【论文分享】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

本次给大家带来一篇SCI论文的全文翻译！该论文引入了一种基于空间依赖的图神经网络（GNN）方法，并探讨空间结构与城市尺度上恢复质量之间的关系。该论文阐明了空间结构与恢复质量之间的关联，为未来提升城市居民的福祉提供了新的视角。

【论文题目】

How does spatial structure affect psychological restoration A method based on graph neural networks and street view imagery

【题目翻译】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

【期刊信息】Landscape and Urban Planning, Volume 251, November 2024, 105171

【作者信息】Haoran Ma，香港中文大学空间与地球信息科学研究所，6210307146@stu.jiangnan.edu.cn；Yan Zhang，香港中文大学空间与地球信息科学研究所，6210307146@stu.jiangnan.edu.cn；Pengyuan Liu，全球未来城市实验室，新加坡- eth中心，pengyuan.liu@sec.ethz.ch；Fan Zhang，北京大学地球与空间科学学院遥感与地理信息系统研究所，fanzhanggis@pku.edu.cn；Pengyu Zhu，香港科技大学公共政策学系，pengyuzhu@ust.hk。

【论文链接】https://doi.org/10.1016/j.landurbplan.2024.105171 

【关键词】恢复、图神经网络、街景图像、空间结构、GeoAI、注意力恢复理论。

---

【摘要】

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。我们构建了两种类型的图：一种是利用连续的街景图像（SVI）构建的街道级别图，用于捕捉实体之间的视觉关系并表示空间结构；另一种是通过建模道路的拓扑关系来捕捉邻近实体的空间特征的城市级别图。这两种图整合了感知、空间和社会经济特征，用来衡量恢复质量。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。消融实验进一步揭示了空间结构特征对恢复质量预测性能的显著积极影响。此外，研究还强调了相较于人工实体（如建筑物），自然相关实体（如树木）对高恢复质量的重要性。本研究阐明了空间结构与恢复质量之间的关联，为未来提升城市居民的福祉提供了新的视角。

---

【前言】

全球超过一半的人口居住在城市中，而这一数字处于不断变化的状态，预计到2050年，这一比例将增加至全球人口的75% (Ritchie and Roser, 2018)。这种快速的城市化进程迫使我们必须关注缓解城市环境对人类健康的不利影响，特别是在促进身体健康、管理压力以及预防压力相关疾病方面 (Akpınar, 2021; Cetin et al., 2021; Liu et al., 2020)。改善城市建设环境是一个被广泛认可的解决方案，其潜力被认为可以应对这些心理健康问题 (UNFPA, 2007; Keniger et al., 2013; Hough, 2014)。

与此同时，接触森林和绿地对人类心理健康的益处已得到证实，能够有效减少压力 (Capaldi et al., 2014)，改善情绪 (Berman et al., 2008)，并恢复耗竭的认知功能 (Akpınar, 2021; Liu et al., 2020)，这些都得到了注意力恢复理论（ART）的支持(Kaplan, 1995; Hartig et al., 1991)。然而，以往的实证研究通常依赖孤立的问卷调查或单一图像作为评估方法和数据来源 (Burmil et al., 1999; Lindal and Hartig, 2013)。这种方法未能考虑空间结构（即场景内的连接）和地理相关性（即场景外的影响）对恢复质量的影响。因此，这些研究得出的结论和实证证据可能是有限且孤立的。因此，有必要研究这些影响，以全面理解恢复性环境。

空间结构，被理解为物理实体之间的视觉关系，与街道布局 (Ashihara, 1986)、景观设计(Cullen, 2012) 和土地使用功能 (Zube, 1987) 密切相关，并进而影响人类的感知 (Lynch, 1984)。正如地理学的第一定律所述：“万物皆相关，但近物相关性强于远物” (Tobler, 1970)。因此，空间结构涉及这些元素之间复杂的相互关系，并且它们的不同形式可能产生完全不同的结果或影响。例如，Celikors和Wells (2022) 发现两张视觉元素相似的图像，由于空间结构的变化，可能引发不同程度的心理恢复。虽然揭示空间结构对心理恢复的影响有可能丰富空间的解释性，但在早期的建模工作中，丰富而细致的空间结构差异一直难以衡量。

街景图像（Street View images，SVI）为从人的视角捕捉空间结构信息提供了宝贵的机会。这些图像具有较高的空间分辨率，并提供连续的数据（间隔50米），包含丰富的城市信息，已经被广泛用于城市形态 (Gong et al., 2019; Ito and Biljecki, 2021)、视觉感知 (Biljecki and Ito, 2021) 和健康行为 (Fan et al., 2023; Rzotkiewicz et al., 2018) 的研究中。同时，利用这些数据评估城市恢复质量也引起了越来越多的关注。一些研究探索了SVI预测城市恢复质量的潜力，证明了其效率和准确性 (Han et al., 2023; Ma et al., 2023)。此外，这些图像的连续性为探索街道单元内空间实体的内在联系提供了机会 (Zhang et al., 2023; Liang et al., 2023)。

近年来，方法上的突破，比如机器学习，被广泛应用于城市研究领域。其中，图神经网络（GNN）在捕捉外在关系和预测属性方面表现出显著优势，应用于交通流量、城市人口流动和社会感知等多个领域 (Liu and Biljecki, 2022; Zhang et al., 2023)。基于这些应用，我们的研究旨在利用这种方法，使用图形表示城市空间结构并评估其恢复质量。具体来说，我们提出了一种基于空间依赖的GNN方法，以揭示城市尺度上空间结构与恢复质量之间的关系。这种方法涉及两种不同类型的图：街道级别图和城市级别图。街道级别图通过道路单元内的连续街景图像捕捉实体之间的视觉关系，特别是空间结构；而城市级别图整合了包括社会经济、感知和空间特征的城市变量，同时考虑到周边环境，以衡量恢复质量。据我们所知，我们提出的评估城市恢复质量并揭示空间结构影响的方法具有开创性。

本研究在三个关键方面对研究领域做出了重要贡献：

• 我们提出了一种基于空间依赖的GNN方法，通过捕捉邻近空间特征，有效预测了城市级别图中的恢复质量。
• 我们验证了空间结构对城市空间恢复质量的影响，并基于街道级别图探讨了不同恢复质量空间的内部空间结构。
• 我们发现，在高恢复质量空间的空间结构中，自然相关实体（如树木）比人工实体（如建筑物）更为重要。

 

---

【文献综述】

2.1. 城市环境中的恢复质量

注意力恢复理论（ART）为理解环境互动对心理健康的益处提供了框架。在ART中，心理恢复和认知功能改善是指在精神疲劳后的恢复 (Kaplan, 1995)。根据Kaplan和Kaplan (1989) 的观点，要恢复认知功能，环境应具备四个特质：远离、广度、吸引力和兼容性。“远离”使我们能够远离日常生活中的疲劳。“广度”指的是环境的广阔性以及它吸引我们探索的程度。“吸引力”是指环境能够吸引我们的兴趣而不会消耗我们的注意力资源的能力。“兼容性”则是指个体的需求或偏好与环境特征之间的契合度。

与自然环境互动的优势显而易见，比如减少焦虑 (Felsten, 2009)，缓解压力(Capaldi et al., 2014)，改善情绪 (Berman et al., 2008)，以及提升在需要注意力和工作记忆的任务中的表现 (Bratman et al., 2015; Stenfors et al., 2019)。然而，以往的研究主要关注自然环境的对恢复的益处，且通常将其与城市环境进行比较 (Hartig et al., 1991