通过多重分形城市形态指标和可解释的机器学习方法来诊断形态与活力之间的关系

《Scientific Reports》：Diagnosing morphology-vitality relationships through multifractal urban form metrics and explainable machine learning

　　

摘要

理解城市形态与城市活力之间的关联对于可持续的城市再生至关重要，然而传统的基于密度的指标往往无法捕捉三维城市形态中的跨尺度异质性。本研究提出了一个形态-活力诊断框架，该框架将高程加权多重分形分析与可解释的机器学习相结合。以中国济南市的主要城区作为案例研究，我们从建筑物占地面积和高度数据中提取了多重分形指标，并利用人口、兴趣点和道路网络指标构建了一个综合活力指数。通过XGBoost模型和SHAP解释方法来研究形态描述符与城市活力之间的非线性关联，同时对活力指数、特征集、多重分形参数和阈值检测进行了额外的稳健性分析。研究结果表明，形态异质性指数Δα是解释活力变化的关键变量，并且在不同的模型设置中均保持较高的排名。基线比较表明，多重分形描述符提供了超出传统形态指标的额外预测信息。基于部分依赖性的分段回归进一步确定了Δα约为1.82的一个稳定敏感区间，自助法和空间块稳健性测试支持这一阈值的一致性。所提出的不匹配指标并非意味着直接的因果关系，而是被解释为基于形态预测的活力与实际观察到的活力之间的偏差诊断工具。该框架通过提供一种定量工具来识别形态结构和功能表现不匹配的区域，从而为面向可持续发展目标（SDG）的城市再生做出了贡献。