一区Top (Cities) | 城市韧性的空间异质性：通过将密度–结构–功能框架嵌入空间机器学习模型来量化关键决定因素

随着快速城市化和气候风险不断升级，提高城市韧性已成为增强城市系统适应能力的关键。然而，如何理解城市功能、密度、结构与城市韧性之间的非线性及空间异质性关系，仍是一个重大挑战。为此，本研究提出了一种融合随机森林（RF）算法的改进型灰色关联分析-TOPSIS方法（RF-GRA-TOPSIS），用于评估城市韧性。此外，基于城市功能空间与景观生态学理论，构建了“密度-结构-功能（Density-Structure-Function, D-S-F）”分析框架。进一步地，采用地理加权随机森林（GWRF）模型识别影响城市韧性的关键因素，有效考虑了非线性和空间异质性。我们在郑州市城市街区尺度上，利用多源数据对所提出的方法与框架进行了验证。研究结果表明：(1) 2005年至2020年间，郑州城市韧性提升了4.5%，空间差异下降了17.1%，并形成了显著的“核心—边缘”格局。(2) 交通、医疗和政府服务是影响城市韧性的主导因素，人口密度与植被覆盖率也具有重要贡献。(3) 这些因素呈现出明显的非线性与空间异质性效应，在郑州市中心城区表现出更为突出的影响（%IncMSE）。(4) 与传统模型（包括普通最小二乘回归、空间回归树、地理加权回归以及随机森林）相比，GWRF模型的解释力（R²）提升了3–16%。总体而言，城市韧性由密度、结构与功能的综合作用所决定，其中城市功能发挥着最为主导的影响作用。本研究为灾害风险管理和快速城市化地区的韧性城市发展提供了可操作性的启示。

现有的城市韧性工具包和框架仍无法解决这些关键问题。我们通过有针对性的研究目标提出潜在解决方案：（1）将建成环境整合到城市韧性子系统中，并开发一种能够适应街区规模复杂性的评估方法；（2）应用考虑非线性关系和空间异质性的空间机器学习回归模型，为提升城市韧性提供具备针对性的空间策略；（3）构建一个整合城市密度、结构和功能协同反馈机制的城市韧性分析框架，从而丰富城市韧性的理论框架。

本研究以郑州市为研究区域，基于多源地理数据开展城市韧性研究。数据涵盖30 m 分辨率的NDVI、DEM与土地覆盖，0.01° PM2.5浓度，500 m 夜光遥感，100 m 人口栅格，1 km GDP数据，以及河流网络和高德POI，分别来自NASA、国家生态科学数据中心、华盛顿大学、Zenodo、WorldPop、国家地球系统科学数据中心及中科院资源环境科学数据中心。所有数据经ArcGIS与FRAGSTATS处理，提取街区尺度的韧性分析指标。

5.3 城市韧性评估结果

5.3.1 整体分析
2005－2020年郑州市城市韧性指数均值由0.400升至0.418，总体提高4.5%；变异系数由0.193降至0.160，空间差异收窄17.1%。全局Moran’s I始终大于0.88（p<0.001），表明韧性分布保持显著空间集聚，但Z值由44.2降至41.8，集聚程度略有减弱（Table 3）。标准差椭圆长轴维持在107.8°–108.9°，扁率0.217–0.225，显示韧性空间格局呈稳定“西北—东南”向核心集中态势。

5.3.2 时空变化
街区尺度韧性呈现典型“核心—边缘”结构：高值区集中于金水、二七、管城交界的北下街、西大街、杜岭街；低值区散布在东北、东南及西北外围街道。2005年中等水平街区占41%，低水平占30%；至2020年中等—高水平比例升至40%，低水平降至16%，整体向高韧性演进（Fig. 7a–e）。

5.3.3 韧性子系统时空特征

社会、经济、生态与建成环境四子系统均呈现以金水—二七核心区为中心的距离衰减格局。2005－2015年社会子系统低值区广泛，2020年低—中等、中等区占比迅速扩大；经济子系统由低值主导转为五级均衡，高值区自金水南部向二七—中原交界扩展；生态子系统低值区持续缩减，中—高水平街区显著增加；建成环境高值区集中于解放路、德华街等老城中心，四子系统高值空间高度重叠，集聚效应显著（Fig. 8）。

5.4 城市韧性影响因素识别

5.4.1 模型性能比较
地理加权随机森林模型在四个年份的决定系数（R²）分别为0.792、0.921、0.863、0.902，均优于普通最小二乘回归、空间回归树、地理加权回归和标准随机森林，平均提升16%、15%、5%、3%；均方根误差与平均绝对误差亦最低，验证了其处理空间非平稳与非线性关系的优势（Table 4，Fig. 9–10）。

5.4.2 影响因素综合分析

交通运输服务与医疗服务功能在2005－2020年始终位居相对重要性前列，政府服务功能影响显著上升，人口密度贡献度下降。功能层>密度层>结构层，且各因子与韧性呈复杂非线性：交通设施密度263–412 km⁻²、医疗设施209–278 km⁻²时提升最快；人口密度超过600人 km⁻²、政府设施超过415 km⁻²后边际效应递减；植被覆盖指数在0.45处出现“由负转正”阈值；景观多样性在0.45–0.69区间呈显著负相关（Fig. 11–13）。

5.4.3 影响因素时空异质性

密度层：人口密度高影响区由分散转向金水东南与管城北片集聚，住宅密度高影响区收缩至金水中心，植被覆盖对核心区作用显著高于外围。结构层：景观多样性对金水中心与惠济西北部影响减弱，景观连通性对二七西南影响下降、对经开东部影响上升，景观聚集度与金水中心正相关增强。功能层：交通运输、政府服务、医疗服务对中心城区韧性影响始终强于东部与西北外围，呈现显著的“核心—边缘”分异特征（Fig. 14–16）。

本研究提出了用于城市韧性评估的RF-GRA-TOPSIS方法。此外，构建了基于密度—结构—功能（Density-Structure-Function, D-S-F）的研究框架，并采用地理加权随机森林（Geographically Weighted Random Forest, GWRF）模型，深入探讨了影响城市韧性的各因素在城市精细尺度上的异质相关特征。以中国郑州市为案例，通过多源数据验证了所提方法的适用性与研究框架的可靠性，从而确认了景观生态、功能服务与城市韧性之间的时空异质性。

研究结论如下：(1) 以郑州市“西北—东南”发展轴为中心，高韧性区形成于金水区、二七区与管城区交界处，低韧性区则主要分布在惠济区北部和管城区东部。在研究期内，郑州市整体韧性水平提高了4.5%，区际韧性差异下降了17.1%。(2) 在街区尺度上，城市韧性表现出显著的正向空间依赖性，但空间集聚程度下降了6.2%。中高韧性街区比例由7%上升至40%，低韧性街区比例由30%下降至16%。韧性显著改善的区域主要集中在金水区中部、二七区西南部和惠济区西部。(3) 各影响因素对城市韧性的作用均呈现出明显的非线性特征，主要表现为局部波动与阈值效应。当交通设施密度处于263–412个/km²区间时，城市韧性提升最为显著；但当人口密度超过600人/km²、政府设施密度超过415个/km²时，这些因素对韧性的正向作用开始减弱。医疗设施密度在209–278个/km²范围内时，对城市韧性提升贡献最为突出。(4) 各因素在时间与空间维度上均表现出显著的异质性作用，高影响区主要分布在城市中心区域。在城市功能层面的异质性效应（%IncMSE）呈现出明显的“核心—边缘”格局。与现有回归模型（OLS、SRT、GWR、RF）相比，GWRF模型在城市韧性回归的精度上均有显著提升，平均R²分别提高了16%、15%、5%和3%。

研究结果表明，城市功能对城市韧性的影响最为显著，但城市密度与城市结构的作用亦不容忽视。这强调了从综合视角合理配置公共服务资源、优化城市空间结构并优先发展绿色基础设施的重要性，以实现城市功能、密度与结构的协同调控和均衡发展，从而提升城市韧性。

此外，RF-GRA-TOPSIS方法具有广阔的应用前景，并可根据不同城市类型与灾害场景进行调整。通过修改数据输入与评估指标，该方法不仅可用于小规模城市与快速城市化地区，也可应用于洪涝、地震、热浪等特定灾害情境下的城市。然而，在数据可得性不足或空间差异性显著的地区，尤其是基础设施与社会服务分布极不均衡的环境中，该方法的适用性可能受到一定限制。为缓解这一问题，未来研究可引入包括手机信令数据与社交媒体分析在内的替代数据源，以增强方法的适应性，更有效应对多样化的城市与灾害情境所带来的复杂性。

这篇文章《Spatial heterogeneity of urban resilience: Quantifying key determinants by spatial machine learning model embedded in density-structure-function framework》由Tianshun Gu等人撰写，发表于《Cities》第167期（2025年），旨在探索和构建城市韧性评估框架，以增强城市系统应对灾害风险的能力。以下是对文章的主要内容进行的总结：

研究创新性

多学科方法的融合：文章通过整合随机森林（Random Forest, RF）、灰色关联分析（Grey Relation Analysis, GRA）和逼近理想解排序法（Technique for Order Preference by Similarity to Ideal Solution, TOPSIS）等多学科方法，提出了一种新的城市韧性评估方法（RF-GRA-TOPSIS），并结合地理加权随机森林（Geographically Weighted Random Forest, GWRF）模型，有效处理空间异质性和非线性关系。

系统性研究框架：作者构建了一个“密度—结构—功能”（Density-Structure-Function, D-S-F）框架，将景观生态学、城市功能空间和复杂系统理论相结合，为城市韧性评估提供了一个系统性的分析框架。这一框架不仅强调了城市功能的重要性，还综合考虑了城市密度和结构的动态交互作用。

方法论贡献

RF-GRA-TOPSIS评估方法：该方法通过随机森林自动提取特征权重，结合灰色关联分析和TOPSIS方法，有效处理高维数据中的非线性关系和空间距离敏感性问题，为城市韧性评估提供了一种新的量化工具。

GWRF模型的应用：通过地理加权随机森林模型，研究识别了影响城市韧性的关键因素，并揭示了这些因素在不同空间位置的非线性效应。该模型在处理复杂空间数据时表现出色，显著提升了模型的解释力和预测精度。

实际应用价值

城市韧性提升：研究结果表明，通过优化城市功能布局、合理控制城市密度和改善城市结构，可以显著提升城市韧性。这对于制定灾害风险管理策略和建设韧性城市具有重要的指导意义。

城市规划指导：提出的D-S-F框架和RF-GRA-TOPSIS方法可以为城市规划者提供科学依据，帮助他们在设计城市绿地系统、交通网络和公共服务设施时，更好地考虑空间布局和功能配置，以实现更优的城市韧性。

研究局限性与未来方向

数据来源和精度：虽然研究使用了多源地理数据，但数据的全面性和精度仍有提升空间。未来研究可以进一步整合更多类型的数据，如居民调查数据、社交媒体数据等，以更全面地反映城市韧性的社会维度。

模型验证和应用：尽管模型在理论和技术层面表现出色，但其在实际应用中的效果仍需通过更多的实地验证和长期监测来进一步验证。未来研究可以考虑在不同城市和灾害类型中进行模型的验证和应用。

动态评估和实时监测：城市韧性是一个动态过程，未来研究可以开发实时监测和动态评估系统，以及时捕捉城市韧性的变化趋势，为城市管理者提供及时的决策支持。

这篇文章通过跨学科的方法提出了一种创新的城市韧性评估策略，并通过系统性的研究框架为城市规划和灾害管理提供了新的工具和视角。尽管存在一些局限性，但研究的创新性和实用性为未来的城市韧性研究和城市灾害适应规划提供了宝贵的经验和启示。

https://doi.org/10.1016/j.cities.2025.106305