论文标题：Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

论文链接：https://doi.org/10.3390/ijgi13050167

期刊名：ISPRS International Journal of Geo-Information (ISPRS IJGI)

期刊主页：https://www.mdpi.com/journal/ijgi

2024年，中国城市化进程迈入“精耕细作”的新阶段，“人民城市”理念深入人心。如何科学评估社区质量，为城市更新提供精准导航？来自苏州城市学院、西交利物浦大学、南京大学等高校的科研团队，在ISPRS International Journal of Geo-Information 期刊上发表了一项题为“面向社会可持续更新的社区质量评价研究：融合多源地理空间数据和人工智能的图像语义分割方法”的实证研究，将人工智能（AI）与多源地理大数据深度融合，为苏州古城社区进行了深度的“智能体检”，构建了一套面向社会可持续的社区质量评估新体系（图1），为城市更新行动提供了“苏州样板”。

图1 研究框架

图源：Chen et al., Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

研究过程与结果

构建评价体系——聚焦“人”的需求，构建科学评估体系：传统的社区评价多依赖问卷调查，样本有限且主观性强。本研究结合更新核心要素，即从“社会可持续性”（Socially Sustainable Perspective, SSP）出发，将社区质量拆解为居民最关心的四大维度：便捷（Patency）、便利（Convenience）、舒适（Comfort）和安全（Safety）。这四大维度，精准对应了居民对“出行是否顺畅”、“生活是否方便”、“居住是否舒适”、“环境是否安心”的核心诉求。为了科学确定这些指标的“重要程度”，研究团队采用层次分析法（AHP） 进行了权重赋值，确保了评估模型的科学性和权威性（图2）。

图2 基于AHP分析确定的各指标权重

图源：Chen et al., Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

收集多维数据——汇聚“城市脉搏”，解锁多源大数据：研究团队聚焦互联网时代的城市"数字足迹"，通过API接口和网络爬虫技术构建了全方位的城市感知网络，系统采集了超过17万条多维度数据，包括社区基础信息（安居客）、兴趣点数据（高德地图）、大众点评商户数据、微博用户签到数据、百度街景全景图，以及开放道路和公交站点等基础设施数据，这些海量、实时、客观的多元数据共同构成了评估社区质量的坚实"数字底座"，为后续分析提供了全面可靠的数据支撑（图3）。

图3 研究区域

图源：Chen et al., Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

数据量化分析——AI“图像语义分割”，街景图像智能解码：如何量化居民对环境的“主观感受”？研究团队应用AI图像语义分割技术。训练算法“学习”了数千张街景图片，使其能够自动识别并分割出图片中的建筑物、绿地、道路、车辆、行人等不同元素。通过对7422张街景图的智能分析，AI精确计算出了各社区的绿化率、建筑类型、街道活力等关键舒适度与安全感指标，将“看得见”的环境质量转化为“可计算”的数据（图4）。

图4 基于PSPNet的AI街景图像语义分析流程

图源：Chen et al., Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

研究结论——揭示“空间密码”，精准描绘苏州古城“画像”：基于融合大数据与AI的评估模型，研究团队对苏州姑苏区社区进行了深入分析，揭示了三个关键发现：首先，护城河内的古城区道路可达性明显低于现代城区，这一"古今差异"既反映了古城保护性路网的特点，也暗示了内部交通优化的空间；其次，区域交通呈现"东强西弱"格局，东部与工业园区接壤地带因公共交通站点密集而成为交通连接性最强的"黄金走廊"；最后，研究证实设施丰富度特别是娱乐设施数量与房价稳定性呈显著正相关，这一发现有力印证了"生活便利是硬通货"的居民普遍认知。这些发现为苏州古城更新提供了精准的空间决策依据（图5）。

图5 姑苏区空间质量分析

图源：Chen et al., Community Quality Evaluation for Socially Sustainable Regeneration: A Study Using Multi-Sourced Geospatial Data and AI-Based Image Semantic Segmentation

研究总结与展望

本研究基于社会可持续性视角（SSP）构建了多维度社区质量评估模型（MQM），从通达性、便利性、舒适性和安全性四个维度对社区质量进行量化评估，并通过AI街景图像分割技术验证评估结果的准确性，为社区更新提供了理论基础和评估范式。研究不仅有助于促进可持续的更新政策制定，也将为不同规模城市的社区更新提供适应性测度与评估框架，以引导出人本化的精准的解决方案。未来研究可以通过引入地理标记数据建立动态评估机制，整合温度、湿度、空气质量等多源传感器数据，实现对社区发展的实时监测，为提升城市生活质量和居民福祉提供更全面的决策支持。