的评估提供了新的见解。研究结果有助于制定可持续的休闲政策和规划：加强连通性、保护多模式交通走廊以及解决可达性差距可以在不增加对汽车依赖的情况下提高森林的使用率。

**1. 引言**
城市和城郊的自然环境为大都市居民提供了关键的文化生态系统服务（CES），如休闲活动、审美享受和地方认同感，这些服务直接促进了福祉和社会韧性（千年生态系统评估，2005年；Chan等人，2011年；Daniel等人，2012年；Pinto等人，2022年）。随着城市向森林边缘扩展，确保所有人都能公平地参与这些活动变得具有挑战性，因为需求在增加，但可达性仍然不均衡（Poltim?e等人，2022年）。实际的可达性取决于交通走廊的连续性、多模式选择和时间的可靠性，而不仅仅是距离（J?rv等人，2018年；Faehnle等人，2014年；Fagerholm等人，2021年）。新兴的数据来源提供了新的机会。公众参与GIS（PPGIS）使居民能够绘制目的地、路线、障碍物和价值分布图，而移动平台则可以捕捉详细的出行模式（Hasanzadeh，2022年）。然而，大多数研究仍然集中在核心公园或城郊保护区，忽视了连接居住区和森林区域的“中间”地带和交通走廊（Lee和Kim，2023年）。只有少数研究使用起点-目的地（OD）流动模式来揭示这些走廊特征（Schirpke等人，2018年；Gao等人，2020年；Xin等人，2023年）。在聚类方法中，基于密度的算法（DBSCAN、HDBSCAN）非常适合分析不规则几何形状和异质密度，但在休闲领域的PPGIS数据应用中仍然较少（Tao和Thill，2016年）。解决这一方法论空白对于整合森林可达性和指导休闲规划至关重要。

维也纳大都会地区为探索这些动态提供了理想的环境。其绿色基础设施网络包括紧凑的城市森林、城郊林地以及连接密集区域的走廊。人口变化和持续的城市发展引发了关于供应是否满足需求的问题，以及空间上的可达性差异是否导致实际使用不均衡（Kabisch和Haase，2014年）或城市内部存在显著差异（Calafiore等人，2022年；Willberg等人，2024年）。关于维也纳森林休闲的研究主要集中在生态调查或游客调查（Taczanowska等人，2024年；Stefán等人，2025年）、森林目的地内的游客流动的空间和时间分析（Taczanowska等人，2014年；Ganh?r等人，2024年；Brandner等人，2025年），或社交媒体内容分析（Palt等人，2025年）。在此基础上，我们通过将感知的可达性、社区环境和起点-目的地流动模式联系起来，扩展了证据基础，以研究实际可达性和类似走廊的使用模式的空间异质性。我们提出了四个研究问题：
- RQ1：维也纳大都会地区的森林休闲使用在空间上是如何分布的？
- RQ2：森林的接近程度和社区环境与访问频率有何关系？
- RQ3：可以识别出哪些主要的起点-目的地（OD）流动模式和群体？
- RQ4：不同OD群体在接近程度、旅行距离/时间、出行方式和访问频率上有哪些差异？

**2. 方法**
为了回答这些问题，本研究采用了基于维也纳大都会地区实证数据的定量方法。该方法结合了对维也纳居民（n = 3,121）的配额制PPGIS调查、基于GIS的OD流动映射和基于密度的聚类分析。

**2.1. 研究区域**
研究区域为维也纳大都会地区（维也纳市及其相邻的NUTS-3区域Wiener Umland-Nordteil/Südteil），涵盖了大多数森林休闲活动发生的城市-城郊过渡地带。主要的森林系统包括西部的维也纳森林（Wienerwald）和东部的多瑙河泛滥平原国家公园（Donau-Auen National Park），此外还有较小的城市森林和绿色连接通道，将密集区域与入口点相连（图1）。森林覆盖率数据来源于CORINE 2018（类别3.1）。区域报告使用NUTS-3分类；在维也纳市内，结果按行政区划分显示。所有空间分析均使用ETRS89/UTM 33N坐标系。扩展的研究区域背景和行政报告规范见S1。

**2.2. 数据收集：PPGIS调查和样本代表性**
2023年秋季，我们通过Maptionnaire平台进行了配额制的PPGIS调查，调查对象为维也纳大都会地区的居民（n = 3,121；年龄≥16岁）。受访者通过商业调查面板招募；配额（S1）根据2023年人口普查数据在年龄、性别和人口分布上进行了匹配。详细样本和人口分布信息见补充信息S1。受访者绘制了大致的居住位置（通过1公里欧罗统计网格进行隐私保护），并标记了最常访问和最后一次访问的森林入口点；他们报告了常用的出行方式（步行、自行车、公共交通、汽车）、访问频率和持续时间，并对七个可达性指标进行了5点评分（S1）。这里的“森林入口点”指的是受访者自报的通常用于开始森林活动的入口位置（例如，小径起点或沿森林边缘的感知入口）。

在本研究中，我们分析了受访者自报的使用模式，而不是评估规范或“公平可达性”标准；因此，我们的推断关注的是行为上的差异，而不是可达性是否足够或公平。参与是自愿的，并获得了知情同意；工具设计遵循了已建立的PPGIS实践（Fagerholm等人，2021年；Hasanzadeh，2022年；Müürisepp等人，2022年）。社会文化森林监测同样结合了“最常访问”的地点和物理/情境指标来解释休闲模式（Salak等人，2026年）。

从受访者回答中，我们获得了年访问次数、访问评分（0–7分）、出行方式标志和用于分析的OD特征。完整的术语、筛选和清洗规则以及分析点计数见S1。样本与人口的一致性很高（居住地与起点的比较：1公里网格上的R2 = 0.72；按行政区划分的R2 = 0.95）。报告的起点的空间分布见图2（结合CORINE 3.1森林和NUTS-3分类）。维也纳城市区域沿着指定的边缘发展走廊扩展，变得更加多中心化，就业和服务节点扩展到了历史核心区域之外（维也纳市政府，2025年）。这些变化可能重新分配休闲需求，并重塑城市与森林之间的出行模式，这促使我们不仅关注目的地森林，还关注将绿色资源转化为实际可达性的“中间”连接通道、街道、小径和入口点。

**2.3. 数据收集：PPGIS调查和样本代表性**
我们通过Maptionnaire在2023年秋季进行了配额制的PPGIS调查，调查对象为维也纳大都会地区的居民（n = 3,121；年龄≥16岁）。受访者通过商业调查面板招募；配额（S1）根据2023年人口普查数据在年龄、性别和人口分布上进行了匹配。详细样本和人口分布信息见补充信息S1。

参与者绘制了大致的居住位置（通过1公里欧罗统计网格进行隐私保护），并标记了最常访问和最后一次访问的森林入口点；他们报告了常用的出行方式（步行、自行车、公共交通、汽车）、访问频率和持续时间，并对七个可达性指标进行了评分（S1）。

**2.4. 数据分析**
我们将PPGIS响应数据与外部地理数据整合，以量化实际可达性。从保留隐私的居住位置（映射到1平方公里网格）和标记的森林入口点出发，构建了起点-目的地（OD）路径（n = 1,428条），并计算了不同出行方式的特定网络旅行时间和“接近路线”（在OpenStreetMap基础上计算的最快路径）。接近路线是在ArcGIS Pro中计算的网络最短旅行时间路径；完整的路由规范和限制见补充信息S1。我们使用了基于密度的聚类算法（DBSCAN/HDBSCAN）来划分走廊类型，并应用负二项式GLM模型来测试距离衰减和社区环境效应（Hahsler等人，2019年）。接近路线是根据每个居住地中心点与选定的森林入口点之间的运输网络计算出的最短路径。这些模型路径作为分析代理，用于近似合理的可达性走廊，总结网络旅行时间，并提取沿途的节点信息；它们不代表实际观察到的轨迹或路线选择（限制；见补充信息S2）。

**2.4.1. 派生变量**
所有空间层（受访者居住点、森林多边形、OD路径和研究边界）均重新投影到ETRS89/UTM 33N（EPSG:25833）坐标系，以确保测量精度，并裁剪到维也纳大都会范围（图1）。只有提供了有效居住位置和至少一个映射的森林目的地时才保留记录；模糊的目的地被审查并移除（S1）。结果包括年访问次数（计数）和访问评分（0–7分）。核心预测变量包括到森林的距离（从居住地到最近边缘的距离）、社区设施可达性指数（约15分钟）以及居住地周围的建筑类型。对于每对OD路径，我们计算了直线距离和特定出行方式的门到边缘时间；仅对实际使用的出行方式进行了时间总结。

**2.4.2. OD流动聚类**
OD聚类仅使用了受访者报告的“最常访问”的森林目的地。这种选择能够一致地反映典型行为，但未能捕捉到所有森林出行的多样性。为了识别从居住地到森林的出行走廊，我们聚类了从居住地网格和森林入口点派生的个别OD路径（多段线）。每条路径在投影的CRS坐标系中进行了编码（start_x, start_y, end_x, end_y, distance_m），并在分析前进行了稳健缩放。我们使用DBSCAN算法，因为它可以检测任意形状的群体，明确处理噪声，并且不需要预先指定群体数量；当形成连贯的走廊段时，它可以保留较小的局部密集路径束，这些属性符合类似走廊的城市-城郊流动特征（Hahsler等人，2019年）。借鉴将密度方法扩展到流动的交通地理学研究，我们调整了端点周围的社区范围，以便在共同走廊内聚合平行路径，而分散的路径保持未分配状态（Campello等人，2013年；Tao和Thill，2016年）。参数校准结合了k最近邻距离图和流间距离的直方图。OD端点之间的大圆距离（geosphere::distHaversine）显示在0.7公里附近有一个拐点。然后我们尝试了ε ∈ {0.5, 0.8, 1.0, 1.2}公里和MinPts ∈ {4,…,10}，以平衡走廊的凝聚性和噪声。最终的DBSCAN参数设置为ε = 0.7公里，MinPts = 10，保留了连贯的居住地-森林轴线，同时没有合并不同的分支，产生了约6个可解释的群体，噪声约为30%（k-NN/silhouette；S2）。应用于1,428条OD路径后，产生了六个主要群体；标签遵循DBSCAN惯例（群体0 = 噪声）。

**2.4.3. OD流动聚类**
为了进一步分析，我们在两个最大的DBSCAN群体（群体0和群体1）内应用了HDBSCAN（Campello等人，2013年；McInnes等人，2017年），使用与内部异质性相匹配的MinPts（8–10）。这区分了短的“家域”循环和较长的、以目的地为导向的行程（S3）。我们使用了DBSCAN/HDBSCAN来捕捉类似走廊的非凸形OD（起点-终点）几何形态，并将稀疏的交通流视为噪声；基准测试和鲁棒性检查的结果在S2中报告。分析是在R语言（R Core Team, 2023）中使用的RStudio（Posit team, 2025）进行的；完整的软件和包的详细信息在补充材料S2中报告。参数网格、轮廓诊断和HDBSCAN稳定性树在S2中提供；簇概况和基于出行模式的旅行时间总结在S3中报告。簇ID是任意的；为了便于阅读，我们首先列出主要的簇，并将簇0（噪声）放在最后。

2.3.3. 簇的统计测试和事后分析
我们使用适合移动数据的非参数框架来测试DBSCAN/HDBSCAN簇在几何形态、旅行时间、访问频率和邻域环境方面的差异。对于连续/有序的结果，如OD长度、家到森林的接近度、年访问次数、0-7的访问评分以及特定出行模式的网络时间（步行、自行车、公共交通、汽车），我们应用了Kruskal–Wallis检验，并报告了簇的中位数和四分位数范围（IQR）。为了避免将可用性与行为混淆，出行模式时间仅针对使用该模式的行程进行总结（模式标志=1；非缺失时间）。对于分类结果（出行模式占比、声明的访问偏好），我们使用了带有Cramér’s V的χ2独立性检验；当预期计数较稀少时，还使用了Fisher的精确检验；标准化残差描述了驱动依赖性的单元格。

然后，我们测试了邻域可达性是否在接近度和建筑形态之外增加了解释力，使用负二项式GLM对年访问次数进行了分析（预测变量：距离[km]、建筑类型、设施指数），并通过似然比检验与仅基于距离的基线进行了比较。所有检验都是双侧的（α = 0.05）。缺失数据通过特定结果的逐项删除来处理；每次比较都报告了分析的分母（n）。分析使用的是R语言（基础统计函数；MASS::glm.nb）；图表使用ggplot2制作。综合p值和交叉表在S2和S3中提供。

OD流形成了类似走廊的非凸结构，这些结构无法通过凸分割方法很好地捕捉到（Tao和Thill, 2016）。因此，我们使用了DBSCAN/HDBSCAN，它能够保留细长/分支的几何形态，并将稀疏的交通流视为噪声；基准测试和鲁棒性检查的结果在S2中报告。

3. 结果
3.1. 森林访问点的空间分布
入口热点集中在西部边缘（Hietzing–Penzing–Liesing），在Donau-Auen/Lobau也有一个次要集中区（图3a）。除了这两个主要系统外，周边下奥地利地区的入口点集中度和OD流密度较低（即维也纳以外的地区）。这种模式可能反映了人口分布和交通条件，但也可能受到森林区域差异的影响（例如，面积、设施、保护制度）。因此，我们将连通性视为一个合理的因素，而不是唯一的决定因素。OD流反映了这种地理分布：短而密集的路线沿着西部边缘和东部的PT-自行车主干道分布，而长而稀疏的路线则从外围起点辐射出来，类似于偶尔的目的地式出行（图3b）。图3展示了描述性子集的OD流；聚类使用了n = 1,428个数据点。

3.2. 访问频率的决定因素
居住地的接近度是休闲使用的最强预测因素。超过一半的受访者居住在距离森林边缘5公里范围内；不到5%的受访者居住在20公里以外（S2）。比较250米间隔的区间（n = 1,151），住宅区和访问加权距离的分布都呈指数衰减，但速率不同，大约分别为每公里9%和16%，其中前5公里的下降最为明显（图4）。负二项式模型（n = 983，由于过度离散性更倾向于使用该模型）估计出IRR（距离_km）=0.889（95% CI 0.856–0.924），即每增加一公里，年访问次数减少约11%。实际上，根据NB模型，距离缩短2公里与年访问次数增加约26%相关。自我报告的访问评分也证实了这一趋势：高频用户（6-7次）主要集中在1.5-2公里范围内，而低频用户（0-2次）通常居住在4-6公里范围内（S2）。

3.3. OD流聚类结果
我们分四步报告结果：行程和OD簇的空间分布；特定出行模式的基于时间的访问方式；接近度与出行模式的交互作用；以及邻域环境和访问偏好。这一序列展示了使用集中的位置、居民如何到达森林，以及哪些限制将距离转化为从门口到边缘的时间，区分了高效的城市边缘走廊和高障碍的外围地区。

3.3.1. 主要簇概况（DBSCAN）
DBSCAN（ε = 0.7公里，MinPts = 10）产生了六个连贯的簇（簇1-5）和一个不形成密集空间结构的剩余部分（标记为簇0；DBSCAN“噪声”）（表1）。簇的地理位置在OD地图和分层面板中显示（图5），访问频率、自我评估的访问评分和森林接近度的分布总结在S2中。为了保持叙述的清晰性，我们在正文中使用了描述性标签，并报告了关键指标；完整的出行模式细分在S2中提供。由于“最常访问”的目的地是自我报告和基于感知的，它们可能与客观分类的地点不同，可能不代表偶尔的目的地；因此，我们将簇解释为典型的访问模式，而不是所有休闲森林出行的完整记录。

表1. 簇类型和关键指标（DBSCAN，ε = 0.7公里，MinPts = 10；n = 1,428个OD流）
| 簇 | 路线数量（n） | 平均距离（m） | 到森林的平均距离（m） | 年访问次数（次） |
|-----------|---------|-----------|--------------|-----------|
| 1（城市活跃走廊） | 513 | 97 | 34 | 51 | 129.8 |
| 2（城郊多模式用户） | 612 | 64 | 180 | 35.0 | 12 |
| 3（东部走廊） | 53 | 97 | 186 | 35.1 | 18 |
| 4（外围低频用户） | 81 | 148 | 67 | 7.8 | 3 |
| 0（噪声） | 38 | 13 | 27 | 7 | 1 |
| 5（超本地步行者） | 11 | 18 | 27 | 38 | 7 |

图5. 起点-目的地（OD）流簇（DBSCAN）。(a) 按1公里EEA网格聚合的最常访问森林入口点（Jenks k = 5）；单元格高度/颜色表示入口计数。(b) 家到森林的OD流（n = 1,151）；线宽与访问频率成正比（平方根缩放）。森林（CLC 3.1）用绿色表示；多瑙河用蓝色表示；黑色轮廓为NUTS-3边界。

3.2. 访问频率的决定因素
居住地的接近度是休闲使用的最强预测因素。超过一半的受访者居住在距离森林边缘5公里范围内；不到5%的受访者居住在20公里以外（S2）。比较250米间隔的区间（n = 1,151），住宅区和访问加权距离的分布都呈指数衰减，但速率不同，大约分别为每公里9%和16%，其中前5公里的下降最为明显（图4）。负二项式模型（n = 983，由于过度离散性更倾向于使用该模型）估计出IRR（距离_km）=0.889（95% CI 0.856–0.924），即每增加一公里，年访问次数减少约11%。在实际应用中，距离缩短2公里与年访问次数增加约26%相关。自我报告的访问评分也证实了这一趋势：高频用户（6-7次）主要集中在1.5-2公里范围内，而低频用户（0-2次）通常居住在4-6公里范围内（S2）。

3.3. OD流聚类结果
我们分四步报告结果：行程和OD簇的空间分布；特定出行模式的基于时间的访问方式；接近度与出行模式的交互作用；以及邻域环境和访问偏好。这一序列展示了使用集中的位置、居民如何到达森林，以及哪些限制将距离转化为从门口到边缘的时间，区分了高效的城市边缘走廊和高障碍的外围地区。

3.3.1. 主要簇概况（DBSCAN）
DBSCAN（ε = 0.7公里，MinPts = 10）产生了六个连贯的簇（簇1-5）和一个不形成密集空间结构的剩余部分（标记为簇0；DBSCAN“噪声”）（表1）。簇的地理位置在OD地图和分层面板中显示（图5），访问频率、自我评估的访问评分和森林接近度的分布总结在S2中。为了保持叙述的清晰性，我们在正文中使用了描述性标签，并报告了关键指标；完整的出行模式细分在S2中提供。由于“最常访问”的目的地是自我报告和基于感知的，它们可能与客观分类的地点不同，可能不代表偶尔的目的地；因此，我们将簇解释为典型的访问模式，而不是所有休闲森林出行的完整记录。

表1. 簇类型和关键指标（DBSCAN，ε = 0.7公里，MinPts = 10；n = 1,428个OD流）
| 簇 | 路线数量（n） | 平均距离（m） | 到森林的平均距离（m） | 年访问次数（次） |
|-----------|---------|-----------|--------------|-----------|
| 1（城市活跃走廊） | 513 | 97 | 34 | 51 | 129.8 |
| 2（城郊多模式用户） | 612 | 64 | 180 | 35.0 | 12 |
| 3（东部走廊） | 53 | 97 | 186 | 35.1 | 18 |
| 4（外围低频用户） | 81 | 148 | 67 | 7.8 | 3 |
| 0（噪声） | 38 | 13 | 27 | 7 | 1 |
| 5（超本地步行者） | 11 | 18 | 27 | 38 | 7 |

图5. 起点-目的地（OD）流簇（DBSCAN）。(a) 按分配的簇（ε = 0.7，MinPts = 10）着色的家到森林的OD线路。(b–g) 显示簇1-5和噪声类（0）的空间足迹的详细输出和版本化存档（见数据可用性）。

两个簇在数量上占主导地位，簇1（n = 513）和簇0（n = 383），其次是中等规模的簇2（n = 61）和簇3（n = 53），而簇4（n = 8）和簇5（n = 11）规模较小（表1）。这种类型学涵盖了维也纳西部森林边缘的密集多模式带（簇1）、以汽车使用为主的长而分散的出行方式（簇0）、必须跨越距离到达森林边缘的城郊多模式用户（簇2）、通往Donau-Auen系统的东部自行车导向走廊（簇3）、从外围出发的罕见长距离出行（簇4），以及紧邻森林边缘的超本地步行环路（簇5）。请注意，根据DBSCAN的约定，簇0指的是噪声，即未分配给任何核心簇的OD线路。簇1（城市活跃走廊）在西部森林边缘形成了一条连续的带状区域。OD线路较短（平均6.0公里），住宅区距离边缘约3.45公里，出行方式非常多样化：公共交通是最常见的访问方式（40%），其次是汽车（33%）和步行（30%）。访问频率稳定（约每年29.8次）。从空间上看，起点集中在市中心和内西部地区，并连接到相同的Hietzing-Penzing-Liesing入口，形成了一个密集的休闲通道；旅行时间分布证实了大多数行程的亚小时访问时间（图6）。簇2（城郊多模式用户）在市中心/多瑙河走廊区域内形成了一个紧凑的OD足迹（图5）。OD距离较短（2.8公里），而住宅区距离森林边缘相对较远（6.18公里），这与一旦到达走廊/边缘后行程变得“容易”一致。步行占主导（54%），其次是汽车（20%）和公共交通（23%），平均访问次数约为每年35次。较慢的公共交通/步行中位数表明从门口到边缘的时间有所延长。

图6. 不同出行模式的网络旅行时间。使用250米间隔（n = 1,151）和NB模型预测（n = 983）对住宅区（约9%/公里）和访问加权（约16%/公里）的分布进行了指数拟合。

3.3.2. 邻域环境条件
控制距离和建筑类型后，邻域设施的可达性指数（约15分钟，感知）与访问次数增加约6%相关（IRR = 1.061，95% CI 1.035–1.089）；这比仅基于距离的模型更符合实际情况（LR检验，S2）。在步行范围内的大森林几乎使预期访问次数翻倍；树木繁茂的街道和附近的水体也会增加访问次数，而学校/游乐场则与较少的访问次数相关。一旦包括距离和设施，建筑类型的影响很小。

3.3.3. OD流聚类结果
我们分四步报告结果：行程和OD簇的空间分布；特定出行模式的基于时间的访问方式；接近度与出行模式的交互作用；以及邻域环境和访问偏好。这一序列展示了使用集中的位置、居民如何到达森林，以及哪些限制将距离转化为从门口到边缘的时间，区分了高效的城市边缘走廊和高障碍的外围地区。

3.3.1. 主要簇概况（DBSCAN）
DBSCAN（ε = 0.7公里，MinPts = 10）产生了六个连贯的簇（簇1-5）和一个不形成密集空间结构的剩余部分（标记为簇0；DBSCAN“噪声”）（表1）。簇的地理位置在OD地图和分层面板中显示（图5），访问频率、自我评估的访问评分和森林接近度的分布总结在S2中。为了保持叙述的清晰性，我们在正文中使用了描述性标签，并报告了关键指标；完整的出行模式细分在S2中提供。由于“最常访问”的目的地是自我报告和基于感知的，它们可能与客观分类的地点不同，可能不代表偶尔的目的地；因此，我们将簇解释为典型的访问模式，而不是所有休闲森林出行的完整记录。

表1. 簇类型和关键指标（DBSCAN，ε = 0.7公里，MinPts = 10；n = 1,428个OD流）
| 簇 | 路线数量（n） | 平均距离（m） | 到森林的平均距离（m） | 年访问次数（次） |
|-----------|---------|-----------|--------------|-----------|
| 1（城市活跃走廊） | 513 | 97 | 34 | 51 | 129.8 |
| 2（城郊多模式用户） | 612 | 64 | 180 | 35.0 | 12 |
| 3（东部走廊） | 53 | 97 | 186 | 35.1 | 18 |
| 4（外围低频用户） | 81 | 148 | 67 | 7.8 | 3 |
| 0（噪声） | 38 | 13 | 27 | 7 | 1 |
| 5（超本地步行者） | 11 | 18 | 27 | 38 | 7 |

图5. 起点-目的地（OD）流簇（DBSCAN）。(a) 按分配的簇（ε = 0.7，MinPts = 10）着色的家到森林的OD线路。(b–g) 显示簇1-5和噪声类（0）的空间足迹的详细输出和版本化存档（见数据可用性）。

两个簇在数量上占主导地位，簇1（n = 513）和簇0（n = 383），其次是中等规模的簇2（n = 61）和簇3（n = 53），而簇4（n = 8）和簇5（n = 11）规模较小（表1）。这种类型学涵盖了维也纳西部森林边缘的密集多模式带（簇1）、以汽车使用为主的长而分散的出行方式（簇0）、必须跨越距离到达森林边缘的城郊多模式用户（簇2）、通往Donau-Auen系统的东部自行车导向走廊（簇3）、从外围出发的罕见长距离出行（簇4），以及紧邻森林边缘的超本地步行环路（簇5）。请注意，根据DBSCAN的约定，簇0指的是噪声，即未分配给任何核心簇的OD线路。簇1（城市活跃走廊）在西部森林边缘形成了一条连续的带状区域。OD线路较短（平均6.0公里），住宅区距离边缘约3.45公里，出行方式非常多样化：公共交通是最常见的访问方式（40%），其次是汽车（33%）和步行（30%）。访问频率稳定（约每年29.8次）。从空间上看，起点集中在市中心和内西部地区，并连接到相同的Hietzing-Penzing-Liesing入口，形成了一个密集的休闲通道；旅行时间分布证实了大多数行程的亚小时访问时间（图6）。簇2（城郊多模式用户）在市中心/多瑙河走廊区域内形成了一个紧凑的OD足迹（图5）。OD距离较短（2.8公里），而住宅区距离森林边缘相对较远（6.18公里），这与一旦到达走廊/边缘后行程变得“容易”一致。步行占主导（54%），其次是汽车（20%）和公共交通（23%），平均访问次数约为每年35次。较慢的公共交通/步行中位数表明从门口到边缘的时间有所延长。

图6. 不同出行模式的网络旅行时间。仅针对使用该模式的行程报告了特定出行模式的旅行时间（模式标志=1）；详细信息见S3中的n、中位数和四分位数范围（IQR）。

簇3（东部走廊）形成了从维也纳南部/东部起点到Donau-Auen洪泛区的定向路线。行程距离适中（4.0公里），居住地的接近度相对较好（1.86公里）。自行车最为突出（43%），其次是步行（36%）和汽车使用（34%），而公共交通的作用较小（15%）。它还显示了最高的访问频率（约每年53.1次），表明良好的接近度与活跃的出行模式连续性相结合与非常频繁的使用相关。在类型学的尾部是簇4（外围低频用户）和簇5（超本地步行者）。簇4由来自外部边缘或城市稍远处的罕见长距离出行组成，OD距离为14.1公里，接近度为6.13公里。每年约7.8次访问和最长的公共交通/步行时间（图6；S3）表明访问受到有效限制，行程是目的地式的且不频繁。簇5捕捉了森林边缘社区的超本地环路，其中住宅区距离入口约320米，OD线路平均长度为1.8公里。步行占主导（64%，混合行程中有一些汽车），居民的定期使用频率约为每年38次，反映了森林作为社区日常活动的一部分。从地理上看，这些超本地环路集中在M?dling/Baden地区（图5），即大都市边缘的森林边缘社区。

簇0（分散的汽车出行者）汇集了来自内/中西部地区的分散起点，通往Hietzing、Penzing和Liesing的Wienerwald入口，以及通往Lobau的较细的线路。尽管住宅区距离森林边缘相对较近（中位数接近度1.63公里），但行程平均距离较长（OD 13.3公里），汽车使用较为常见（49%）。年访问次数适中（约每年30.5次）。如后文所示（图6；S3），公共交通和步行时间是数据集中最长的，即使在相似的接近度下也解释了持续的汽车依赖性。这些簇共同描绘了一个基于走廊的实现访问结构。簇1-3构成了多模式骨干，其中公共交通和自行车将大多数从门口到边缘的旅行时间保持在共同的时间预算内（通常≤约60分钟），维持了中等范围内的稳定使用。簇5在森林边缘锚定了超本地、高频率的步行活动。

3.3.2. 簇级别的旅行概况和走廊趋势
Kruskal–Wallis和χ2检验表明簇之间存在明显差异。年访问次数因簇而异（Kruskal–Wallis：H = 22.70，p = 3.85×10??，n = 1,200）：簇4（外围低频用户）约为每年8次，而东部走廊（簇3）超过50次。直线距离到森林的接近度差异显著（H = 287.35，p = 5.24×10???；OD线路长度也是如此（H = 245.55，p = 4.95×10??1）。出行模式占比与簇成员身份密切相关（χ2：步行，p = 1.47×10??；自行车，p = 3.46×10?1?；公共交通，p = 1.03×10?1?；汽车，p = 6.09×10??；n = 1,200）。自我评估的访问评分显示簇间的差异较小（Kruskal–Wallis：H = 12.29，p = 0.031；n = 933）。详细信息见S2中的中位数/四分位数范围和马赛克图。

解释这些模式，以步行为主的簇（1, 5）通常位于距离森林边缘0.5-3公里范围内，而外围簇（0, 2, 4）平均距离约为7公里，依赖于机动化或耗时的访问方式。起点的贡献因子区域而异：在维也纳内部，OD流来自多个东部和北部地区（图5），而在周边大都市边缘的北部/东部地区，观察到的起点较少，这可能部分反映了较低的人口密度以及连接性和最后一段距离的条件。区域组成反映了同样的分界（S3）。西部和东部走廊簇主要由维也纳一侧的起点主导，这与这些轴线上的公共交通-自行车整合一致。簇5（超本地步行者）主要由居住在城市边缘的郊区居民提供，而簇4（外围低频用户）包括少量来自外围的行程（n = 8），因此我们认为其空间组成仅具有指示性。频繁的休闲活动主要集中在中心区域和内围区域的集水区，这些地方有连续的休闲通道；而偶尔的“目的地”出行则来自更偏远的地区。这些聚集的对比促使我们更仔细地研究不同出行方式从出发点到森林的旅行时间。3.3.3. 根据出行方式和时间的可到达性进行分组直线距离只能部分解释可到达性；对于实际使用来说，重要的是通过可用出行方式从出发点到森林的旅行时间。网络分析揭示了三种不同的情况（S2）。这种模式与考虑到时间预算和场地承载能力后的可到达性证据一致，表明一旦考虑到这些因素，不平等现象就会显现出来，而不仅仅是几何距离。超本地步行者可以在20分钟以内的步行或骑行时间内到达森林，并能够维持定期访问。多模式通道（集群1-3）由于步行和骑行时间都在一小时以内而保持频繁使用，其中集群1（城市活跃通道）在各种出行方式中都特别高效，集群3（东部通道）在骑行方面尤其具有竞争力，而集群2（城郊多模式出行者）则受到最后一段距离的限制。远足集群（0和4）面临数小时的步行或步行时间负担；在集群0中，汽车是唯一可行的选择，而在集群4中，可到达性实际上几乎不存在，这解释了为什么访问频率最低。按距离分组证实了这种出行方式的依赖性（S2）：在2公里以内，步行占主导；在2-8公里范围内，骑行和步行/骑行通道扩展了可达范围；超过8公里后，只有汽车或长距离步行才可行，导致访问次数减少。简而言之，是时间而不是距离决定了可到达性：本地和通道集群保持在可接受的时间预算内，而外围区域尽管距离较近，但由于旅行时间过长而难以实现休闲活动。3.3.4. 子集群差异（集群0和1）HDBSCAN将两个最大的DBSCAN集群（n = 894）分为行为上不同的子集群（图7，图8；S3）。这些子集群突显了不同的行为类型，解释了具有相似出行的居民为何遵循非常不同的访问模式。集群0（分散的汽车出行者）涵盖了从以汽车为主到真正多模式出行的整个范围（图5，图8）。其中一个子类型专注于从较远的地方出发的长距离汽车出行，其中步行/骑行的替代方案通常需要超过90分钟。第二个子类型显示郊区混合的汽车-步行/步行出行方式，其门到门的旅行时间同样较长，并且存在间歇性的最后一段距离障碍。一个较小的近边缘子类型记录了短距离的本地循环（仅在森林边缘短暂访问），尽管偶尔会使用汽车。一个更加多模式的子类型结合了特定通道上的步行和骑行；尽管时间成本仍然适中，但与长距离出行子类型相比，访问频率相对较高。总的来说，这些模式解释了集群0较宽的旅行时间分布和较低的中位数访问频率。集群1（城市活跃通道）与西部的步行绿道更加紧密相连，但也分为不同的子类型（图5，图7）。子集群清晰地分隔了内环多模式出行模式（大多数受访者的出行时间在60分钟以内）和西部 feeder 模式（较长的步行路段和更陡峭的骑行路段导致更高的变异性，但仍然基本可行）。第三个边缘微步行者子类型包括居住在距离入口点约2公里范围内的居民，记录了最高的访问频率。下载：下载高分辨率图像（815KB）下载：下载全尺寸图像图7. 主集群1内的HDBSCAN子集群。（a）所有OD线按子集群着色。（b-e）子集群1-4的多个视图。这些细化并没有改变类型学；它们阐明了为什么表面上相似的出行起点会导致不同的时间预算和使用水平。子集群之间的对比是一致的。在集群0中，长时间的步行和步行出行解释了对汽车的依赖（图8）。在集群1中，微步行者强调了在森林边缘保持连通性的重要性（图7）。因此，子集群分析揭示了隐藏在通道规模群体中的多样性，并指出了细粒度措施、边缘连接器、最后一段距离的改进以及多模式连续性如何最有效地将接近性转化为频繁的低碳休闲活动。子集群的异质性支持有针对性的而非统一的通道干预措施。3.4. 社区环境和访问优先级社区形态和日常服务强烈影响接近性是否转化为实际的可到达性。集群级别的可到达设施、住房类型和沿途的停靠点在S2中有报告。在分组流中，最常见的集群是集群1和集群0，其次是集群2（表1）；集群4和集群5规模较小，需要谨慎解读。相当一部分流量未被分组（DBSCAN噪声），这解释了总OD流量与分组路线之和之间的差异。在各个集群中，基本服务是共同的，但感知到的设施可达性和绿色连接器的差异与观察到的出行方式/时间负担一致（图9；S2）。下载：下载高分辨率图像（314KB）下载：下载全尺寸图像图9. 按集群划分的访问优先级。“良好的步行可达性”、“良好的步行性”、“连续的自行车道通往/在区域内”以及“足够的汽车停车位”的马赛克图。集群2（城郊多模式出行者）表现出更不均匀的分布。商店和公共交通站点几乎普遍存在，但“绿色街道”连接器较少。因此，汽车和骑行出行速度快，但步行和步行出行仍然较慢，反映了尽管基础服务覆盖良好，但最后一段距离的障碍。集群0（分散的汽车出行者）服务较为完善，许多受访者报告附近有商店和步行设施，住房类型倾向于独立或封闭式建筑。受访者经常将办事与休闲活动结合，并经过葡萄园或草地（S2），然而长时间的步行和步行出行使得汽车成为主要出行方式。集群4是结构上的异常值。中间的绿色连接器几乎不存在，商店较少，高层住宅占主导地位。旅行时间负担极重：步行超过三小时，步行接近两小时。社区设施可达性指数（约15分钟，感知值）表明可达性较低，从居民的角度来看，日常可到达性条件较差。沿途行为进一步强化了这些差异。集群1、3和5显示出沿着接近路线的葡萄园、游乐场和公园的高连续性，而集群4的行程几乎不经过任何绿色停靠点。因此，嵌入在连续绿色景观中的森林成为习惯性的低碳目的地，而孤立的区域则因旅行时间过长而抑制了使用。声明的访问优先级反映了这些结构条件（图9，S2）。在公共交通、步行性、连续骑行和停车方面存在显著差异，而接近性、风景质量和保护区状态在各集群之间没有差异。集群4和1最重视步行，这与长距离步行路段和基于通道的出行方式一致，而集群0最重视停车，反映了對汽车的依赖：多模式集群对停车的评分最低。对于骑行的看法存在分歧：集群4强调在没有安全连接器的地区需要连续的自行车道，而集群1在现有的西部绿道条件下要求较低。S3提供了额外的子集群诊断信息。4. 讨论维也纳大都会区的森林访问活动更多地受到时间上可行的通道和出行方式的影响，而不是绝对的绿地供应。距离很重要，但实际使用遵循由社区结构、多模式连接器和沿途连续性设定的阈值；直线距离和自我评定的“罕见/频繁”类别未能反映这种时间结构。从概念上讲，通道效应源于旅行时间预算、可行出行方式集合和网络连续性的相互作用。随着距离的增加，频繁的访问受到时间成本的限制，可行的出行方式从步行转变为骑行和公共交通（对某些人来说还包括汽车）。因此，实际可到达性不仅取决于接近性，还取决于通道的摩擦（例如，骑行的连续性、车站到步道起点的连接以及森林边缘的障碍物通透性）。相似的直线距离在不同通道质量和多模式连通性下可能导致非常不同的实际使用情况，这有助于解释为什么仅基于目的地的可达性测量在某些地区可能高估了可到达性，在其他地区则可能低估了它。超本地步行区域展示了步行进行频繁低碳休闲活动的潜力。这些发现与其他国际步行性研究的结果一致（Rubino等人，2025年）。相比之下，外围区域（集群4）显示了限制，其中薄弱的连接器和安全的多模式通道抵消了短的直线距离（Calafiore等人，2022年）。除了物理可到达性外，访问还受到社会和体验驱动因素的影响（Salak等人，2026年），因此我们将通道和接近性效应解释为行为相关因素，而不是完整的因果关系。模型拟合度适中，表明存在系统趋势，但也有大量未解释的变异（表S2中的S5）。规划措施如下：a）保持森林边缘的通透性，设置明确的入口点、安全的穿越设施、清晰的导向标识以及从社区街道到森林的短距离微连接；b）加强通往森林入口点和火车站的步行/骑行通道，确保安全的自行车停车和季节性的火车载客能力以维持一小时以内的行程；c）通过完成环状道路、铁路线和水道上的步行/骑行连接来克服结构障碍，并提高密集住宅区500-800米范围内的可见性；d）管理瓶颈（表面质量、拥挤、冬季维护）以保护可预测的时间预算（Arnberger等人，2010年，Arnberger和Eder，2012年）。方法上，DBSCAN/HDBSCAN非常适合处理类似通道的OD几何形状和明确的噪声处理；分割基线经常合并轴线或产生伪影（McInnes等人，2017年，Hahsler等人，2019年）。基于通道和时间的视角有助于找到小而高效的链接，以实现公平的低碳森林访问。4.1. 空间洞察4.1.1. 基于通道和时间的梯度距离-频率曲线取决于出行方式：步行下降最快，而骑行和步行随着实际范围的扩大而趋于平稳。观察到的出发点的空间模式表明，区级人口、森林可用性和实际访问之间存在不匹配：维也纳森林边缘地区（维也纳14-17）结合了丰富的附近森林资源和多模式接入，集中了出行流量（图5，图7，图8；S2，S3）。当提到“维也纳东部/北部”时，我们指的是维也纳市辖区（例如Floridsdorf、Simmering），而提到“研究区域外的北部/东部”则指下奥地利大都会边缘地区（NUTS-3区域）。在维也纳以外（下奥地利大都会边缘地区），来自研究区域北部/东部的OD流量较少，可能部分反映了较低的人口密度，以及诸如 feeder 公共交通、最后一段距离的连通性和入口点的可见性/可读性等访问条件。因此，我们将连接器和 feeder 条件视为合理的因素，而不是单一的解释。4.1.2. 区级入口点和供需模式区级出发点模式突显了维也纳森林休闲需求转化为实际访问的地方，但应将其视为指示性的入口点，而不是严格的“接近性”效应。与维也纳森林接壤的区域能够集中出发点，并作为主要的入口点，反映了与相邻居住结构和多模式接入选项紧密交织的相对连续的森林边缘。相比之下，Floridsdorf和Simmering等地区的“代表性不足”并不直接可比。这两个地区在空间上较大，森林多边形主要位于区边界。它们通常由于中间土地用途的功能分离而与主要居住区隔开。因此，区级相邻性可能高估了实际的日常可到达性。在这些地区，其他大型城市绿地和蓝绿休闲景观（例如Prater、Donauinsel）可能更适合作为日常休闲的替代选择。在大都市范围内，VMA组成（S3）显示了同样的划分：西部集群主要来自维也纳一侧的出发点，而东部通道吸引了市中心的需求，沿着步行-骑行主轴。比较不同区域的出发点与森林覆盖情况进一步说明了典型的供需不匹配：西部的丰富森林资源和强大的入口点产生了集中的多模式流量，而研究区域某些东部/北部地区相似（或更高）的人口对应于较低的OD流量强度，这与连接器缺口和较弱的步行 feeder 相符，而不是缺乏森林面积本身（S2）。另外两个模式进一步细化了这一解释。首先，相当一部分休闲活动转移到了未被归类为森林的其他城市绿地（公园、线性绿地条带、葡萄园边缘；样本中约13%的行程），表明用户在最后一段距离的连接较弱时，会权衡距离与路线努力/质量，并选择更近的绿地。其次，强烈的区内偏好（S3）表明了局部化的集水区：当缺乏清晰的入口点和直接的短距离接入时，行程会延长，访问次数会减少。重要的是，家庭位置分布是基于受访者的，因此不能直接与主地图中显示的OD流量密度进行比较。除了距离和连接器之外，森林单元的大小/连续性和景观背景（例如，大型洪泛区森林与碎片化的边缘区域）也可能影响休闲活动，应在后续工作中使用形态学和质量指标进行测试。这些模式表明，访问次数较少的地区往往连接器不足，需要采取诸如车站到步道起点的连接、连续的骑行通道、有针对性的步行 feeder、火车上的自行车载客能力等干预措施。在密集住宅区500-800米范围内新建或标识更清晰的入口点最有可能将潜在需求转化为常规的低碳使用（Tenn?y等人，2022年）。这些元素被实现为连续的绿色通道，其间穿插着小型绿地和导向标识，从而缩短了从家门到目的地的出行时间，并增加了短距离、可重复的出行次数，改善了出行的便利性和休息机会（Nordh等人，2009年；Pauleit等人，2019年；Stoia等人，2022年）。从这个意义上说，走廊和最后一公里的连接通道不仅仅是交通设施，更是支持健康的核心绿色基础设施。维也纳西部和南部边缘的城郊地带通过将步行、骑行和公共交通的行程保持在合理的范围内，吸收了市中心区域的大量需求。相比之下，北部/东部某些地区较低的出行流量密度表明，仅仅依靠距离并不能保证频繁的使用，尤其是在连接通道的连续性和森林边缘配置不同的情况下。社区内部的连接通道（例如葡萄园小径、清晰的绿道）可以支持日常休闲活动，但它们依赖于连续的步行/自行车走廊以及从车站到步道起点的短距离直接连接。管理交通瓶颈（例如交叉路口和季节性维护）有助于保持可预测的出行时间（Arnberger和Eder，2012年）。这种集群分类方法通过识别那些出行频率受走廊不连续性和通行条件影响较大的区域，将这些模式转化为规划优先事项。

4.2. 局限性与未来研究方向
我们的研究是横断面的，依赖于自我报告的出行数据和映射的目的地信息，这本身就存在典型的回忆偏差和报告不确定性（S1）。由于研究对象的年龄限制在16岁以上，总人口与符合条件的人口比例之间可能存在微小差异；因此我们使用16岁以上的人口数据来评估和报告代表性（表S1；S1）。配额分配遵循了数据提供者的区域划分（而非区级目标），因此可能会出现小的区级偏差，尽管事后比较显示与人口普查数据在区和1平方公里网格级别上有很高的一致性（S1）。参与是自愿的，因此可能存在自我选择偏差：对森林、休闲或规划话题更感兴趣的居民可能会被过度代表。这可能会夸大实际的出行频率和偏好；因此，我们更强调比较模式，而不是将比例视为人口估计值。数据来源的分辨率是1平方公里的网格。网格分配（以及基于质心的路径规划）引入了位置上的不确定性（最高约0.7公里），这可能会影响短距离出行的测量结果；因此我们对接近阈值的距离和非常短的出行距离需要谨慎解读。网络出行时间代表的是“典型”情况，而不是特定时间、季节性或交通拥堵条件下的情况，而且设施清单可能没有及时反映最近的街道变化；这两者都可能减弱或放大估计的出行时间负担。与社区设施可达性指数（约15分钟，主观感知）的关联不应被视为对正式“15分钟城市”规划的直接评估。

4.2. 局限性与未来研究方向
我们的研究是横断面的，依赖于自我报告的出行数据和映射的目的地信息，这本身就存在典型的回忆偏差和报告不确定性（S1）。由于研究对象的年龄限制在16岁以上，总人口与符合条件的人口比例之间可能存在微小差异；因此我们使用16岁以上的人口数据来评估和报告代表性（表S1；S1）。配额分配遵循了数据提供者的区域划分（而非区级目标），因此可能会出现小的区级偏差，尽管事后比较显示与人口普查数据在区和1平方公里网格级别上有很高的一致性（S1）。参与是自愿的，因此可能存在自我选择偏差：对森林、休闲或规划话题更感兴趣的居民可能会被过度代表。这可能会夸大实际的出行频率和偏好；因此，我们更强调比较模式，而不是将比例视为人口估计值。数据来源的分辨率是1平方公里的网格。网格分配（以及基于质心的路径规划）引入了位置上的不确定性（最高约0.7公里），这可能会影响短距离出行的测量结果；因此我们对接近阈值的距离和非常短的出行距离需要谨慎解读。网络出行时间代表的是“典型”情况，而不是特定时间、季节性或交通拥堵条件下的情况，而且设施清单可能没有及时反映最近的街道变化；这两者都可能减弱或放大估计的出行时间负担。与社区设施可达性指数（约15分钟，主观感知）的关联不应被视为对正式“15分钟城市”规划的直接评估。

特定交通方式的出行时间是基于网络的情景估计，连接聚合的起点和映射的入口点（而非实际观测到的出行时间）。因此，极端值可能反映了映射的不确定性、多模式/往返路径的解读或交通方式报告的误差，应将其视为对可能性的描述性分析，特别是对于小规模集群（例如集群4）。敏感性检查排除了超过120分钟的出行时间，表明大多数集群之间的差异是稳定的，而少数小段则对时间敏感（S3）。接近路径被建模为从家庭网格中心点到映射入口点的特定交通方式的最短路径，因此它们代表的是代理走廊，而不是实际行驶轨迹。这些路径假设在现有网络上的最优路径选择，并未考虑个体路径选择、绕行、中途停留或时间变化（例如交通拥堵或公共交通时刻表）。结果取决于路径网络的完整性和时效性及其阻抗属性，这些因素可能忽略了非正式路径或局部限制，无法反映影响感知努力和路径选择的微观条件（例如交叉路口、坡度、路面质量）。将GIS建模的路径与GPS观测行为进行比较的证据表明，最短路径的代理值可能与实际选择的路径有所不同；因此，我们将这些接近路径视为基线走廊的近似值，而不是实际出行行为的重建（Dalton等人，2015年）。未来的工作可以计算每对出行目的地的所有交通方式的反事实出行时间，以探索在明确可行性假设下的交通方式转换潜力。

对沿途连接通道的测量是基于路点的代理指标，而不是对路径质量、安全性或舒适度的实际审核。走廊的“路点”变量反映了关于森林出行的习惯性共同出行的自我报告，并未经过特定行程记录路径的验证。最后，维也纳密集的公共交通网络、已建立的绿道和连续的森林边缘可能限制了这些模式在更依赖汽车的大都市环境中的适用性，在这些环境中，走廊类型和阈值可能会有所不同。未来的工作应确定连接通道的因果效应：通过纵向调查来捕捉季节性变化；使用同意收集的GPS数据、自行车计数器和匿名智能卡数据进行验证；对新连接通道（例如车站到步道起点、自行车高速公路）进行准实验评估；进行细致的审核（如路面状况、交叉路口、照明、感知安全性）以解释交通方式的变化；以及进行公平敏感性和跨城市分析，以测试基于时间的出行制度和对使用、拥挤程度及福利影响的改变的普遍性。

5. 结论
本研究通过从基于目的地的邻近性测量转向基于实际实现的起点-目的地流量，推进了城市森林可达性的研究。利用具有代表性的PPGIS数据和基于密度的聚类方法，我们揭示了维也纳大都市区域内不同的走廊类型，这些走廊类型塑造了森林休闲活动的格局。距离很重要，但这种重要性是随时间变化的。出行遵循由交通方式可用性、网络连续性和最后一公里条件决定的时间可行性梯度。仅仅依靠距离并不能保证使用；走廊的结构决定了附近的森林是否会成为常规的、低碳的出行目的地。方法论上，应用DBSCAN/HDBSCAN对出行数据进行聚类，揭示了基于走廊的出行制度，这些制度在基于缓冲区的分析中是看不见的。对于规划而言，这意味着加强连接通道、提高边缘的渗透性和多模式交通的连接性可能比单纯增加绿色空间更有效地将名义上的邻近性转化为实际的出行便利性。可持续的大都市森林可达性不仅取决于森林的位置，还取决于人们实际如何到达这些森林。

在本文的准备过程中，作者使用了ChatGPT和DeepL Write工具来改进语言表达和清晰度。使用这些工具后，作者根据需要对内容进行了审查和编辑，并对发表文章的内容负全责。

本研究是在国际合作项目下进行的（“森林休闲监测中的大数据” - 奥地利科学基金（FWF）资助项目，项目编号10.55776/I6083；以及“华沙和维也纳大都市区域内森林地区旅游流量监测和文化生态系统服务价值化中的大数据” - 波兰国家科学中心资助项目，项目编号2021/43/I/HS4/01451，该项目属于Weave计划下的OPUS项目）。为了实现开放获取，作者对由此产生的任何作者接受的手稿版本应用了CC BY公共版权许可。虽然该项目整合了多种数据来源，但本文的分析仅基于在线调查数据。研究方案，包括参与者招募、调查设计和数据收集程序，均符合FWF和波兰国家科学中心的标准。该研究获得了波兰森林研究所（IBL）人类受试者研究伦理委员会的批准，并遵循了相关指南和规定。所有参与者及其法定监护人均签署了知情同意书。

作者贡献声明：
Mariusz Ciesielski：资源、方法论、调查、资金获取、正式分析。
Stefan Fruzsina：写作——审阅与编辑、初稿撰写、可视化、方法论、调查、正式分析、数据管理、概念化。
Thibaud Zobel：可视化、正式分析、数据管理。
Theresa Scharl：验证、方法论、正式分析、写作——审阅与编辑。
Karolina Taczanowska：写作——审阅与编辑、初稿撰写、监督、方法论、调查、正式分析、概念化。