Räumliche Analyse des Einflusses der urbanen Räumlichen Struktur auf die urbane Vitalität in Yantai, China, mittels multiskaliger geografisch gewichteter Regression

Zusammenfassung

Dieses Protokoll integriert Baidu-Heatmap-Daten, Punkte von Interesse, Aufnahmen aus der Straßenansicht und eine mehrskalige geographisch gewichtete Regression, um die urbane Vitalität zu quantifizieren und zu bewerten, wie die städtische räumliche Struktur die Muster der Vitalität am Tag und in der Nacht in Yantai, China, beeinflusst.

Zusammenfassung

Das Verständnis dafür, wie die städtische räumliche Struktur die urbane Vitalität beeinflusst, ist entscheidend für die Entwicklung menschenzentrierter städtebaulicher Planungsstrategien. Die räumliche Heterogenität dieser Beziehungen sowie der relative Einfluss verschiedener Elemente der städtischen räumlichen Struktur auf die Vitalität tagsüber und nachts ist jedoch bisher unzureichend erforscht. Diese Studie hatte das Ziel, die urbane Vitalität zu quantifizieren und zu untersuchen, wie die städtische räumliche Struktur deren räumlich-zeitliche Variation im Hauptstadtbereich von Yantai, China, beeinflusst. Multiquelle-räumliche Datensätze, darunter Baidu-Heatmap-Daten, Interessenspunkte, Street-View-Bilder, Straßennetze, Gebäudedaten und Landnutzungsdaten, wurden integriert, um die urbane Vitalität und die städtische räumliche Struktur zu charakterisieren. Die Kernel-Dichteschätzung, die räumliche Autokorrelationsanalyse und die geographisch gewichtete Regression auf mehreren Skalen (MGWR) wurden angewandt, um die räumliche Verteilung der urbanen Vitalität sowie die skalenabhängigen Effekte von Variablen der städtischen räumlichen Struktur zu bewerten. Die Ergebnisse zeigten, dass die urbane Vitalität eine deutliche räumliche Polarisation aufweist, die durch ein kombiniertes Muster von „Zentrum–Peripherie“ und „einem Kern mit mehreren Punkten“ gekennzeichnet ist, sowie eine signifikante positive räumliche Autokorrelation aufweist. Der Einfluss der städtischen räumlichen Struktur variierte erheblich über den Raum hinweg und zwischen Tag und Nacht. Die Vielfalt und Nähe von Interessenspunkten waren die Haupttreiber der Vitalität tagsüber, während die Wohnfunktion und die Vielfalt der Interessenspunkte den stärksten Einfluss auf die Vitalität nachts ausübten. Die Fußgängergerechtheit zeigte in beiden Zeiträumen durchgängig eine positive Beziehung zur urbanen Vitalität, was die Bedeutung menschenzentrierter Straßenumgebungen unterstreicht. Diese Ergebnisse verdeutlichen den Wert der Integration mehrquelliger räumlicher Daten mit MGWR zur Bewertung der urbanen Vitalität und liefern einen praktischen Rahmen, um evidenzbasierte Stadtplanung und räumliche Optimierung zu unterstützen.

Einleitung

Die urbane Vitalität ist ein zentraler Indikator zur Messung des Niveaus einer nachhaltigen städtischen Entwicklung, der Lebensqualität der Bewohner sowie der Effektivität einer qualitativ hochwertigen städtischen Gestaltung. Sie zieht seit langem erhebliche Aufmerksamkeit von Wissenschaftlern der städtischen Geographie sowie der Stadt- und Regionalplanung auf sich.^1,2Während des Stadiums der schrittweisen Urbanisierung und schnellen räumlichen Expansion sind Probleme im Zusammenhang mit einer unausgewogenen städtischen Raumentwicklung zunehmend in den Vordergrund gerückt. Ineffiziente Flächennutzungsstrukturen, Umweltverschmutzung, Verkehrsstaus sowie anhaltende städtische Herausforderungen wie die Trennung von Wohn- und Arbeitsstätten haben die Vitalität von Stadtteilen weiter geschwächt.³. Gegenwärtig hat China eine neue Phase der Urbanisierung erreicht, in der sich der Schwerpunkt der städtischen Entwicklung von umfassendem „Stadtumbau“ hin zu differenziertem „Stadtmanagement“ verlagert, wobei eine menschenzentrierte räumliche Entwicklung zu einer zentralen Priorität wird. Die menschenzentrierte Skala konzentriert sich auf mikro-räumliche Einheiten, die von Bewohnern direkt wahrgenommen werden können, und stellt eine Erweiterung und Verfeinerung traditioneller Analysen auf Grundstücks- und Quartiersebene dar. Seit den 18^th Nationalkongress der Kommunistischen Partei Chinas ist die menschenzentrierte Entwicklung zu einem Grundsatz der räumlichen Gebietsgestaltung geworden, und die Verbesserung der Lebensraumqualität ist zu einem vorrangigen Ziel der Stadtplanung aufgestiegen. Vor diesem Hintergrund kann die präzise Charakterisierung der räumlich-zeitlichen Muster urbaner Vitalität sowie die Klärung der heterogenen Wirkmechanismen, durch die die menschenzentrierte gebaute Umwelt die Vitalität beeinflusst, eine wissenschaftliche Grundlage für differenzierte Planungspraktiken – wie stadtteilbezogene städtische Erneuerung und die Verbesserung von Wohnquartieren – liefern. Gleichzeitig hat die Stadt Yantai im Rahmen ihres 14.^th Fünf-Jahres-Plan, wurde 2021 vom Ministerium für Wohnungswesen und städtische-ländliche Entwicklung als eine der ersten nationalen Pilotstädte für städtische Erneuerung ausgewählt und erhielt 2026 zusätzliche zentrale finanzielle Unterstützung für die städtische Erneuerung. Diese politischen und finanziellen Vorteile schaffen günstige Voraussetzungen für die Verbesserung der Qualität bestehender städtischer Räume in Yantai und die Erkundung charakteristischer Strategien zur städtischen Erneuerung für Küstenstädte und tragen somit zur Förderung einer qualitativ hochwertigen städtischen Entwicklung bei.

Das Konzept der urbanen Vitalität wurde erstmals von der amerikanischen Wissenschaftlerin Jane Jacobs vorgeschlagen, die argumentierte, dass funktionale Vielfalt, kleine Blockgrößen, Gebäude unterschiedlichen Alters und hohe Dichte die vier wesentlichen Voraussetzungen für lebendige Städte darstellen⁴. Frühe Studien entwickelten theoretische Rahmenwerke, die hauptsächlich auf Felduntersuchungen und Fragebogenerhebungen basierten, während spätere Forschungsarbeiten allmählich auf die Mikroebene übergingen und sich auf die räumliche Konzentration menschlicher Aktivitäten konzentrierten⁵. Immer mehr Belege zeigen, dass feinräumige zeitliche Dynamiken und räumliche Variationen eine wichtige Rolle beim Verständnis urbaner Vitalität spielen⁶. Die rasante Entwicklung hochauflösender geospatialer Big Data hat neue Möglichkeiten für großflächige, dynamische Überwachung urbaner Vitalität eröffnet. Folglich verlassen sich Forschende zunehmend auf multimodale Datensätze, darunter Mobilfunksignaldaten, Standorttrajektorien, Social-Media-Check-ins, Heatmap-Daten und Punkte von Interesse (POIs), um die Intensität menschlicher Aktivitäten in verschiedenen räumlichen Einheiten zu quantifizieren und urbane Vitalität auf mehreren Skalen zu untersuchen^{7,8,9,10,11,12}. Unter diesen Datenquellen können Heatmap-Daten die räumliche Verteilung und zeitliche Dynamik der Bevölkerungskonzentration präzise erfassen und wurden bereits umfassend zur Quantifizierung urbaner Vitalität auf Grundstücks-, Block- und Stadtebene eingesetzt^13,14,15. Beispielsweise nutzten Wang Chenggang et al.¹⁶ Heatmap-Daten, um die Vitalitätsmuster des Zentrums von Guangzhou zu identifizieren, nichtlineare Beziehungen und Schwelleneffekte der gebauten Umwelt zu quantifizieren sowie die unterschiedlichen Einflüsse von Tageszeiten an Arbeitstagen zu differenzieren, wodurch wertvolle empirische Belege für die Forschung zur urbanen Vitalität bereitgestellt wurden.

Die urbane Vitalität wird grundlegend durch die städtische räumliche Struktur geprägt und eingeschränkt, die menschliche Aktivitäten aufnimmt. Das Verständnis der Mechanismen, durch die die städtische räumliche Struktur die urbane Vitalität beeinflusst, liefert wichtige Ansatzpunkte für eine differenzierte Stadtplanung und eine evidenzbasierte städtische Steuerung. Bisherige Studien haben mehrdimensionale Bewertungssysteme für die städtische räumliche Struktur entwickelt, die städtische Skalierung, funktionale Anordnung, räumliche Form, Verdichtung sowie sozioökonomische Merkmale umfassen. Diese Studien haben durchgängig gezeigt, dass Standortbedingungen, Bevölkerungsdichte, Gebäudeform, gemischte Landnutzung, Vielfalt der Einrichtungen, wirtschaftliche Entwicklung, funktionale Diversität, Straßenanordnung, Erreichbarkeit und Begehbarkeit zu den zentralen Faktoren gehören, die die räumliche Differenzierung der urbanen Vitalität beeinflussen^{17,18,19,20,21,22}. Dennoch konzentrierten sich die meisten früheren Untersuchungen auf makroskalige Beziehungen zwischen physischen, sozialen, ortsbezogenen und Mobilitätsräumen, während differenzierte Analysen auf menschenzentrierter Skala bisher vergleichsweise wenig Beachtung fanden. Das neu entstehende Forschungsparadigma, das auf multiquellen offenen geospatialen Daten und intelligenten Analysealgorithmen basiert, eröffnet neue Möglichkeiten zur räumlichen Wahrnehmung und quantitativen Analyse auf dieser feineren Skala²³. Durch die Kombination von maschinellen Lernverfahren mit der Analyse von Straßenaufnahmen verbindet dieser Ansatz eine umfassende räumliche Abdeckung mit einer menschenzentrierten analytischen Präzision und reduziert gleichzeitig die Subjektivität und begrenzte Genauigkeit traditioneller räumlicher Bewertungsmethoden. Methodisch haben frühere Studien vor allem gewöhnliche Kleinste-Quadrate-Modelle und geographisch gewichtete Regressionsmodelle verwendet, um Beziehungen zwischen gebauter Umwelt und urbaner Vitalität zu untersuchen^24,25. Diese Ansätze konzentrieren sich jedoch in der Regel auf statische räumliche Merkmale und vernachlässigen oft sowohl die räumliche Heterogenität als auch die tag–nachtliche zeitliche Differenzierung der Beziehungen zwischen städtischer räumlicher Struktur und urbaner Vitalität.

Zusammenfassend hat sich die Forschung zur urbanen Vitalität von traditionellen makroskaligen theoretischen Untersuchungen hin zu raumzeitlichen quantitativen Analysen entwickelt, die durch geospatiale Big Data unterstützt werden. Dennoch bestehen weiterhin wichtige Einschränkungen. Bestehende Studien legen nach wie vor den Schwerpunkt auf die makroebene Quantifizierung physischer räumlicher Merkmale, während der raumzeitliche Heterogenität, mit der die urbane Raumstruktur die urbane Vitalität beeinflusst, vergleichsweise wenig Aufmerksamkeit geschenkt wird. Darüber hinaus sind fein abgestimmte Messungen, die die Dimension der menschlichen Wahrnehmung einbeziehen, weiterhin begrenzt, was die Fähigkeit bestehender Ansätze einschränkt, detaillierte Planungspraktiken wie stadtteilbezogene städtische Erneuerung zu unterstützen. Auf der Grundlage dieser Wissenslücken schlägt diese Studie die folgenden Hypothesen vor: (1) Die urbane Raumstruktur übt signifikante raumzeitlich differenzierte Einflüsse auf die urbane Vitalität aus; und (2) Die Effekte von Indikatoren der urbanen Raumstruktur auf die urbane Vitalität weisen eine signifikante räumliche Nicht-Stationarität auf.

Die wesentlichen Neuerungen dieser Studie sind dreifach. Erstens quantifiziert die Studie durch die Integration mehrquelliger geospatialer Datensätze, einschließlich Baidu-Heatmap-Daten und Aufnahmen aus der Straßenansicht, die urbane Vitalität aus der Perspektive des täglichen Lebens der Bewohner und ermöglicht so eine differenzierte und objektive Messung auf menschenzentrierter Skala. Aufbauend auf dem traditionellen „5D“-Rahmen integriert die Studie eine Dimension der menschlichen Wahrnehmung und entwickelt ein sechsdimensionales Indikatorsystem für die urbane Raumstruktur, das Funktionalität, bauliche Form, Erreichbarkeit, sozioökonomische Merkmale, ökologischen Raum und menschliche Wahrnehmung umfasst. Dieser Rahmen behebt die Einschränkungen früherer Studien, die hauptsächlich physisch-räumliche und sozioökonomische Variablen betonten, und ermöglicht die Verknüpfung makroskaliger räumlicher Analysen mit mikroskaligen, menschenzentrierten Messungen. Zweitens wendet die Studie das multiskalige geographisch gewichtete Regressionsmodell (MGWR) an, um die Annahme der globalen Stationarität herkömmlicher Regressionsansätze zu überwinden. Das Modell ermöglicht die Identifizierung lokaler räumlicher Effekte sowie skalenabhängiger Beziehungen zwischen urbaner Raumstruktur und der tags- und nächtlichen urbanen Vitalität und enthüllt somit die raumzeitlich nicht-stationäre Kopplung zwischen urbaner Raumstruktur und urbaner Vitalität. Drittens untersucht die Studie am Beispiel Yantais als repräsentative Küstenstadt systematisch die unterschiedlichen Mechanismen, die tags- und nächtliche urbane Vitalität aus menschenzentrierter Perspektive im Kontext küstenspezifischer urbaner Raummerkmale antreiben. Die Ergebnisse liefern empirische Belege und einen methodischen Rahmen für die räumliche Optimierung, Steigerung der urbanen Vitalität und städtische Erneuerung in vergleichbaren Küstenstädten und tragen gleichzeitig quantitative Evidenz bei, um eine menschenzentrierte und differenzierte urbane Raumsteuerung zu unterstützen.

Protokoll

Diese Studie verwendete anonymisierte und aggregierte Heatmap-Daten auf der Ebene des räumlichen Rasters. Die Daten enthalten keine personenbezogenen Identifikatoren oder informationen auf individueller Ebene, und es waren keine menschlichen Versuchspersonen direkt beteiligt. Daher war keine Genehmigung durch eine Ethikkommission, kein Befreiungsantrag und keine institutionelle Überprüfung erforderlich.

Forschungsrahmen
Um den Einflussmechanismus der städtischen Raumstruktur unter menschenzentrierter Skala auf die räumlich-zeitliche Differenzierung der städtischen Vitalität zu untersuchen, schlägt diese Studie einen Forschungsrahmen wie in Abbildung 1 dargestellt vor. Zunächst wird anhand von Heatmap-Daten, die die räumlich-zeitlichen Merkmale täglicher und nächtlicher städtischer Aktivitäten der städtischen Bevölkerung messen, die tägliche und nächtliche städtische Vitalität des Hauptstadtbereichs der Stadt Yantai erfasst; zweitens wird ein mehrdimensionales Indexsystem der städtischen Raumstruktur hinsichtlich Funktionalität, Erreichbarkeit, baulicher Form, sozioökonomischer Faktoren, ökologischem Raum und menschlicher Wahrnehmung aufgebaut; schließlich kommt das MGWR-Modell zum Einsatz, um den Einflussmechanismus der städtischen Raumstruktur auf die räumlich-zeitliche Differenzierung der städtischen Vitalität aufzudecken. Detaillierte Arbeitsabläufe zur Datenerfassung, Vorverarbeitung, Indikatorenberechnung, Bildanalyse und Modellimplementierung sind in Ergänzende Dateien 1–4 enthalten, und die entsprechenden Berechnungsabläufe finden sich in Ergänzender Code 1–4. Ziel ist es, eine theoretische Grundlage und Referenz für die städtische Erneuerung und die Schaffung lebendiger Städte im Rahmen der neuen Urbanisierungsstrategie bereitzustellen.

Abbildung 1. Forschungsrahmen-Diagramm. Dieses Diagramm fasst den gesamten analytischen Arbeitsablauf zusammen, einschließlich der Erfassung räumlicher Daten aus mehreren Quellen, der Datenverarbeitung, der Konstruktion von Indikatoren für die städtische räumliche Struktur, der Messung der urbanen Vitalität, der Modellierung mittels multiskaliger geographisch gewichteter Regression (MGWR) sowie von Strategien zur Optimierung der Vitalität. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Überblick über das Untersuchungsgebiet
Die Stadt Yantai liegt im nordöstlichen Teil der Halbinsel Shandong und grenzt an das Gelbe Meer und das Bohai-Meer. Sie ist eine wichtige Hafenstadt in der Provinz Shandong. Unter ihrer Verwaltung stehen fünf Stadtbezirke und sechs kreisfreie Städte mit einer Gesamtfläche von 13.930,1 km². Diese Studie wählt den Hauptstadtbereich der Stadt Yantai (Stadtbezirk Zhifu) als Untersuchungsgebiet aus. Der Bezirk umfasst eine Fläche von 179,18 km², hat eine registrierte Bevölkerung von 707.700 Einwohnern und gliedert sich in 12 Unterbezirke (Abbildung 2).

Abbildung 2. Schematische Darstellung des Untersuchungsgebiets. Die Karten zeigen die Lage der Stadt Yantai, das Hauptuntersuchungsgebiet im Bezirk Zhifu, die Grenzen der Unterbezirke sowie die Geländehöhe. Dunklere Farben kennzeichnen eine höhere Erhebung. Bitte klicken Sie hier, um eine vergrößerte Version dieser Abbildung anzusehen.

Da diese Studie auf den städtischen Kern fokussiert ist, wo das Untersuchungsgebiet relativ klein ist und das Straßennetz dicht ist, reicht die traditionelle Blockebene nicht aus, um die städtische Vitalität genau zu charakterisieren. Im Gegensatz dazu entspricht die 300-m-Skala gut der räumlichen Ausdehnung des „5-Minuten-Wohnkreises“ und kann die grundlegende räumliche Einheit des täglichen Lebens der Bewohner besser abbilden. Die Auswahl der Rastergröße stellt im Wesentlichen einen Kompromiss zwischen Informationsgranularität und statistischer Stabilität dar: Eine kleinere Skala erhält mehr räumliche Details, verringert jedoch die Stichprobengröße innerhalb jeder Einheit, erhöht das statistische Rauschen und kann zusammenhängende Gehaktivitätsräume zersplittern, während eine größere Skala dazu neigt, lokale Unterschiede auszugleichen und räumliche Heterogenität zu verschleiern. Ein 300-m-Raster kann feinkörnige räumliche Merkmale bewahren, gleichzeitig die statistische Stabilität verbessern und analytische Fehler, die durch die Wahl der Skala entstehen, reduzieren. Zudem passt diese Skala gut zur räumlichen Auflösung von Multiquelldaten, einschließlich Baidu-Heatmap-Daten, Interessenspunkten und Street-View-Bildern, wodurch die analytische Genauigkeit und Zuverlässigkeit der Ergebnisse erhöht wird. Daher unterteilte diese Studie das Untersuchungsgebiet mit einem 300 m × 300 m großen Raster in 2.221 Zellen, um die raum-zeitlichen Muster der städtischen Vitalität in feiner Auflösung zu visualisieren und deren Beziehung zur städtischen Raumstruktur zu untersuchen. Das Raster wurde in ArcGIS 10.4 mithilfe des Werkzeugs „Create Fishnet“ im CGCS2000-Dreigrad-Gauß-Koordinatensystem erstellt. Das Fischernetz wurde am minimalen XY-Koordinatenpunkt des Untersuchungsgebiets verankert und an die Studiengrenze angepasst, was 2.221 Analyseeinheiten ergab.

Aufbau des Indikatorsystems
Die Konstruktion eines Indexsystems für die städtische Raumstruktur ist ein wichtiger Bestandteil bei der Bewertung der städtischen Vitalität. Sie spiegelt die umfassenden Merkmale einer Stadt hinsichtlich räumlicher Struktur, funktionaler Durchmischung, Erreichbarkeit und verwandter Eigenschaften wider. Diese Studie basiert auf der „5D“-Theorie der Dichte, Gestaltung, Vielfalt, Distanz zum öffentlichen Verkehr und Erreichbarkeit von Zielen. Sie erweitert die Darstellungsmethode städtischer Raumstrukturanalysen auf der Grundlage bestehender Forschungsergebnisse und unterteilt diese in sechs Kategorien und 15 Faktoren: Funktionalität, bauliche Form, Erreichbarkeit, Sozioökonomie, ökologischer Raum und menschliche Wahrnehmung. Jeder Faktor wird einzeln analysiert (Tabelle 1). Die vollständigen Definitionen, Berechnungsgleichungen, Parametereinstellungen, Vorverarbeitungsverfahren und Normalisierungsmethoden für alle Indikatoren sind in der Zusatzdatei 2 enthalten.

Tabelle 1: Indikatorensystem zur städtischen Raumstruktur. Die Tabelle fasst die sechs Dimensionen und 15 Indikatoren zusammen, die zur Charakterisierung der städtischen Raumstruktur verwendet werden, einschließlich Funktionalität, architektonische Form, Erreichbarkeit, sozioökonomische Merkmale, ökologischer Raum und menschliche Wahrnehmung. Für jeden Indikator werden Definitionen und Berechnungsgleichungen bereitgestellt. Abkürzungen: POI, point of interest; FAR, floor area ratio; NDVI, normalized difference vegetation index. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Dabei ist die Funktionalität einer der wichtigen Indikatoren zur Messung der urbanen räumlichen Vitalität und spiegelt das Ausmaß der Vernetzung und Integration zwischen verschiedenen Funktionsbereichen wider. Eine hohe funktionale Durchmischung bedeutet, dass Wohn-, Wirtschafts- und Lebensfunktionsbereiche gleichmäßig verteilt und miteinander verwoben sind, wodurch menschliche Aktivitäten gefördert und die urbane Vitalität gesteigert wird²⁶. Die Entwicklung der architektonischen Form steht in Zusammenhang mit der Vitalität, wobei die Bebauungsdichte und das Flächenverhältnis wichtige Indikatoren für die urbane Verdichtung darstellen. Die Erreichbarkeit beeinflusst direkt die Vernetzung und Verkehrseffizienz des urbanen Raums. Diese Studie wählt die Indikatoren Nähe und Durchlässigkeit, um die Erreichbarkeit abzubilden. Die sozioökonomische Dimension spiegelt die Konzentration wirtschaftlicher Aktivitäten und das Niveau der regionalen wirtschaftlichen Entwicklung wider. Der Abstand zum Stadtzentrum und zum Handelszentrum wird verwendet, um sozioökonomische Aktivitäten zu charakterisieren, wobei kürzere Distanzen in der Regel auf aktivere wirtschaftliche Aktivitäten hinweisen²⁷. Der ökologische Raum ist ein wichtiger Faktor, der die wirtschaftliche, soziale und kulturelle Vitalität der Stadt beeinflusst. In dieser Studie werden der Nähe-zum-Wasser-Index und der normalisierte Differenz-Vegetationsindex (NDVI) verwendet, um Umweltqualität und ökologische Vitalität darzustellen. Die menschliche Wahrnehmung konzentriert sich auf urbane Raumformen und damit verbundene Umweltmerkmale, denen die Bewohner im täglichen Leben häufig begegnen, einschließlich urbaner öffentlicher Räume und äußerer Gebäudeoberflächen (wie Straßen, Gebäude, Grünflächen und Parks) sowie deren wirtschaftliche, soziale und ökologische Auswirkungen. In dieser Studie werden Gebäudekontinuität, Sichtfaktor Himmel und Begehbarkeit ausgewählt, um diese Dimension abzubilden. Diese Indikatoren erfassen besser, welchen Beitrag die menschliche Wahrnehmung zur urbanen Vitalität leistet, und ergänzen herkömmliche Indikatorsysteme, die hauptsächlich auf objektiven Variablen basieren.

Die Erfassung traditioneller gebauter Umgebungen unterscheidet sich grundlegend von der menschenzentrierten Bewertung der städtischen Raumstruktur, die in dieser Studie angewandt wird. Traditionelle Methoden verwenden makroskalige physikalische Einheiten wie Grundstücke und Stadtteile als Analyseeinheiten. Mithilfe statischer Datensätze wie der Nutzungsklassifizierung, Gebäudegrundrissdaten und Straßennetzinformationen quantifizieren sie die Entwicklungsdichte und die funktionale Struktur. Diese herkömmlichen Bewertungen analysieren räumliche physikalische Gegebenheiten aus einer top-down-planerischen Perspektive. Obwohl solche Methoden die materiellen Merkmale des städtischen Raums präzise beschreiben, erfassen sie weder die vor-Ort-Wahrnehmungen der Bewohner noch deren mikroskaligen Geh-Erfahrungen. Demgegenüber verlagert der menschenzentrierte Ansatz den Forschungsschwerpunkt von inhärenten räumlichen Attributen hin zu Mensch-Umwelt-Interaktionen. Diese Paradigmenverschiebung umfasst drei wesentliche Veränderungen. Erstens erweitert die Studie bezüglich des Messinhalts die konventionellen physikalischen Indikatoren wie Bebauungsdichte und Flächennutzungsanteil um erfahrungsbezogene Dimensionen wie visuelle Wahrnehmung, Begehbarkeit, Sicherheit und Komfort. Drei entsprechende Indikatoren werden in dieser Studie ausgewählt: Baukontinuität, Himmelsanteilsfaktor und Begehbarkeit. Zweitens werden hinsichtlich der Datenquellen Planungskarten und Fernerkundungsdaten durch Street-View-Bilder und Deep-Learning-basierte semantische Segmentierung ergänzt, die räumliche Merkmale aus der Blickhöhe von Fußgängern erfassen. Drittens wird die Analyseeinheit von der Blockebene weiter verfeinert auf Straßensegmente oder individuelle Sichtfelder. Hervorzuheben ist, dass die menschenzentrierte Messung die Bewertung der traditionellen gebauten Umgebung nicht ersetzt, sondern sie ergänzt, indem sie die Forschungsperspektive und räumliche Skala verändert. Die beiden Ansätze unterscheiden sich hinsichtlich Forschungsschwerpunkt, Indikatorensystem, Analyseebene und praktischer Zielsetzungen und liefern gemeinsam einen umfassenden analytischen Rahmen zur Bewertung der städtischen Raumstruktur.

Datenquellen und -verarbeitung
Daten der Baidu-Wärmekarte:
Die in dieser Studie verwendeten städtischen Wärmedaten stammen aus dem offenen Standortdienst von Baidu Maps und werden durch die Analyse umfangreicher, anonymisierter Nutzerverhaltensdaten generiert. Der Datensatz erfasst die Echtzeit-Bevölkerungsverteilung, indem Standortinformationen von Mobil-App-Nutzern aggregiert und mithilfe von Echtzeit-Standortanfragen auf räumliche Gitternetze abgebildet werden.

Wir haben mithilfe der API der Baidu-Karten-Open-Plattform (https://lbsyun.baidu.com/) Wärmekartendaten für das zentrale Stadtgebiet von Yantai vom 13. bis 17. Juni 2022 (fünf aufeinanderfolgende Arbeitstage) abgerufen. Täglich wurden Daten im Abstand von jeweils 2 Stunden zwischen 07:00 und 24:00 Uhr gesammelt. Der vollständige Arbeitsablauf für Datenerfassung, Vorverarbeitung, Rauschunterdrückung, zeitliche Klassifizierung, räumliche Transformation, Kernel-Dichteschätzung und Berechnung der urbanen Vitalität ist in Zusatzdatei 1 dargestellt, und das entsprechende Vorverarbeitungsskript ist in Zusatzcode 1 enthalten. Außerdem unterteilten wir jeden Tag in einen Tageszeitraum (07:00–18:00 Uhr) und einen Nachtzeitraum (18:00–24:00 Uhr), um tageszeitliche Schwankungen der urbanen Vitalität separat zu quantifizieren. Die API-Anfragen enthielten den Zugriffsschlüssel (AK) für Baidu Maps sowie eine durch BD09 definierte Grenze des Untersuchungsgebiets. Der Kartenmaßstab war auf Stufe 16 mit einer Kachelgröße von 256 × 256 Pixeln festgelegt, und die Schnittstelle lieferte die Wärmekartendaten im JSON-Format zurück. Während der Nachbearbeitung wurden alle BD09-Koordinaten in das WGS84-Koordinatensystem umgewandelt, um die räumliche Genauigkeit und Konsistenz für nachfolgende Analysen sicherzustellen. Der restliche Vorverarbeitungsarbeitsablauf ist in Zusatzdatei 1 und Zusatzcode 1 beschrieben. Alle räumlichen Visualisierungen wurden in ArcGIS (v10.4) (RRID: SCR_011081) erstellt.

Der Juni steht in Yantai für den Beginn des Sommers mit mildem Wetter, das für Outdoor-Aktivitäten günstig ist, und die täglichen Reisemuster der Bewohner in diesem Monat spiegeln durchschnittliche Aktivitätsniveaus wider. Alle Probentage waren klar und wolkenlos, wodurch Störungen der menschlichen Mobilität durch extremes Wetter ausgeschlossen waren und Bevölkerungs-Heatmaps geeignet waren, um routinemäßige Muster urbaner Vitalität zu identifizieren.

Um die Zuverlässigkeit der aus Heatmaps abgeleiteten Vitalitätsmessungen zu überprüfen, haben wir NPP-VIIRS-Daten des nächtlichen Lichts zur Gegenüberstellung herangezogen. Der Datensatz zum nächtlichen Licht wurde von Chen Zuqi et al. in Earth System Science Data veröffentlicht und trägt den Titel Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018). Er ist öffentlich über das Harvard-Dataverse-Repository zugänglich (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).

Die räumlichen Vergleichsergebnisse zeigten eine hohe Übereinstimmung zwischen den aus Nachtaufnahmen identifizierten Hotspots urbaner Vitalität und den aus den Heatmap-Daten abgeleiteten Zonen hoher und niedriger Vitalität in dieser Studie. Der Vergleich zwischen der Intensität des nächtlichen Lichts und der aus der Heatmap abgeleiteten urbanen Vitalität ist in ergänzender Abbildung 1 dargestellt. Zur Bewertung der Datenglaubwürdigkeit wurden zunächst Ausreißer entfernt und die Datensätze normalisiert, bevor sie in das WGS84-Koordinatensystem umprojiziert wurden. Die Nachtaufnahmedaten wurden anschließend mittels bilinearer Interpolation auf ein Raster von 300 m × 300 m resampelt, um eine räumliche Ausrichtung mit den Heatmap-Daten sicherzustellen. Die Übereinstimmung zwischen den beiden Datensätzen wurde anhand des Pearson-Korrelationskoeffizienten (r ≥ 0,6) und der räumlichen Überlappungsrate der LISA-Cluster (≥70 %) als Akzeptanzkriterien bewertet.

Aus Sicht der Datenquellen bieten Mobilfunksignaldaten eine umfassende Abdeckung der Bevölkerung und detaillierte Trajektorieinformationen, sind jedoch schwer zugänglich und erfordern aufwändige Vorverarbeitung, wodurch sie für langfristige, feinskalige Studien weniger geeignet sind. Daten zu Social-Media-Check-ins und Bewertungen erfassen hingegen vorwiegend konsum- und freizeitorientierte Aktivitäten, weisen ein ausgeprägtes Verhaltensbias auf und zeigen eine vergleichsweise geringe zeitliche Stabilität. Im Gegensatz dazu sind die in dieser Studie verwendeten Baidu-Heatmap-Daten leicht zugänglich, zeitlich kontinuierlich verfügbar und besitzen eine höhere räumliche Auflösung, wodurch sie sich gut für die gitterbasierte Überwachung der Tag-Nacht-Vitalitätsdynamiken im Hauptstadtbereich eignen. In Kombination mit POI- und Street-View-Daten zur Anreicherung der räumlichen Attributdarstellung kann dieses Framework die alltäglichen Aktivitätsmuster der Bewohner präziser abbilden und ist gut auf den Untersuchungsmaßstab und die analytischen Zielsetzungen dieser Studie abgestimmt.

Elemente der städtischen räumlichen Struktur:
Grundlegende Daten zur städtischen Raumstruktur:
Basierend auf der Schnittstelle eines Online-Kartendienstes wurden insgesamt 37.851 Interessenspunkte (POIs) erfasst, die sich über 11 Funktionskategorien erstrecken, darunter Unterkünfte, Einkaufsmöglichkeiten, gastronomische Einrichtungen, Wohngebiete, Verkehrsinfrastruktur, Einrichtungen des täglichen Bedarfs, Sport- und Freizeiteinrichtungen sowie öffentliche Serviceeinrichtungen. Weitere Informationen zu den Vorverarbeitungsschritten und berechnungstechnischen Details finden sich in Zusatzdatei 2. Die POI-Daten wurden im Juli 2024 mithilfe der Baidu-Map-API unter Anwendung einer gitterbasierten Suchstrategie mit 500 m Abstand abgerufen. Während der Vorverarbeitung wurden doppelte Einträge entfernt und ungültige Datensätze anhand der Verwaltungsgrenze des Zhifu-Distrikts, fehlender Attributbezeichnungen sowie erheblicher Koordinatenabweichungen ausgeschlossen, um die räumliche Genauigkeit und Integrität des Datensatzes sicherzustellen.

Urbane Gebäudegrundrisse und Straßennetzdaten wurden von OpenStreetMap (OSM; RRID: SCR_007854), einer quelloffenen geospatialen Plattform (https://www.openstreetmap.org), bezogen. Die Landnutzungsdaten wurden vom Nationalen Zentrum für grundlegende geografische Informationen (https://www.gscloud.cn/search) beschafft.

Wie in Tabelle 1 dargestellt, spiegelt die räumliche Dichte jedes Einrichtungstyps den funktionalen Charakter einzelner räumlicher Einheiten durch Clustermuster wider; gleichzeitig quantifizieren Entropiewerte das Ausmaß der funktionellen Vielfalt innerhalb jeder Einheit. Die vollständigen Berechnungsgleichungen, Vorverarbeitungsverfahren, Parametereinstellungen und Normalisierungsmethoden sind in Zusatzdatei 2 enthalten.

Vektordaten von Gebäuden wurden aus zwei- und dreidimensionalen (2D bzw. 3D) Perspektiven analysiert, um die Intensität der städtischen Bebauung – speziell anhand der Gebäudedichte und des Flächen-Ausnutzungsgrades (FAR) – zu bewerten. Mithilfe der Daten zum städtischen Straßennetz wurde die Erreichbarkeit jeder räumlichen Einheit mit dem Werkzeug zur räumlichen Netzwerkanalyse (sDNA, RRID: SCR_017646)²⁸ berechnet, wobei sowohl Indikatoren für Nähe als auch für Zwischenzentralität berücksichtigt wurden.

Die Auswahl eines 300-m-Radius als analytische Skala für diesen Indikator basiert auf Straßenabschnitten und umfasst alle topologisch verbundenen Straßen innerhalb dieses Radius. Dies ermöglicht eine umfassende statistische Analyse von Veränderungen in der Straßenverlaufsmorphologie – einschließlich der Eckendichte und Knotenverbindungen – innerhalb des festgelegten räumlichen Bereichs. Der Ansatz betont gezielt lokale räumliche Korrelationsmuster zwischen Straßen, wodurch eine präzise Identifizierung stark vernetzter Straßen auf Blockebene ermöglicht wird – eine methodische Entscheidung, die mit dem theoretischen Rahmen der urbanen räumlichen Vitalität im Fokus auf der Blockskala übereinstimmt^29,30. Ein topologisches Straßennetz wurde aus OSM-Vektorstraßendaten erstellt, indem zweistreifige Straßenabschnitte zu einer einzigen Mittellinie zusammengefasst wurden. Die Erreichbarkeit wurde mithilfe des sDNA-Plugins in ArcGIS 10.4 anhand der Nähe- und Zwischenwert-Indizes berechnet, wobei rasterbasierte POI-Gesamtwerte als Gewichtung zur Darstellung des räumlichen Aktivitätspotenzials verwendet wurden. Alle sDNA-Parameter blieben auf ihren Standardwerten, mit Ausnahme eines benutzerdefinierten Suchradius von 300 m. Zudem entspricht diese räumliche Skala eng dem Konzept des „5-Minuten-Wohnkreises“ und passt gut zu den physischen Abmessungen der historischen Blöcke im Zhifu-Distrikt der Stadt Yantai sowie zum typischen Umfang der täglichen Gehaktivitäten der Bewohner.

Daten von Straßenaufnahmen:
Durch die Kombination von OSM-Routennetzdaten mit GIS-Technologie wurden Aufnahmepunkte für Straßenaufnahmen festgelegt. Zunächst wurden die Mittellinien der Straßen im Untersuchungsgebiet extrahiert und zweispurige Straßen zu einfachen Linien vereinfacht. Die Aufnahmepunkte wurden entlang der Straßenmittellinien in regelmäßigen Abständen von 50 m platziert. Anschließend wurden allen Aufnahmepunkten das gleiche Projektionskoordinatensystem zugewiesen, das für die GIS-Analyse verwendet wurde, um eine präzise räumliche Positionsübereinstimmung sicherzustellen.

Mithilfe von Python (RRID: SCR_008394) wurde die Street View Image API (http://api.map.baidu.com/lbsapi/) verwendet, um Bilder zu sammeln. Der vollständige Erwerbsworkflow ist in Zusatzdatei 3 und Zusatzcode 3 dargestellt. Insgesamt wurden 1.599 Stichprobenpunkte generiert. Während der Bildaufnahme wurde die Perspektivbreite jedes Bildes auf 90° festgelegt und der horizontale Blickwinkel auf 0° eingestellt. An jedem Stichprobenpunkt wurden Bilder in vorwärts, rückwärts, links und rechts gerichteten Richtungen aufgenommen, wobei die Bildaufnahme nur bei klarem Wetter und ohne Regen, Schnee oder starken Nebel durchgeführt wurde, um die Bildqualität sicherzustellen. Abschließend wurde das OpenCV-Programm verwendet, um mehrseitige Bilder zusammenzufügen und die Bildübergänge zu optimieren, wodurch Panoramabilder entstanden, die eine vollständige Abdeckung der räumlichen Straßenumgebung ermöglichten. Das Untersuchungsgebiet umfasste insgesamt 3.251 Straßensegmente. Zu den API-Anfrageparametern gehörten der Entwickler-Zugriffsschlüssel (AK), die Punkt-Koordinaten, die Bildansicht und die Aufnahmerichtung. Die aufgenommenen Bilder wurden einheitlich auf 480 × 360 Pixel (RGB) skaliert, um eine nachfolgende Analyse zu ermöglichen. Die Bildqualität wurde durch eine wetterbasierte Auswahl, die mehrseitige Bildaufnahme und anschließende semantische Segmentierung auf Basis von SegNet sichergestellt, um die Bildnutzbarkeit zu überprüfen und straßenseitige Indikatoren zu extrahieren.

Wir verwendeten das Deep-Learning-SegNet-Netzwerk (RRID: SCR_017042), ein vollständig faltendes neuronales Netzwerk, um Merkmale von Straßenlandschaften zu extrahieren. Das Modell klassifiziert Bildpixel in fünf Kategorien: Himmel, Gehwege, Fahrspuren, Gebäude und Grünflächen. Die Ergebnisse der Pixelklassifizierung wurden anschließend verwendet, um den Flächenanteil jedes räumlichen Elements innerhalb jedes Street-View-Bildes zu berechnen. Detaillierte Informationen zur Modellimplementierung, zum Ablauf der semantischen Segmentierung, zu Validierungsverfahren und zur Berechnung der menschlichen Wahrnehmung widerspiegelnder Indikatoren finden sich in Zusatzdatei 3, Zusatzcode 2 und Zusatzcode 4. SegNet wurde in PyTorch (v1.0) mithilfe öffentlich zugänglicher vortrainierter Gewichte implementiert, die auf dem MIT ADE20K-Datensatz trainiert wurden. Während der Inferenz wurden die Bilder einzeln verarbeitet, um semantische Segmentierungskarten auf Pixel-Ebene zu erzeugen, die anschließend zur Berechnung des prozentualen Flächenanteils jedes Straßenlandschaft-Elements verwendet wurden. Die Modellleistung wurde mittels Fünf-Fold-Kreuzvalidierung bewertet.

Forschungsmethoden
Quantitative Methoden zur Messung urbaner Vitalität:
Die Kerneldichteanalyse schätzt die Dichte von Punkt- oder Linienelementen unter Verwendung eines beweglichen Suchfensters und ermöglicht eine anschauliche und präzise Darstellung der räumlichen Clustereigenschaften städtischer Elemente sowie der Konzentration und Streuung urbaner Vitalität. In dieser Studie wurde die Kerneldichteschätzung verwendet, um eine kontinuierliche Interpolation von Heatmap-Daten durchzuführen, um die räumliche Aggregation von Nutzern und die raumzeitlichen Dynamiken urbaner Vitalität zu charakterisieren. Die Gaußsche Kerneldichteschätzung wurde mit einem primären Suchradius (Bandbreite) von 500 m angewendet. Zur Bewertung der Robustheit der Ergebnisse wurden acht weitere Bandbreiten (200, 300, 400, 600, 700, 800, 900 und 1.000 m) getestet, wobei die resultierenden mittleren RV-Werte für jede 300 m × 300 m große Rasterzelle eine hohe Konsistenz über alle Bandbreiten hinweg zeigten. Bei der Interpolation wurde das Feld „Value“ als Gewichtungsvariable verwendet, es wurde keine Randkorrektur vorgenommen, und alle Analysen zur Kerneldichte wurden in ArcGIS 10.4 (RRID: SCR_011081) durchgeführt. Die mathematische Formel lautet wie folgt (Gleichung 1):

(1)

Hier stellt n die Anzahl der Datenpunkte dar; h ist die Bandbreite; und (x − x_i) bezeichnet den Abstand vom Schätzungspunkt x zur Stichprobe xⁱ.

Analyseverfahren für dynamische städtische räumliche Muster:
Die räumliche Autokorrelation wird verwendet, um das Ausmaß der räumlichen Assoziation zwischen identischen Attributwerten über verschiedene räumliche Einheiten hinweg zu charakterisieren. Sie wird in globale Autokorrelation und lokale Autokorrelation unterteilt.

Globale räumliche Autokorrelation:
Die globale räumliche Autokorrelation (Globaler Moran’s I) wurde verwendet, um das Ausmaß der räumlichen Assoziation über das gesamte Untersuchungsgebiet hinweg zu bewerten. Sie misst die Ähnlichkeit oder Korrelation von Variablen im Raum, indem sie den Zusammenhang zwischen dem Attributwert an einem Ort und den Werten benachbarter Orte quantifiziert, dargestellt durch den Globalen Moran’s-I-Koeffizienten. Eine räumliche Gewichtungsmatrix wurde anhand des 300 m × 300 m großen Analyserasters unter Verwendung der Queen-Nachbarschaftsbeziehung zur Definition benachbarter Einheiten erstellt, wobei die Gewichte zeilenweise standardisiert wurden. Der globale Moran’s I wurde mit den Werkzeugen der räumlichen Statistik in ArcGIS 10.4 (RRID: SCR_011081) berechnet, und die statistische Signifikanz wurde mittels der Normalverteilungsapproximation (z-Test) auf einem Konfidenzniveau von 95 % überprüft. Sein mathematischer Ausdruck lautet wie folgt (Gleichung 2):

(2)

Hier steht I für den Autokorrelationsindex; n ist die Gesamtanzahl der Untersuchungseinheiten; y_i und y_j sind die Klassifizierungsindikatoren der Regionen i bzw. j; y′ ist der Mittelwert der Klassifizierungsindikatoren; und W_ij ist die räumliche Gewichtungsmatrix, die das Ausmaß der Assoziation zwischen verschiedenen Regionen darstellt.

Lokale räumliche Autokorrelation:
Die lokale räumliche Autokorrelation (LISA) misst das Ausmaß der räumlichen Assoziation, das vom untersuchten Objekt auf lokaler Ebene aufweist, ermöglicht die Identifizierung lokaler Cluster und räumlicher Ausreißer innerhalb des Untersuchungsgebiets und liefert ein detaillierteres Verständnis der räumlichen Heterogenität³¹. Die am häufigsten verwendete lokale Statistik ist das lokale Moran’s I. Eine räumliche Gewichtungsmatrix wurde anhand der Queen-Nachbarschaftsbeziehung erstellt, wobei benachbarte Rasterzellen als solche definiert wurden, die entweder eine gemeinsame Grenze oder einen gemeinsamen Eckpunkt teilen. Die statistische Signifikanz wurde auf dem 0,05-Niveau anhand von 999 zufälligen Permutationen überprüft. Es wurde keine Korrektur für Mehrfachvergleiche vorgenommen, und alle Analysen wurden mit ArcGIS 10.4 (RRID: SCR_011081) durchgeführt. Der mathematische Ausdruck lautet wie folgt (Gleichung 3):

(3)

Hier stellen x_i und x_j die Werte der urbanen Vitalität der Regionen i bzw. j dar; x′ ist die durchschnittliche urbane Vitalität über alle Regionen hinweg; S² ist die Varianz; und W_ij ist die räumliche Gewichtungsmatrix, die das Ausmaß der räumlichen Assoziation zwischen den Regionen widerspiegelt.

Forschungsmethoden zur räumlichen Heterogenität der urbanen Vitalität:
Mehrskalige geographisch gewichtete Regression (MGWR)
Das MGWR-Modell verwendet den Suchalgorithmus der Goldenen-Schnitt-Suche, um das Suchintervall schrittweise einzuschränken und die optimale Bandbreite für jeden Regressionskoeffizienten zu ermitteln. Dieser Ansatz minimiert Rauschen während der Parameterschätzung und verbessert die Vorhersageleistung des Modells. Detaillierte Informationen zur Bandbreitenauswahlmethode (adaptiv oder fest), zur Kernfunktion, zum Bandbreitensuchbereich, zu Konvergenzkriterien, zum Abbruchtoleranzwert und zu Verfahren der Prädiktor-Standardisierung finden sich in Supplementary File 4. Die Berechnungsformel lautet wie folgt (Gleichung 4):

(4)

Hier steht bw_j für die Bandbreite, die für den Regressionskoeffizienten der j-ten Variable verwendet wird; k bezeichnet die Anzahl der erklärenden Variablen; x_ij bezieht sich auf den j-ten Prädiktor für das i-te Gitter; (u_i, v_i) repräsentieren die Koordinaten des Zentrums des i-ten Gitters; β_(bwj) ist der Regressionskoeffizient, der unter Verwendung der entsprechenden Bandbreite geschätzt wurde; und ε_i ist der Zufallsfehlterme.

Detaillierte Modellkonfiguration, Verfahren zur Bandbreitenoptimierung und Implementierungsabläufe sind in Supplementary File 4 enthalten, während die vollständigen Modellergebnisse für Tag- und Nachtzeiten jeweils in Supplementary Files 5 und 6 verfügbar sind. Diagnoseverfahren für die lineare Regression nach der Methode der kleinsten Quadrate sind in Supplementary File 7 dargelegt.

Aus Sicht der stadtplanerischen Theorie, des Forschungsumfangs und der praktischen Anwendbarkeit bietet MGWR deutliche Vorteile gegenüber der gewöhnlichen kleinsten-Quadrate-Regression (OLS) und der herkömmlichen geographisch gewichteten Regression (GWR). OLS verwendet ein globales Modellierungskonzept und setzt dabei gleichmäßige Effekte aller erklärenden Variablen über das gesamte Untersuchungsgebiet voraus. Diese Annahme blendet die inhärente räumliche Heterogenität städtischer Systeme aus und führt zu gemittelten Parameterschätzungen, die oft lokale Gegebenheiten nicht erfassen und daher nur eingeschränkt zur Entwicklung kontextsensitiver Politikmaßnahmen beitragen. Während die traditionelle GWR räumliche Nicht-Stationarität berücksichtigt, legt sie eine einzige Bandbreite – also eine einheitliche räumliche Skala – für alle Variablen fest. Diese Einschränkung widerspricht empirischen Befunden, die zeigen, dass verschiedene städtische Elemente (z. B. Verkehrsinfrastruktur, gemischte Landnutzung oder Grünflächen) über deutlich unterschiedliche räumliche Ausdehnungen wirken. Eine solche Vereinfachung kann daher zu Modellverzerrungen führen und die analytische Gültigkeit beeinträchtigen. MGWR überwindet diese Einschränkung, indem es individuelle, variablenspezifische Bandbreiten schätzt, die auf dem empirisch beobachteten räumlichen Wirkungsbereich jedes Prädiktors basieren. Dadurch erfasst es die skalenabhängigen Mechanismen, durch die die städtische Raumstruktur die städtische Vitalität beeinflusst, realistischer. Dieser Fortschritt bereichert nicht nur das theoretische Verständnis menschlich-ökologischer Wechselwirkungen in Städten, sondern erhöht auch die praktische Nützlichkeit, indem er eine differenzierte Priorisierung räumlicher Maßnahmen ermöglicht und quantitative, evidenzbasierte Unterstützung für die Steigerung der städtischen Vitalität liefert. Die rechnergestützten Arbeitsabläufe sind in den Zusatzcodes 1–4 enthalten.

Ergebnisse

Analysе des räumlichen Musters der urbanen Vitalität
Räumliche Verteilungsmerkmale der urbanen Vitalität:
Um die räumlich-zeitliche Entwicklung der urbanen Vitalität im Hauptstadtbereich von Yantai tagsüber und nachts besser untersuchen zu können, führten wir eine Kernel-Dichteanalyse auf Grundlage von Heatmap-Daten durch, kombiniert mit den täglichen Aktivitätsmustern der Bewohner, und nutzten Geoinformationssystem-Software (GIS), um die urbane Vitalität in verschiedenen Zeitabschnitten zu visualisieren. Wie in Abbildung 3 dargestellt, zeigt die urbane Vitalität im Hauptstadtbereich von Yantai eine deutliche räumlich-zeitliche Dynamik, die sich von 07:00 bis 23:00 Uhr durch ein Muster der Aggregation–Streuung–Aggregation auszeichnet. Die räumliche Verteilung von Hoch- und Niedrigvitalitätszonen tagsüber und nachts ist stark ähnlich, was darauf hindeutet, dass die Schwankungen der urbanen Vitalität zwischen diesen Zeiträumen relativ stabil sind.

Abbildung 3. Räumlich-zeitliche Verteilung der urbanen Vitalität im Hauptstadtbereich von Yantai. Die Randkarten zeigen die urbane Vitalität zu verschiedenen Zeitpunkten, und die zentralen Karten fassen die Muster der Tages- und Nachtsvitalität zusammen. Wärmere Farben weisen auf eine höhere Vitalität hin. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Aus räumlicher Perspektive ist die städtische Vitalität im Hauptstadtbereich von Yantai im Nordosten im Allgemeinen höher und im Südwesten niedriger, was eine komplexe räumliche Struktur aufweist, die sowohl einem „Zentrum-Peripherie“-Muster als auch einer „mehrzentrischen“ Konfiguration entspricht. Gebiete mit hoher städtischer Vitalität konzentrieren sich hauptsächlich im nordöstlichen Bereich, einschließlich der Tongshen-Straße, der Yuhuangding-Straße und der Xiangyang-Straße, sowie entlang der Dahaiyang-Straße und der Flughafenstraße. Zudem ist die Vitalität im östlichen Teil der Zhichu-Straße und im zentralen Abschnitt der Fenghuangtai-Straße relativ hoch. Die städtische Vitalität im Hauptstadtbereich von Yantai wird außerdem stark durch die topographischen Gegebenheiten geprägt. Bergige Gebiete in der zentralen Region, wie Huangjinding, Zhenshan und Jinkuangding, werden als Zonen mit geringer Vitalität eingestuft. Tagsüber wird die Vitalität in diesen Bereichen durch Aktivitäten wie Wandern und Freizeitgestaltung etwas erhöht, während die nächtliche Vitalität äußerst gering ist. Dieses Muster weist auf eine deutliche räumliche Disparität in der Verteilung der städtischen Vitalität hin, die dazu neigt, sich in dicht besiedelten Wohngebieten, Erholungszielen und Standorten mit guter Verkehrsanbindung zu konzentrieren. Diese zusammengesetzte räumliche Struktur bestätigt die Kopplungsbeziehung zwischen der städtischen Funktionszonierung und der Bevölkerungsmobilität. Darüber hinaus untermauern die wichtige Rolle des Geländes und des Verkehrs die Hypothese, dass mehrere städtische Raumstrukturen gemeinsam die städtische Vitalität prägen.

Aus zeitlicher Perspektive wird die urbane Vitalität im Hauptstadtbereich von Yantai hauptsächlich durch die Arbeits- und Freizeitaktivitäten der Bewohner geprägt. Der Zeitraum von 07:00 bis 18:00 umfasst den morgendlichen Berufsverkehr und die täglichen Arbeits- und Studienstunden, in denen die Bewohner typischerweise von zu Hause zu ihren Arbeitsplätzen pendeln, wodurch sich das räumliche Muster der urbanen Vitalität von einer Aggregation hin zu einer Dispersion verlagert. Der Zeitraum von 18:00 bis 23:00 umfasst den Abendverkehr und die Freizeitstunden. Insbesondere nach 22:00 konzentriert sich die räumliche Verteilung der urbanen Vitalität stärker, während die allgemeinen Vitalitätsniveaus abnehmen. Dies spiegelt wider, dass einerseits die Bewohner nach Arbeit und Freizeitaktivitäten nach Hause zurückkehren und andererseits zuvor aktive städtische Räume nach und nach für die Nacht ruhen. Insgesamt wird die Tages-Nacht-Variation der urbanen Vitalität eindeutig durch die täglichen Arbeits-Ruhe-Routinen der Bewohner bestimmt. Die Tagesstunden (07:00–18:00) stellen die Hochphase der urbanen Vitalität dar, gekennzeichnet durch höhere Vitalitätsniveaus, eine größere räumliche Ausdehnung und nur wenige Bereiche mit geringer Vitalität. Im Gegensatz dazu zeichnen sich die Nachtstunden (18:00–23:00) durch eine schrittweise Verringerung des Aktivitätsbereichs aus, wobei die Vitalität zunehmend in Wohngebieten konzentriert ist. Diese Ergebnisse verdeutlichen den zeitabhängigen Einfluss von Arbeits-Ruhe-Aktivitäten auf die urbane Vitalität im Hauptstadtbereich von Yantai, offenbaren deren charakteristische tägliche Entwicklung und erfüllen das zentrale Ziel, das raum-zeitliche Muster der urbanen Vitalität zu identifizieren. Zudem unterstützen sie die Hypothese, dass die täglichen Aktivitätsrhythmen der Bewohner eng mit der urbanen Vitalität verknüpft sind.

Räumliche Clustereigenschaften der urbanen Vitalität:
Der globale Moran’s I-Index wurde verwendet, um die räumliche Autokorrelation der urbanen Vitalität im Hauptstadtbereich der Stadt Yantai zu untersuchen. Die Ergebnisse zeigen, dass die Moran’s-I-Werte für die urbane Vitalität tagsüber und nachts bei 0,722 bzw. 0,736 liegen. Der Signifikanztest zeigt, dass die urbane Vitalität im Hauptstadtbereich der Stadt Yantai sowohl tagsüber als auch nachts signifikant geclustert ist, wobei der Clustereffekt nachts stärker ausgeprägt ist als tagsüber.

Wie in Abbildung 4 gezeigt, folgt die urbane Vitalität im Hauptstadtbereich von Yantai hauptsächlich zwei Clustermustern: „hoch–hoch“-Clustering und „niedrig–niedrig“-Clustering. Obwohl die gesamte räumliche Verteilung ein unregelmäßiges, zusammengesetztes Muster aufweist, das „Zentrum–Peripherie“ und „ein Kern mit mehreren Punkten“ kombiniert, sind das „Zentrum“ und die „Peripherie“ räumlich getrennt, und die Übergangszonen zwischen ihnen enthalten zahlreiche Gebiete ohne signifikante Clusteringbildung. Die Ergebnisse der räumlichen Autokorrelationsanalyse identifizieren eindeutig die Clustermuster und die räumliche Differenzierung der urbanen Vitalität und erfüllen damit das Forschungsziel der Mustererkennung. Diese Ergebnisse stützen zudem die entsprechenden Forschungshypothesen, stimmen eng mit dem gesamten analytischen Rahmen dieser Studie überein und legen eine Grundlage für die weitere Analyse der differenzierten Wirkungen der räumlichen Struktur.

Abbildung 4. Tägliche und nächtliche lokale räumliche Aggregation der urbanen Vitalität. Lokale Indikatoren räumlicher Assoziation (LISA) zeigen hoch-hoch-, hoch-niedrig-, niedrig-hoch-, niedrig-niedrig- und nicht-signifikante räumliche Cluster für die tägliche und nächtliche Vitalität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

MGWR-basierte räumliche Heterogenitätseffekte der urbanen räumlichen Struktur auf urbane Vitalität
Um Schätzverzerrungen aufgrund des gegenseitigen Einflusses der verschiedenen Faktoren der städtischen Raumstruktur zu vermeiden, wurde der Varianzinflationsfaktor (VIF) verwendet, um alle erklärenden Variablen zu überprüfen. Je größer der VIF-Wert, desto ausgeprägter die Multikollinearität. Im Allgemeinen weist ein VIF-Wert größer als 7,5 darauf hin, dass die erklärende Variable redundant ist³². Die Testergebnisse sind dargestellt in Tabelle 2. Alle VIF-Werte liegen unter 7,5, was darauf hinweist, dass die ausgewählten Indikatoren keine Multikollinearität aufweisen. Die Indikatoren mit p > 0,05 entfernt, da sie als nicht signifikant für die urbane Vitalität angesehen wurden. Nach der Variablenauswahl wurden abschließend sieben Faktoren – POI-Diversität, Lebensfunktion, Wohnfunktion, Bebauungsdichte, Nähe, Distanz zum Geschäftscentrum (DBC) und Begehbarkeit – als erklärende Variablen zur Erstellung des MGWR-Modells (RRID: SCR_017651) ausgewählt. Mit diesem Schritt war der Prozess der Variablenauswahl abgeschlossen, und die verbliebenen Kernfaktoren stimmen mit dem Forschungsrahmen überein, sodass die anschließende Modellanalyse die Forschungshypothese wirksam überprüfen kann.

Variable	p-Wert	Varianzinflationsfaktor (VIF)
POI-Diversität	0	1,946
Wirtschaftsfunktion	0,025	3,15
Lebensfunktion	0,004	3,834
Wohnfunktion	0,001	1,925
Gebäudedichte	0	3,062
Grundflächenzahl	0,084	5,723
Nähe	0	1,732
Zwischenzentralität	0,952	2,022
Entfernung zum Stadtzentrum	0,458	1,407
Entfernung zum Geschäftszentrum	0,009	1,498
Nähe-zu-Gewässern-Index	0,06	1,132
Normalized Difference Vegetation Index (NDVI)	0,118	1,049
Gebäudekontinuität	0,364	2,746
Sichtfaktor Himmel	0,22	1,177
Begehbarkeit	0,004	2,094

Tabelle 2: Multikollinearitätsbewertung der in Frage kommenden erklärenden Variablen. Die Tabelle zeigt die statistische Signifikanz (p-Wert) und den Varianzinflationsfaktor (VIF) für jede in Frage kommende erklärende Variable, die während der Variablenauswahl vor der multiskaligen geographisch gewichteten Regression (MGWR) verwendet wurde. Variablen, die für die anschließende Modellierung beibehalten wurden, erfüllten die vorab festgelegten statistischen Auswahlkriterien. Abkürzung: VIF, Varianzinflationsfaktor.

Modellanpassungseffekt:
Die Modellierungsanalyse wurde mit drei Ansätzen durchgeführt: dem globalen OLS-Modell, dem traditionellen GWR-Modell und dem MGWR-Modell. Die Modellkonvergenz basierte auf dem SOC-f-(Smoothing-f)-Kriterium, bei dem die maximale absolute Änderung aller geschätzten Regressionskoeffizienten zwischen zwei aufeinanderfolgenden Iterationen als Konvergenzkriterium verwendet wurde. Die Konvergenzschwelle wurde auf 1,0 × 10⁻⁵ festgelegt, und die maximale Anzahl an Iterationen betrug 200. Die Tages- und Nachmodellierungen verwendeten dieselben methodischen Einstellungen, einschließlich der Kernfunktion, der Bandbreitensuchregel, des Konvergenzkriteriums und weiterer Parametereinstellungen, um die Vergleichbarkeit der Ergebnisse sicherzustellen; lediglich die abhängigen Variablen unterschieden sich, wodurch sich auch die geschätzten optimalen Bandbreiten und Regressionskoeffizienten unterschieden. Die Ergebnisse zeigen, dass das Tagesmodell nach 28 Iterationen und das Nachmodell nach 34 Iterationen konvergierte. Beide Modelle erfüllten die Konvergenzschwelle, was darauf hinweist, dass die Schätzergebnisse stabil und zuverlässig waren. Die Kennzahlen für die drei Modelle sind in Tabelle 3 aufgeführt.

Kategorie	Variable	OLS	GWR	MGWR
Modellgüte	AICc	6703	4417	3463
	Adjustiertes R²	0.62	0.56	0.8
Optimale Variablenbandbreite (MGWR)	POI-Diversität	—	53	239
	Lebensfunktion	—	—	724
	Wohnfunktion	—	—	256
	Gebäudedichte	—	—	237
	Nähe	—	—	921
	Entfernung zum Geschäftszentrum	—	—	2220
	Begehbarkeit	—	—	2220

Tabelle 3: Vergleich der Modellgüte zwischen gewöhnlicher Kleinster-Quadrate-Schätzung (OLS), geographisch gewichteter Regression (GWR) und mehrskaliger geographisch gewichteter Regression (MGWR). Die Tabelle vergleicht die Leistung der Modelle der gewöhnlichen Kleinster-Quadrate-Schätzung (OLS), der geographisch gewichteten Regression (GWR) und der mehrskaligen geographisch gewichteten Regression (MGWR) anhand des korrigierten Akaike-Informationskriteriums (AICc) und des adjustierten Bestimmtheitsmaßes (Adjusted R²). Die für jede erklärende Variable im MGWR-Modell geschätzte optimale Bandbreite wird ebenfalls angegeben, wodurch die variablenspezifischen räumlichen Skalen der Regressionsanalyse veranschaulicht werden. Abkürzungen: AICc, korrigiertes Akaike-Informationskriterium; OLS, gewöhnliche Kleinster-Quadrate-Schätzung; GWR, geographisch gewichtete Regression; MGWR, mehrskalige geographisch gewichtete Regression.

Wie in Tabelle 3 gezeigt, weist das MGWR-Modell einen niedrigeren AICc-Wert und ein höheres adjustiertes R² auf als die OLS- und GWR-Modelle, was eine überlegene Modellanpassung zeigt. Zusätzlich ermöglicht das MGWR-Modell im Vergleich zu den OLS- und GWR-Modellen, dass jede erklärende Variable ihre eigene optimale Bandbreite besitzt, wobei die Bandbreiten von 237 bis 2.220 reichen. Dies zeigt an, dass die Effekte verschiedener Variablen auf die urbane Vitalität über räumliche Skalen hinweg erheblich variieren.

Unter den Variablen liegen die Bandbreiten von DBC und Begehbarkeit nahe an der Gesamtstichprobengröße, was darauf hindeutet, dass ihre Effekte hauptsächlich global statt lokal sind. Dies könnte darauf zurückzuführen sein, dass diese Faktoren über die meisten Gebiete hinweg eine relativ begrenzte räumliche Variabilität aufweisen. Als Indikatoren, die sozioökonomische Bedingungen und straßennahe Umweltmerkmale widerspiegeln, die eng mit der menschlichen Wahrnehmung verbunden sind, üben sie einen umfassenden Einfluss auf die urbane Vitalität aus. Im Gegensatz dazu weisen die fünf Variablen POI-Diversität, Lebensfunktion, Wohnfunktion, Bebauungsdichte und Nähe relativ kleine Bandbreiten auf, was darauf hinweist, dass ihre Effekte auf der lokalen räumlichen Skala konzentriert sind. Diese Faktoren spiegeln die unterschiedlichen Anforderungen der Bewohner an funktionale Komplexität, Wohnumfeld und Erreichbarkeit wider und können daher verschiedene Arten von Aktivitäten in lokalen Räumen anziehen oder einschränken, wodurch sie die urbane Vitalität prägen.

Insbesondere betragen die Bandbreiten der POI-Diversität, der Wohnfunktion und der Gebäude­dichte 239, 256 bzw. 237 und machen damit 11 %, 12 % bzw. 11 % der Gesamtstichprobe aus. Die Bandbreiten der Lebensfunktion und der Nähe umfassen einen größeren Anteil der Stichprobe mit jeweils 33 % und 41 %, was darauf hindeutet, dass ihre Effekte über eine größere räumliche Skala wirken. Insgesamt sind die Vorteile des MGWR-Modells offensichtlich. Die unterschiedlichen Wirkungsskalen der erklärenden Variablen stützen weiterhin die Hypothese der räumlichen Heterogenität und bestätigen die Angemessenheit des für diese Studie gewählten Modells.

Bedeutung der Auswirkung:
Die statistischen Ergebnisse der Regressionskoeffizienten, die aus dem MGWR-Modell gewonnen wurden, sind in Tabelle 4 dargestellt. Basierend auf den absoluten Werten der durchschnittlichen Regressionskoeffizienten ergibt sich tagsüber folgende Rangfolge der Beiträge der Variablen zur urbanen Raumstruktur: POI-Diversität > Erreichbarkeit > Gebäude­dichte > Lebensfunktion > Wohnfunktion > Begehbarkeit > DBC. Nachts verschiebt sich die Rangfolge leicht zu: POI-Diversität > Lebensfunktion = Wohnfunktion > Gebäude­dichte > Begehbarkeit > DBC > Erreichbarkeit.

Variable	Tagesdurchschnitt	Standardabweichung tagsüber	Tagesmedian	Nachtdurchschnitt	Standardabweichung nachts	Nachtmedian
POI-Diversität	0.226	0.126	0.196	0.322	0.096	0.315
Lebensfunktion	0.088	0.006	0.088	0.145	0.075	0.153
Wohnfunktion	0.019	0.158	0.004	0.145	0.173	0.123
Gebäudedichte	0.132	0.029	0.131	0.070	0.126	0.053
Nähe	0.165	0.188	0.121	0.030	0.048	0.024
Entfernung zum Geschäftszentrum	−0.010	0.004	−0.010	0.032	0.003	0.031
Begehbarkeit	0.011	0.002	0.011	0.039	0.002	0.039

Tabelle 4: Zusammenfassende Statistiken der durch das multiskalige geographisch gewichtete Regressionsmodell (MGWR) geschätzten Regressionskoeffizienten. Die Tabelle fasst die Verteilung der durch das multiskalige geographisch gewichtete Regressionsmodell (MGWR) geschätzten Regressionskoeffizienten für urbane Vitalität tagsüber und nachts zusammen. Für jede erklärende Variable werden der Mittelwert, die Standardabweichung (SD) und der mediane Regressionskoeffizient angegeben, wodurch ein Vergleich der Stärke und Variabilität der Effekte über die beiden Zeitperioden hinweg ermöglicht wird. Abkürzungen: MGWR, multiskalige geographisch gewichtete Regression; SD, Standardabweichung.

Auffällig ist, dass die Vielfalt der POIs während des Tages und der Nacht konstant den größten Beitrag zur urbanen Vitalität mit positiver Wirkung leistet. Dies zeigt an, dass Gebiete mit einer vielfältigen Palette urbaner Einrichtungen und einem hohen Maß an funktionaler Durchmischung für städtische Bewohner besonders attraktiv sind und somit die urbane Vitalität stärken. Tagsüber orientieren sich die Aktivitäten der Bewohner hauptsächlich an Pendeln, Büroarbeit und öffentlichen Dienstleistungen; daher spielen Nähe und Bebauungsdichte eine wichtige Rolle. Nachts verlagern sich die Aktivitäten der Bewohner hin zu Wohnen, Freizeit und lokalem Konsum, wodurch die Beiträge der Lebensfunktion und der Wohnfunktion deutlich zunehmen, während der Beitrag der Nähe erheblich abnimmt. Dieser Tag-Nacht-Unterschied in der Rangfolge spiegelt direkt die strukturelle Veränderung der Mechanismen wider, die die urbane Vitalität antreiben, wenn sich die täglichen Aktivitätsmuster der Bewohner ändern, und liefert eine makroskopische Grundlage für anschließende differenzierte Planungen nach Bezirken und Tageszeiten.

Wie in Abbildung 5 dargestellt, zeigt die Analyse der Variationen der Regressionskoeffizienten und der Unterschiede in den Einflusszonen nach der Überprüfung der Einflussfaktoren, dass die Effekte der Lebensfunktion, der DBC und der Begehbarkeit tagsüber relativ stabil sind. Die Lebensfunktion und die Begehbarkeit wirken positiv, während der Abstand zum Geschäftszentrum sowohl positive als auch negative Effekte aufweist. Die Einflussbereiche der POI-Diversität, der Wohnfunktion und der Erreichbarkeit schwanken erheblich und zeigen ebenfalls sowohl positive als auch negative Effekte. Der Einfluss der Gebäude­dichte variiert innerhalb eines bestimmten Bereichs, bleibt jedoch positiv. Nachts sind die Effekte der DBC und der Begehbarkeit stabiler und verbleiben beide positiv. Im Gegensatz dazu zeigen die Effekte der POI-Diversität, der Wohnfunktion und der Gebäude­dichte erhebliche Schwankungen, wobei die POI-Diversität einen positiven Effekt aufweist, während die Wohnfunktion und die Gebäude­dichte sowohl positive als auch negative Beziehungen zur urbanen Vitalität aufweisen. Auch die Effekte der Lebensfunktion und der Erreichbarkeit variieren innerhalb eines bestimmten Bereichs.

Abbildung 5. Verteilung der Regressionskoeffizienten aus dem räumlich gewichteten Regressionsmodell auf mehreren Skalen. Violin-Diagramme vergleichen die Verteilungen der Koeffizienten tagsüber und nachts für jeden Einflussfaktor. Breitere Bereiche deuten auf eine höhere Koeffizientendichte hin; positive Werte zeigen förderliche Effekte an, negative Werte hemmende Effekte. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Räumliche Heterogenität der Auswirkungen
Um die räumliche Heterogenität der Effekte der urbanen Raumstruktur auf die urbane Vitalität weiter zu analysieren, wurden Stichproben mit signifikanten Einflussebenen ausgewählt. Die Regressionskoeffizienten der einzelnen Elemente der urbanen Raumstruktur tagsüber und nachts wurden visualisiert (Abbildungen 6 und 7). Mithilfe der natürlichen Klassengrenzen-Methode wurden die Regressionskoeffizienten in 10 Stufen unterteilt, um die räumliche Ausdehnung, Intensität und Richtungsänderungen ihrer Wirkungen darzustellen.

Abbildung 6. Tägliche räumliche Verteilung der multiskaligen geographisch gewichteten Regressionskoeffizienten. Die Karten zeigen die räumliche Variation der täglichen Regressionskoeffizienten für die Vielfalt von Interessenpunkten, Lebensfunktion, Wohnfunktion, Bebauungsdichte, Nähe, S und Begehbarkeit. Farbverläufe zeigen die Größe der Koeffizienten an, wie in der Legende jedes Panels dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7. Räumliche Verteilung der multiskaligen geographisch gewichteten Regressionskoeffizienten in der Nachtzeit. Die Karten zeigen die räumliche Variation der Regressionskoeffizienten in der Nachtzeit für die Vielfalt der Interessenpunkte, Lebensfunktion, Wohnfunktion, Bebauungsdichte, Nähe, Entfernung zum Geschäftszentrum und Begehbarkeit. Farbverläufe zeigen die Größe der Koeffizienten an, wie in der Legende jedes Panels dargestellt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die POI-Diversität misst die Vielfalt und Komplexität urbaner Funktionen innerhalb jeder räumlichen Einheit. Der zentrale Mechanismus, der der urbanen Vitalität zugrunde liegt, besteht in der Vielfalt der Zielorte und den synergetischen Effekten der Aktivitäten. Je höher die POI-Diversität eines Gebiets ist, desto besser kann sie die unterschiedlichen Bedürfnisse der Bewohner nach Einkaufen, Speisen, Unterhaltung und alltäglichen Dienstleistungen innerhalb desselben Raums erfüllen, wodurch die Notwendigkeit für reichweitenübergreifende Fahrten verringert, die Verweildauer der Fußgänger verlängert und die Intensität der Raumnutzung gesteigert wird. Die Ergebnisse zeigen, dass die POI-Diversität den stärksten Einfluss auf die urbane Vitalität hat und signifikante räumliche Variationen aufweist. Genauer gesagt ist ihre Verteilung relativ konzentriert in Bereichen mit starken und schwachen Effekten: stärkere Einflüsse zeigen sich hauptsächlich im Stadtzentrum, während schwächere Einflüsse vorwiegend in den städtischen Randgebieten zu finden sind. Die Gesamtregressionskoeffizienten sind überwiegend positiv, was auf eine klare positive Beziehung hinweist, mit nur einer geringen Anzahl schwacher negativer Assoziationen. Dies legt nahe, dass in den meisten Gebieten eine höhere POI-Diversität mit größerer urbaner Vitalität verbunden ist. Darüber hinaus ist die räumliche Differenzierung der Auswirkungen der POI-Diversität auf die urbane Vitalität nachts stärker ausgeprägt als tagsüber und macht sie damit nachts zum einflussreichsten Faktor. Dieser tageszeitliche Unterschied lässt sich auf die strukturelle Differenzierung der Aktivitätsbedürfnisse der Bewohner zwischen Tag und Nacht zurückführen. Tagsüber deckt die gemischte Flächennutzung hauptsächlich Pendel- und kurzfristige, fragmentierte Konsumbedürfnisse in Pausen ab, und ihre Rolle bei der Anziehung von Fußgängertätigkeiten ist relativ begrenzt. Nachts hingegen verlagern sich die Aktivitäten der Menschen hin zu Freizeit, sozialer Interaktion und erlebnisorientiertem Konsum. In diesem Kontext können Gebiete mit hoher POI-Diversität vielfältige und kontinuierliche nächtliche Konsumszenarien bieten, die Verweildauer der Bewohner im Freien effektiv verlängern und somit einen deutlicheren treibenden Effekt auf die nächtliche Vitalität ausüben.

Lebensfunktionen umfassen Einrichtungen im Bereich Bildung, Wissenschaft, Kultur, Gesundheit, Verkehr und öffentliche Dienstleistungen, die den täglichen Bedarf der Bewohner decken. Ihr Einflussmechanismus beruht auf der Bildung eines Aktivitäts-Ziel-Netzwerks: Diese Einrichtungen ziehen nicht nur selbst Fußgängerverkehr an, sondern erzeugen auch durch Synergie mit anderen Funktionen stabile Aktivitätsströme. Die Regressionsresultate zeigen, dass der positive Effekt von Lebensfunktionen auf die Tageszeit-Vitalität stabil bleibt, mit Koeffizienten zwischen 0,078 und 0,098 und nur geringen Schwankungen in der Effektstärke. Im Gegensatz dazu erweitert sich der Koeffizientenbereich für die Nachtzeit auf 0,005–0,256, was auf einen deutlich größeren räumlichen Einfluss hinweist. Ausgehend von der Zhichu-Straße und der Xingfu-Straße als Kerngebiet nimmt der Einflussgrad schrittweise vom Zentrum hin zu den umliegenden Bereichen zu. Obwohl diese Region durch eine konzentrierte Bevölkerungsverteilung gekennzeichnet ist, ist ihre städtebauliche Planung relativ veraltet und durch die wirtschaftliche Entwicklung eingeschränkt, was zu einem geringeren Gesamtangebot an Unterhaltungseinrichtungen und anderen Einrichtungen der Lebensfunktionen führt als im östlichen Teil der Stadt. Dadurch ist ihre Attraktivität für die Bewohner geringer, und ihr Einfluss auf die städtische Vitalität ist weniger ausgeprägt. Diese zeitliche Variation spiegelt eine Veränderung der Aktivitätszwecke der Bewohner wider. Tagsüber orientieren sich Lebensfunktionen hauptsächlich an öffentlichen Dienstleistungen, und die Fußgängerbewegungen bleiben relativ stabil. Nachts hingegen werden sie durch Freizeit- und Unterhaltungsbedürfnisse ergänzt und bilden eine komplementäre Beziehung zu konsumorientierten Funktionen wie Gastronomie und Einkaufen, wodurch Lebensfunktionen über einen größeren räumlichen Bereich hinweg eine stärkere treibende Wirkung auf die städtische Vitalität entfalten können.

Wohnfunktionen bilden die räumliche Grundlage, die den nächtlichen Rückzug und Aufenthalt der Bewohner ermöglicht. Ihre Beziehung zur urbanen Vitalität folgt tagsüber und nachts deutlich unterschiedlichen Mustern. Tagsüber dienen Wohngebiete als Ausgangspunkt für den Abfluss der Bevölkerung; daher führt eine bloße Erhöhung der Wohnbevölkerungsdichte nicht zwangsläufig zu einer Steigerung der urbanen Vitalität. Ohne unterstützende Handels- und Dienstleistungseinrichtungen können dicht besiedelte Wohngebiete stattdessen zu „Schlafstädten“ mit geringer Vitalität werden. Nachts kehren die Bewohner jedoch nach Hause zurück, und die Wohngebiete werden zur räumlichen Basis für nächtliche Aktivitäten. Die Ergebnisse zeigen, dass die Variable Wohnfunktion zwar insgesamt einen relativ schwachen durchschnittlichen Effekt aufweist, aber dennoch in bestimmten Gebieten eine deutliche räumliche Heterogenität und Differenzierung aufweist, wobei die räumliche Verteilung dieses Einflusses tagsüber und nachts weitgehend ähnlich ist. In den Bereichen um den Hongrun-Materialmarkt, den Großmarkt für Obst, die Grundschule Fenghuangtai und Jinxiu Xincheng sind Wohnfunktionen dicht verteilt, ihre Beziehung zur urbanen Vitalität ist jedoch negativ. Dies deutet darauf hin, dass die Hinzufügung weiterer Wohnfunktionen in diesen Gebieten die urbane Vitalität nicht steigert; vielmehr kann eine übermäßige Konzentration von Wohnnutzungen aufgrund räumlicher Überlastung und fehlender unterstützender Infrastruktur nächtliche soziale und Konsumaktivitäten hemmen. Im Gegensatz dazu besteht entlang der Shihuiyao-Straße eine positive Beziehung zwischen Wohnfunktionen und urbaner Vitalität, was darauf hindeutet, dass die Wohninfrastruktur in diesem Gebiet eine stärkere Rolle bei der Unterstützung der urbanen Vitalität spielt und eine größere Anziehungskraft für die Bewohner ausübt.

Die Bebauungsdichte spiegelt die Intensität der Entwicklung innerhalb eines bestimmten Gebiets wider, und ihr zugrundeliegender Mechanismus besteht darin, die physische Grundlage für die Aggregation der Bevölkerung bereitzustellen: Eine höhere Bebauungsdichte weist auf eine größere Bevölkerungskapazität sowie eine dichtere Konzentration von Arbeitsplätzen und Handelseinrichtungen hin. Die Ergebnisse dieser Studie zeigen, dass die Bebauungsdichte tagsüber insgesamt einen positiven Effekt auf die urbane Vitalität ausübt, wobei ihr Einfluss von Osten nach Westen allmählich abnimmt und eine klare konzentrische Struktur bildet. Im westlichen Teil der Stadt ist der Effekt der Bebauungsdichte auf die urbane Vitalität schwächer als im östlichen Teil, was darauf hindeutet, dass eine Erhöhung der Bebauungsdichte in westlichen Gebieten weniger wirksam ist, um die urbane Vitalität zu steigern, als dies im östlichen Bereich der Fall ist. Nachts hingegen zeigt sich ein bidirektionales Muster. Der Einfluss der Bebauungsdichte auf die urbane Vitalität ist im westlichen Teil der Xingfu-Straße in der Nähe des Jiahe-Flusses und in den Niedrigwert-Clustern der Zhichu-Straße negativ korreliert, wobei die Unterschiede in der Stärke relativ gering sind. Dieser tageszeitliche Unterschied resultiert aus einer funktionalen Differenzierung: Tagsüber konzentrieren dicht besiedelte Gebiete Büro- und Handelsfunktionen und dienen als primäre Zonen des Bevölkerungszuflusses; nachts hingegen kommt es in einigen dicht bebauten Geschäftsvierteln zu einer Streuung der Bevölkerung, und die urbane Vitalität verlagert sich in die umliegenden Wohngebiete. In diesem Sinne fungieren dicht besiedelte Gebiete tagsüber als Zentren der Vitalitätsaggregation, während sie nachts zu Quellen der Vitalitätsdiffusion werden und durch eine äußere Ausstrahlung die Vitalität der Umgebung fördern.

Die Nähe misst die Effizienz der Straßenverkehrserschließung und bestimmt, wie bequem Bewohner verschiedene Zielorte erreichen können. Ihr zentraler Mechanismus besteht darin, die Reisezeitkosten zu senken und den räumlichen Aktionsradius zu erweitern; eine höhere Nähe erhöht direkt die Wahrscheinlichkeit und Häufigkeit von Ortsbesuchen. Die Ergebnisse dieser Studie zeigen, dass die Nähe tagsüber der zweitwichtigste treibende Faktor ist, direkt nach der POI-Vielfalt, während ihr Einfluss nachts deutlich abnimmt. Dieser ausgeprägte Tag-Nacht-Unterschied spiegelt eine grundlegende Veränderung in den Aktivitätsmustern der Bewohner wider. Tagsüber stellen Aktivitäten wie Pendeln, Besorgungen und geschäftliche Angelegenheiten relativ hohe Anforderungen an den Transport und hängen stark von der Erreichbarkeit ab. Nachts hingegen werden die Aktivitäten der Bewohner stärker um das Zuhause zentriert, der Aktionsradius schrumpft, und die Hauptzwecke der Mobilität verlagern sich hin zu Freizeit und Konsum, wodurch die Bewohner deutlich weniger empfindlich gegenüber der Zugänglichkeit des Straßennetzes sind. Außerdem zeigt die Nähe einen bidirektionalen lokalen Effekt: Sie weist eine starke positive Assoziation mit urbaner Vitalität entlang des Jiahe-Flusses sowie in der Zhichu-Straße und der Fenghuangtai-Straße auf, während sie in dünn besiedelten Gebieten nördlich der Xingfu-Straße eine schwache negative Assoziation aufweist. Dies legt nahe, dass die vitalitätsfördernde Wirkung der Nähe von der Existenz ausreichender Fußgängernachfrage abhängt.

DBC misst die räumliche Nähe jeder Flächeneinheit zum zentralen Geschäftsviertel der Stadt und spiegelt damit Standortvorteile hinsichtlich des Zugangs zu Beschäftigungsmöglichkeiten, Konsumumgebungen und ökonomischen Externalitäten wider. Der zugrundeliegende Mechanismus beruht auf Agglomerationseffekten und der Erreichbarkeit für Konsumenten: Je näher ein Gebiet am Geschäftszentrum liegt, desto dichter sind die Beschäftigungsmöglichkeiten, desto vielfältiger die Konsumangebote und desto intensiver die sozioökonomischen Interaktionen, wodurch ein stärkerer Fußgängerverkehr angezogen wird. Die Ergebnisse dieser Studie zeigen, dass der Einfluss von DBC auf die urbane Vitalität tagsüber von Süden nach Norden abnimmt und eine negative Korrelation aufweist. Gebiete im Süden liegen weiter vom Geschäftszentrum entfernt und üben daher einen geringeren Einfluss auf die urbane Vitalität aus, während Gebiete nördlich der Kuiyu-Straße näher am Geschäftszentrum liegen und somit eine stärkere Wirkung entfalten. Nachts hingegen kehrt sich die Beziehung um: Es bilden sich zwei ringförmige Zonen nördlich und südlich der Hongqi-Straße, und der Einfluss nimmt vom Zentrum hin zu den umliegenden Bereichen allmählich zu. Diese Tag-Nacht-Umkehrung offenbart die zugrundeliegende Logik der räumlichen Struktur: Tagsüber fungiert das Geschäftszentrum als zentrales Ziel für Erwerbstätigkeit und Konsum und führt zu einer Bevölkerungskonzentration in Richtung Innenstadt; nachts kehren die Bewohner in ihre über die gesamte Stadt verteilten Wohngebiete zurück, wodurch Wohngebiete, die weiter vom Geschäftszentrum entfernt liegen, infolge der Rückkehr der Bevölkerung an Vitalität gewinnen.

Die Fußgängergerechtheit misst die Begehbarkeit der Straßenumgebung und fungiert als entscheidende Brücke zwischen dem physischen Raum und der menschlichen Wahrnehmung. Ihr besonderer Mechanismus besteht nicht darin, direkt Fußgängeraufkommen zu erzeugen, sondern darin, das Geh-Erlebnis zu verbessern, das Sicherheits- und Komfortgefühl zu stärken, die Verweildauer der Fußgänger zu verlängern und soziale Interaktionen zu fördern, wodurch zur urbanen Vitalität beigetragen wird. In dieser Studie zeigt die Fußgängergerechtheit sowohl tagsüber als auch nachts einen stabil positiven Effekt auf die urbane Vitalität, was darauf hinweist, dass ihr Einfluss globaler Natur ist und dass fußgängerfreundliche Straßenumgebungen im Allgemeinen die räumliche Vitalität erhöhen. Tagsüber bilden sich durch den Einfluss der Fußgängergerechtheit auf die urbane Vitalität Niedrig-Vitalitäts-Zonen in Zhujia Village und Fenghuangtai Street. Dies liegt möglicherweise hauptsächlich daran, dass das Fußgängeraufkommen in der Nähe von Zhujia Village relativ gering ist und die Bewohner dort eine geringere Abhängigkeit von Gehwegen haben. In Fenghuangtai Street ist die Bebauungsdichte hoch und das Straßennetz veraltet; die Gehwege sind schmal und werden häufig beeinträchtigt, was die Unterstützung der Vitalitätsaggregation durch nicht-motorisierten Verkehr begrenzt. Nachts nimmt der Einfluss der Fußgängergerechtheit allmählich von Südwesten nach Norden ab, wobei im südlichen Teil der Stadt ein stärkerer und im nördlichen Teil ein vergleichsweise schwächerer Effekt zu verzeichnen ist. Dieses Muster hängt mit der Verteilung des Fußgängerverkehrs, der Verkehrsanlagen sowie regionalen Entwicklungsdiskrepanzen im Hauptstadtbereich von Yantai zusammen. Zudem ist der Effekt der Fußgängergerechtheit nachts vergleichsweise stärker, was die höhere Abhängigkeit nächtlicher Aktivitäten von wahrgenommener Sicherheit und Umweltqualität widerspiegelt. Gute Beleuchtung, durchgängige Gehwege und klar definierte Straßenbegrenzungen können das Unsicherheitsgefühl bei nächtlichen Wegen wirksam verringern und so das Potenzial der nächtlichen urbanen Vitalität entfalten.

Beispielhafte Bereiche und Rahmenwerk zur Optimierung der urbanen Vitalität
Um die räumliche Heterogenität, die durch die MGWR-Analyse identifiziert wurde, weiter zu veranschaulichen, wurden repräsentative Stadtteile mit unterschiedlichen urbanen räumlichen Merkmalen für eine Felduntersuchung ausgewählt (Abbildungen 8 und 9). Diese Beispiele liefern visuelle Belege für die räumlichen Bedingungen, die mit den analytischen Ergebnissen verbunden sind.

Abbildung 8. Bestehende Bedingungen alter Wohnblöcke in der Xingfu New Town. Repräsentative Fotografien zeigen die Zustände der Straßen und gebauten Umwelt, einschließlich ungleichmäßiger Verteilung öffentlicher Einrichtungen und eingeschränkter Umweltqualität der Straßen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 9. Bestehende Bedingungen alter Gemeinschaften in der Nangou-Straße – Jinde und Baishi-Huangshan. Repräsentative Fotografien zeigen dichte Wohnbebauung, begrenzten öffentlichen Freiraum und die gegenwärtigen umweltbedingten Gegebenheiten in der Nachbarschaft. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8 zeigt Xingfu New Town, ein repräsentatives älteres Wohnviertel, das sich durch eine ungleichmäßige Verteilung öffentlicher Versorgungseinrichtungen und eine vergleichsweise schlechte städtische Umweltqualität auszeichnet. Abbildung 9 zeigt repräsentative Wohngebiete in den Bereichen Nangou Street–Jinde sowie Baishi–Huangshan, die durch eine dichte Wohnbebauung, begrenzten öffentlichen Freiraum und relativ eintönige Straßenfassaden gekennzeichnet sind. Diese beobachteten räumlichen Merkmale stimmen mit den analytischen Ergebnissen überein, die Unterschiede in den Auswirkungen von Lebensfunktionen und Wohnfunktionen auf die städtische Vitalität beschreiben.

Abbildung 10 fasst die Beziehungen zwischen den wichtigsten Dimensionen der urbanen räumlichen Struktur und deren Einflüssen auf die urbane Vitalität zusammen. Auf Grundlage der Ergebnisse der MGWR-Analyse integriert das Rahmenmodell die identifizierten treibenden Faktoren und ihre Wechselwirkungen, um eine umfassende konzeptionelle Darstellung der Mechanismen zu liefern, die die tägliche und nächtliche urbane Vitalität beeinflussen.

Abbildung 10. Optimierungsmechanismus zur Verbesserung der urbanen räumlichen Struktur und Vitalität. Das Diagramm fasst Strategien zur Verbesserung der Vitalität über funktionale Elemente, architektonische Form, Erreichbarkeit, sozioökonomische Faktoren, ökologischen Raum und menschliche Wahrnehmung hinweg zusammen, unter Berücksichtigung der Unterschiede zwischen Tages- und Nachtvitalität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Datenverfügbarkeit:
Alle Daten, die die Ergebnisse dieser Studie unterstützen, sind innerhalb des Artikels und seiner ergänzenden Materialien enthalten. Dazu gehören Ergänzende Abbildung 1; Ergänzende Dateien 1–7, die die Datenerhebung, Vorverarbeitung, analytischen Workflows, Modellergebnisse und Regressionsdiagnosen beschreiben; Ergänzende Codes 1–4, die die Python-Skripte und Jupyter-Notebooks enthalten, die für die Datenvorverarbeitung und die Verarbeitung von Street-View-Bildern verwendet wurden; sowie Ergänzende Daten 1–3, die die ursprünglichen, standardisierten und verarbeiteten Datensätze der Indikatoren für die städtische räumliche Struktur enthalten, die in den Analysen verwendet wurden.

Erweiterte Abbildung 1. Validierung der aus Wärmekarten abgeleiteten urbanen Vitalität anhand der Intensität des nächtlichen Lichts. Vergleich der räumlichen Verteilung der Intensität des nächtlichen Lichts (links) und der aus Baidu-Wärmekartendaten abgeleiteten nächtlichen urbanen Vitalität (rechts). Repräsentative Hotspot-Bereiche sind hervorgehoben, um die räumliche Übereinstimmung zwischen den beiden Datensätzen zu veranschaulichen, was die Verwendung der aus Wärmekarten abgeleiteten Aktivitätsintensität als Proxy für urbane Vitalität im Untersuchungsgebiet stützt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 1. Datenerfassungs- und Verarbeitungsworkflow für Baidu-Heatmaps. Diese Datei beschreibt den Workflow zur Erfassung, Vorverarbeitung, Entstörung, zeitlichen Klassifizierung, räumlichen Transformation, Schätzung der Kernel-Dichte sowie zur Berechnung der städtischen Vitalität tagsüber und nachts auf einem 300 m × 300 m Raster. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 2. Definitionen und Berechnungsverfahren für Indikatoren der urbanen räumlichen Struktur. Diese Datei enthält die Definitionen, Berechnungsgleichungen, Vorverarbeitungsverfahren, Parametereinstellungen und Normalisierungsmethoden für alle in der Analyse verwendeten Indikatoren der urbanen räumlichen Struktur, einschließlich Funktionalität, architektonische Form, Erreichbarkeit, sozioökonomische Merkmale, ökologischer Raum und menschliche Wahrnehmung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 3. Workflow zur Erfassung und Analyse von Street-View-Bildern. Diese Datei beschreibt die Stichprobenstrategie für Street-View-Bilder, die Parameter zur Bilderfassung, die Erzeugung von Panoramabildern, die semantische Segmentierung mithilfe des SegNet-Modells, die Modellvalidierung sowie die Berechnung der aus Street-View-Bildern abgeleiteten Indikatoren zur menschlichen Wahrnehmung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 4. Multiskalige geographisch gewichtete Regressionsanalyse (MGWR) – Modellierungsablauf. Diese Datei beschreibt das Vorgehen bei der MGWR-Modellierung, einschließlich Datenvorverarbeitung, Variablenselektion, Multikollinearitätsbeurteilung, Modellkonfiguration, Bandbreitenoptimierung, Parametereinstellungen, Modellimplementierung sowie den Vergleich der Leistungsfähigkeit von gewöhnlicher Kleinste-Quadrate-Schätzung (OLS), geographisch gewichteter Regression (GWR) und MGWR. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 5. Tageszeitliche multiskalige geographisch gewichtete Regression (MGWR) – Ergebnisse. Vollständige Ergebnisse des tageszeitlichen MGWR-Modells, einschließlich globaler Regressionsstatistiken, Bandbreiten-Optimierung, diagnostischer Kenngrößen, Parameterschätzungen und Zusammenfassungsstatistiken, die zur Bewertung der räumlichen Heterogenität der städtischen Vitalität tagsüber verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 6. Ergebnisse der nächtlichen multiskaligen geographisch gewichteten Regression (MGWR). Vollständige Ergebnisse des nächtlichen MGWR-Modells, einschließlich globaler Regressionsstatistiken, Bandbreiten-Optimierung, diagnostischer Kenngrößen, Parameterschätzungen und Zusammenfassungsstatistiken, die zur Bewertung der räumlichen Heterogenität der nächtlichen urbanen Vitalität verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdatei 7. Diagnoseverfahren und Modellbewertung bei der multiplen linearen Regression (OLS). Diagnoseergebnisse für das OLS-Modell, einschließlich der Beurteilung von Multikollinearität, Regressionsdiagnose, Residualanalysen und unterstützenden Diagrammen, die zum Vergleich mit geographisch gewichteten Regressionsmodellen verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzender Code 1. Python-Workflow zur Vorverarbeitung von Baidu-Heatmap-Daten. Python-Skript zur Vorverarbeitung roher Heatmap-Daten, einschließlich Entfernung von Duplikaten, Filterung fehlender Werte, Umwandlung von Zeitstempeln, Klassifizierung in Tag/Nacht, Standardisierung von Koordinaten und Export der verarbeiteten Datensätze für anschließende räumliche Analysen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzender Code 2. Workflow zur Zusammensetzung von Street-View-Bildern. Jupyter-Notebook zur Verarbeitung von Street-View-Bildern, einschließlich der Bildzusammensetzung und Erstellung von Panoramabildern für anschließende Streetscape-Analysen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzender Code 3. Workflow zur Erfassung von Street-View-Bildern. Jupyter-Notebook, das verwendet wird, um Street-View-Bilder über die Baidu-Street-View-Anwendungsprogrammierschnittstelle (API) abzurufen, die Bildmetadaten zu organisieren und die Bilder für die semantische Segmentierung vorzubereiten. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzender Code 4. Workflow zur Verarbeitung von Street-View-Bildern. Jupyter-Notebook zur Verarbeitung und Integration von Street-View-Bildern vor der Extraktion der Indikatoren für die menschliche Wahrnehmung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdaten 1. Ursprünglicher Datensatz der Indikatoren zur städtischen Raumstruktur. Rohdaten der Indikatorenwerte, zusammengestellt vor der Vorverarbeitung und Standardisierung für alle räumlichen Einheiten, die in die Studie einbezogen wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdaten 2. Standardisierter Datensatz von Indikatoren zur urbanen räumlichen Struktur. Standardisierte Prädiktorvariablen, die als Eingabedaten für die multiskaligen geographisch gewichteten Regressionsanalysen verwendet wurden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Zusatzdaten 3. Gefilterte und verarbeitete Datensätze zu Indikatoren der urbanen räumlichen Struktur. Qualitätsgeprüfter Datensatz nach der Vorverarbeitung und Variablenauswahl, verwendet für statistische Analysen und die Modellentwicklung. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Die urbane Vitalität im Hauptstadtbereich von Yantai weist vielfältige Clustermuster und heterogene räumliche Einflüsse auf, die je nach Ort, räumlichem Bereich und Analyseebene variieren. Die vorliegende Studie zeigt, dass urbane Vitalität durch eine zusammengesetzte und geschachtelte räumliche Struktur geprägt ist, in der mehrere Dimensionen der gebauten Umwelt gemeinsam die täglichen und nächtlichen Aktivitäten der Bewohner beeinflussen. Mithilfe multiquelliger geospatialer Big Data und des MGWR-Modells wurden erhebliche räumliche Heterogenitäten in den Wirkungen von Funktionalität, Bebauungsform, Erreichbarkeit, sozioökonomischen Bedingungen und menschlicher Wahrnehmung auf die urbane Vitalität identifiziert. Im Vergleich zu traditionellen globalen Regressionsansätzen erfasst das MGWR-Modell die räumliche Nicht-Stationarität dieser Beziehungen effektiver und ermöglicht ein differenzierteres Verständnis der zugrundeliegenden Mechanismen urbaner Vitalität. Diese Ergebnisse deuten darauf hin, dass Strategien zur Förderung urbaner Vitalität auf den räumlich-zeitlichen Aktivitätsbedürfnissen der Bewohner basieren und gerechte, kontextspezifische Ansätze verfolgen sollten, die je nach Person, Zeit und Ort variieren. Darüber hinaus erfordert eine wirksame Steigerung der Vitalität eine koordinierte Optimierung sowohl globaler als auch lokaler räumlicher Strukturen, während Ineffizienzen, unwirksame Maßnahmen und negative Effekte im Zusammenhang mit der Ressourcenverteilung und Umweltbeschränkungen reduziert werden müssen. Insgesamt liefern diese Ergebnisse einen evidenzbasierten Rahmen, um die Wirksamkeit und Präzision von Strategien zur Steigerung urbaner Vitalität zu verbessern (Abbildung 10).

Unter den untersuchten funktionellen Elementen erwiesen sich die Vielfalt der POIs, Lebensfunktionen und Wohnfunktionen als die primären Bestimmungsfaktoren der urbanen Vitalität. Die POI-Vielfalt übte den stärksten positiven Einfluss auf die urbane Vitalität aus, was mit den Ergebnissen von Ye und Zhuang³³ sowie Cetin et al.³⁴ übereinstimmt, die zeigten, dass gemischte städtische Funktionen die Bevölkerungskonzentration fördern und die räumliche Vitalität erhöhen. In der vorliegenden Studie zeigte die POI-Vielfalt tagsüber in den meisten Teilen des zentralen Stadtgebiets eine signifikant positive Beziehung zur urbanen Vitalität, während in Randgebieten lediglich schwache negative Zusammenhänge beobachtet wurden. Dieses Muster lässt sich durch die Konzentration vielfältiger Wohn-, Geschäfts-, Freizeit- und Dienstleistungsfunktionen erklären, die kontinuierliche menschliche Aktivitätsketten erzeugen und sowohl die zeitliche als auch räumliche Vitalität stärken. Im Gegensatz dazu weisen periphere Bezirke, die durch einfunktionale Landnutzung gekennzeichnet sind, fragmentierte Aktivitätsketten und eine reduzierte zeitliche Nutzung des städtischen Raums auf. Diese konzentrische Differenzierung stimmt ebenfalls mit früheren Studien von Fang et al.³⁵ und Xu et al.³⁶ überein. Ähnliche Muster wurden bereits in Peking und Wuhan berichtet, wo höhere Grade funktionaler Integration mit stärkerer Fußgänger- und kommerzieller Vitalität assoziiert sind^37,38. Im Gegensatz zu den Vorstadt-Wohngebieten in Peking, die im Allgemeinen über relativ vollständige unterstützende Einrichtungen verfügen, fehlen in Industriegebieten wie der Huangwu-Straße und dem Wanhua-Industriepark in Yantai ausreichende alltägliche POIs, wodurch die negativen Auswirkungen funktionaler Monokultur deutlicher hervortreten. Daher würde eine Steigerung der Funktionsvielfalt durch gemischte Wohn- und Gewerbeentwicklung, kommunale Dienstleistungen und öffentliche Freiräume die Vitalität in diesen Bezirken wahrscheinlich verbessern, während die Erweiterung nächtlicher Geschäftsstraßen und Nachtmärkte die nächtliche Aktivität weiter verstärken könnte. Lebensfunktionen zeigten ebenfalls durchgängig positive Effekte auf die urbane Vitalität sowohl tagsüber als auch nachts, insbesondere im östlichen Teil der Stadt. Einrichtungen im Bereich Bildung, Gesundheitsversorgung, Kultur, Freizeit, Verkehr und öffentliche Dienstleistungen ziehen wiederholte tägliche Besuche an und fungieren als wichtige Zielorte für Reisen und soziale Interaktionen. Die räumliche Überlappung dieser Einrichtungen mit kommerziellen Dienstleistungen erhöht zudem die Verweildauer und Aktivitätsintensität von Fußgängern und trägt so zur Aufrechterhaltung der urbanen Vitalität bei. Diese Ergebnisse stimmen mit Liu und Ge³⁹ überein, die die Bedeutung der Bereitstellung öffentlicher Dienstleistungen für die Steigerung der kommunalen Vitalität hervorhoben, sowie mit Studien aus Nanjing und Wuhan, die zeigten, dass ausgewogene lebenserhaltende Einrichtungen die Aktivitätsintensität der Bewohner über den gesamten Tag signifikant erhöhen^40,41. Folglich sollte eine umfassende städtische Erneuerung die Verbesserung sowohl der Menge als auch der Qualität lebensbezogener Einrichtungen priorisieren. Wie in Abbildung 8 dargestellt, leiden ältere Wohngebiete wie Xingfu Xincheng und die umliegenden städtischen Dörfer weiterhin unter unzureichenden öffentlichen Dienstleistungen und einer vergleichsweise schlechten räumlichen Qualität. Die Verbesserung des Zugangs zu Bildung, Gesundheitsversorgung, Altenpflege, öffentlichen Grünflächen und Notfallinfrastruktur sowie die adaptive Umnutzung ehemaliger Industriestandorte wie des Zhichu-Parks zu Parks und öffentlichen Plätzen würde zu einer stärkeren und nachhaltigeren urbanen Vitalität beitragen. Wohnfunktionen wiesen tagsüber und nachts ähnliche räumliche Muster auf und zeigten im Allgemeinen schwache negative Beziehungen in Gebieten mit hoher Konzentration an Wohn-POIs. Diese Gebiete zeichnen sich oft durch dominierende Wohnnutzung, begrenzten öffentlichen Freiraum, unzureichende kommerzielle Aktivitäten und vergleichsweise wenige Möglichkeiten zur sozialen Interaktion aus, was zu Umgebungen mit stark ausgeprägten Wohncharakteristika, aber relativ geringer Aktivitätsintensität führt. Chen et al.⁴² zeigten ebenfalls, dass urbane Infrastruktur die Vitalität nur dann steigert, wenn eine angemessene Dichte mit kontinuierlicher Modernisierung und Erneuerung einhergeht. Untersuchungen in dicht besiedelten Stadtteilen von Guangzhou deuten ebenfalls darauf hin, dass eine alleinige Steigerung der Wohnbebauung die Vitalität nicht notwendigerweise verbessert, sofern sie nicht durch öffentliche Dienstleistungen, Gewerbeeinrichtungen, fußgängerfreundliche Infrastruktur und qualitativ hochwertige öffentliche Räume unterstützt wird. Wie in Abbildung 9 gezeigt, leiden viele stark wohngeprägte Stadtteile weiterhin unter einem Mangel an öffentlichen Räumen und inaktiven Straßenfronten. Wohnlich dichte Bezirke würden daher von gezielten Verbesserungen öffentlicher Dienstleistungseinrichtungen, der Optimierung der Wohnfunktionen, der Einführung grüner Bautechnologien, einer stärkeren kommunalen Steuerung sowie einer sorgfältigen Planung künftiger Wohnentwicklungen profitieren, um sowohl die Wohnqualität als auch die urbane Vitalität zu steigern.

Neben funktionalen Elementen zeigt die vorliegende Studie, dass bauliche Struktur, Erreichbarkeit, sozioökonomische Bedingungen und menschliche Wahrnehmung alle zur räumlichen Heterogenität urbaner Vitalität beitragen. Die Bebauungsdichte erwies sich als wichtiger Bestimmungsfaktor der Nachbarschaftsvitalität. In Übereinstimmung mit den Ergebnissen von Yang et al.⁴³ In Chongqing fördert eine höhere Gebäude­dichte im Allgemeinen die Bevölkerungs­agglomeration und wirtschaftliche Aktivitäten und trägt somit zur Steigerung der Quartiers­dynamik bei. Ebenso zeigte die vorliegende Studie, dass der Einfluss der Gebäude­dichte von Westen nach Osten allmählich zunimmt, was der Konzentration von Entwicklung und gewerblichen Aktivitäten im nordöstlichen Kern des Hauptstadtgebiets von Yantai entspricht. Frühere Studien in Guangzhou belegten zudem, dass, obwohl eine steigende Gebäude­dichte anfänglich die urbane Vitalität fördert, diese Beziehung letztendlich eine optimale Schwelle erreicht, jenseits derer weitere Dichte nur noch abnehmende Effekte bewirkt.¹⁶Ebenso zeigten Studien, die in Qingdao durchgeführt wurden, dass Gebiete rund um ökologische Flächen für eine übermäßig intensive Entwicklung ungeeignet sind44 und dass küstenlinienförmige oder frei gestaltete räumliche Strukturen oft attraktivere Umgebungen bieten als stark verdichtete städtische Formen. Diese Ergebnisse legen nahe, dass die Bebauungsdichte optimiert statt maximiert werden sollte. Demnach sollte die lokale Bebauungsdichte in stark entwickelten Gewerbe- und Wohngebieten, einschließlich der Bereiche um den Bahnhof Yantai und Haishang World, angemessen reduziert werden, während gleichzeitig öffentliche Grünflächen und Erholungsräume ausgebaut werden. In historischen Vierteln wie Chaoyang Street und Suochengli sollte der Erhalt historischer Gebäude Vorrang haben und eine übermäßige Neuentwicklung vermieden werden, während die Entwicklungsdichte entlang des Küstentourismusgürtels und um den Central Mountain Park sorgfältig kontrolliert bleiben sollte, um ökologische und landschaftliche Ressourcen zu bewahren und gleichzeitig die städtische Vitalität aufrechtzuerhalten. Auch die Erreichbarkeit wies eine deutliche raumzeitliche Heterogenität auf. Dies steht im Einklang mit früheren Studien.^45,46, zeigte die Tageszeitnähe eine signifikante positive Beziehung zur urbanen Vitalität, während ihr Einfluss in den Nachtstunden von Süden nach Norden abnahm. Da die Nähe die Vernetzung des Straßennetzes und die Reisekosten der Bewohner widerspiegelt, ermöglicht eine höhere Erreichbarkeit häufige und vielfältige Aktivitäten durch Verringerung der Reisezeit. Frühere Studien haben ebenfalls gezeigt, dass die nächtliche Vitalität stark mit der Bevölkerungsdichte und der Verkehrserschließung verbunden ist, insbesondere in dicht besiedelten urbanen Gebieten⁴⁷. Wei Wei et al.⁴⁸ wurde in Wuhan weiterhin gezeigt, dass hochgradig vernetzte Straßensysteme und gut ausgebaute Langsamverkehrssysteme die Quartierslebendigkeit erheblich steigern, insbesondere in der Nachtzeit. Diese Ergebnisse legen nahe, dass die zukünftige Planung von Straßennetzen eine Strategie der „kleinen Blöcke und dichten Straßennetze“ verfolgen sollte. In älteren Quartieren in bergigem Gelände, wie Nangou Street–Jinde und Baishi–Hushan, würde eine verbesserte Anbindung durch die Beseitigung von Sackgassen sowie den Ausbau der Infrastruktur für Fußgänger, Fahrradfahrer und den Kfz-Verkehr die Erreichbarkeit und allgemeine Lebendigkeit stärken. Ebenso würden Verkehrsverbesserungen in den nördlichen Bereichen der Xingfu Street die nächtliche Lebendigkeit weiter erhöhen. Sozioökonomische Bedingungen, repräsentiert durch den DBC, wiesen ebenfalls eine deutliche Tag-Nacht-Heterogenität auf. Tagsüber waren niedrigere DBC-Werte mit stärkerer Bevölkerungskonzentration und höherer urbaner Lebendigkeit assoziiert, während die nächtliche Lebendigkeit das entgegengesetzte Muster zeigte, was mit den Befunden von Wang et al. übereinstimmt.⁴⁹ Dieser Unterschied spiegelt die kontrastierende räumliche Organisation von tagsüber stattfindenden Pendel- und Einkaufstätigkeiten im Vergleich zu nächtlichen Freizeit- und Wohnaktivitäten wider. Tagsüber fungiert das kommerzielle Stadtzentrum als zentrales Ziel für Erwerbstätigkeit und Konsum und weist dadurch eine starke Konzentration von Vitalität auf. Nachts hingegen werden Freizeitaktivitäten stärker gestreut, während die peripheren Wohngebiete an Vitalität gewinnen, da die Bewohner nach Hause zurückkehren. Dieses Muster verdeutlicht zudem die Diskrepanz zwischen Arbeitsplätzen und Wohnraum innerhalb der vorwiegend monozentrischen Handelsstruktur Yantais. In Übereinstimmung mit Bianchinis Theorie der Nachtzeitwirtschaft⁵⁰, stellt die Etablierung vielfältiger nächtlicher Handelsaktivitäten eine wirksame Strategie zur Stärkung der Vitalität in suburbanen Gebieten dar. Demnach würden suburban gelegene Bereiche wie der Stadtbezirk Huangwu von der Entwicklung sekundärer Handelszentren, einer Diversifizierung der nächtlichen Konsummöglichkeiten sowie verbesserten Verkehrsverbindungen zwischen den suburbanen Wohngebieten und dem Stadtzentrum profitieren, wodurch eine ausgewogenere Vitalität im gesamten Stadtgebiet gefördert wird. Schließlich übte die menschliche Wahrnehmung, repräsentiert durch die Fußgängertauglichkeit, während Tag und Nacht durchgängig einen positiven Einfluss auf die städtische Vitalität aus. Geurs et al.⁵¹ zeigten, dass eine höhere begehbare Erreichbarkeit die Bereitschaft der Anwohner erhöht, spontane Gehstrecken zurückzulegen, wodurch die Vitalität des Wohngebiets gefördert wird. Mahmood et al.⁵² betonten zudem, dass nächtliche städtische Aktivitäten stark von der Erreichbarkeit des Verkehrs, dem Fußgängerkomfort und der wahrgenommenen Sicherheit abhängen, wodurch qualitativ hochwertige Gehumgebungen für die Aufrechterhaltung der nächtlichen Vitalität unerlässlich werden. Die vorliegenden Ergebnisse zeigen ähnlich, dass die tägliche Gehaktivität hauptsächlich von der Zugänglichkeit der Einrichtungen beeinflusst wird, während die nächtliche Vitalität stärker von Umgebungskomfort, Kontinuität der Fußwege und wahrgenommener Sicherheit abhängt. Si Rui et al.⁵³ ebenfalls berichtet, dass sicherere Fußgängerumgebungen die Vitalität in der Nacht fördern, während vielfältige Straßenfassaden die Tagesvitalität verbessern. In Yantai sind zersplitterte Fußgängeranlagen und schwere Konflikte zwischen Fußgängern und Fahrzeugen in älteren Wohngebieten weiterhin verbreitet und begrenzen die Entfaltung einer ganztagigen Vitalität. Zukünftige Planungen sollten daher durchgängige Gehwege, barrierefreie Fußgängeranlagen, sicherere Überwege, vielfältigere Straßenfassaden, verbesserte Beleuchtung sowie eine höhere Qualität der nächtlichen Umwelt priorisieren, um die Aufenthaltsdauer der Bewohner im Freien zu verlängern, soziale Interaktionen und wirtschaftliche Aktivitäten zu fördern und die städtische Vitalität tagsüber wie nachts zu stärken. Abbildung 10 fasst die aus diesen Ergebnissen abgeleiteten vorgeschlagenen Optimierungsstrategien zusammen.

Insgesamt vertieft die vorliegende Studie das Verständnis urbaner Vitalität, indem sie multiquellige geospatiale Big Data mit dem MGWR-Modell kombiniert, um zu quantifizieren, wie mehrere Dimensionen der urbanen Raumstruktur die Vitalität über verschiedene räumliche Skalen und Zeiträume hinweg beeinflussen. Im Gegensatz zu herkömmlichen globalen Regressionsmodellen ermöglicht der MGWR-Ansatz, dass jede erklärende Variable auf ihrer jeweils eigenen räumlichen Skala wirkt, wodurch erhebliche räumliche Nicht-Stationarität in den Beziehungen zwischen Funktionalität, baulicher Struktur, Erreichbarkeit, sozioökonomischen Bedingungen, menschlicher Wahrnehmung und urbaner Vitalität offenbart wird. Dieser analytische Rahmen verbessert nicht nur das Verständnis der Mechanismen, die der urbanen Vitalität zugrunde liegen, sondern liefert auch praktische Anleitungen für eine evidenzbasierte Stadtplanung und -steuerung. Anstatt einheitliche planerische Maßnahmen flächendeckend in der Stadt anzuwenden, unterstützen die Ergebnisse differenzierte Optimierungsstrategien, die auf lokale Funktionsmerkmale, Entwicklungsdichte, Verkehrsanbindung, sozioökonomische Gegebenheiten und Fußgängerumgebungen zugeschnitten sind. Folglich ergeben sich potenzielle Anwendungsbereiche des vorgeschlagenen Rahmens in der Stadterneuerung, Quartierssanierung, Optimierung öffentlicher Räume, Verkehrsplanung sowie der Entwicklung nachhaltiger Tages- und Nachtwirtschaften. Indem identifiziert wird, wo und wie unterschiedliche räumliche Elemente die Vitalität beeinflussen, liefert die Studie eine wissenschaftliche Grundlage für die Umsetzung präziser, menschenzentrierter Planungsstrategien, die die Qualität urbaner Räume verbessern und gleichzeitig eine ausgewogene und nachhaltige städtische Entwicklung fördern.

Obwohl die vorliegende Studie einen analytischen Rahmen zur Untersuchung der urbanen Vitalität unter Verwendung von multiquellen geospatialen Daten und dem MGWR-Modell etabliert, sind mehrere Einschränkungen zu berücksichtigen. Erstens war die zeitliche Abdeckung der Analyse auf Heatmap-Daten beschränkt, die an fünf aufeinanderfolgenden Werktagen erhoben wurden, wodurch Schwankungen in den Verhaltensmustern der Bewohner an Wochenenden, Feiertagen oder in verschiedenen Jahreszeiten nicht erfasst werden und somit die Vollständigkeit der zeitlichen Analyse eingeschränkt ist. Zweitens enthalten Heatmap-Daten, obwohl sie durch eine große Nutzerbasis eine umfassende räumliche Abdeckung bieten, zwangsläufig eine Stichprobenverzerrung und können die gesamte städtische Bevölkerung nicht vollständig repräsentieren, was zu Einschränkungen in der Repräsentativität der Stichprobe führt. Drittens konzentrierte sich die Studie ausschließlich auf den Hauptstadtbereich des Zhifu-Bezirks in Yantai; folglich sind die Ergebnisse eng mit den Merkmalen der lokalen gebauten Umwelt verknüpft, und ihre Übertragbarkeit auf andere urbane Kontexte – einschließlich bergiger Städte, suburbaner Gebiete, Küstenstädte und Megastädte – bedarf weiterer Überprüfung durch vergleichende Studien. Viertens untersuchte die vorliegende Analyse lediglich den Einfluss der urbanen Raumstruktur auf die urbane Vitalität, während mögliche wechselseitige Interaktionen zwischen urbaner Vitalität und Raumstruktur nicht betrachtet wurden. Schließlich erfasst das MGWR-Modell zwar effektiv die räumliche Nicht-Stationarität, basiert jedoch grundsätzlich auf linearen Annahmen und kann daher die komplexen nichtlinearen Beziehungen und Wechselwirkungseffekte zwischen urbaner Vitalität, menschlichen Aktivitäten und räumlichen Elementen möglicherweise nicht vollständig abbilden. Diese Einschränkungen weisen wichtige Ansatzpunkte für weitere methodische Verbesserungen und eine breitere Anwendung des vorgeschlagenen analytischen Rahmens auf.

Zukünftige Forschungsarbeiten können die vorliegende Studie in mehreren Richtungen erweitern. Die Einbeziehung von Heatmap-Daten, die an Wochenenden, Feiertagen und in verschiedenen Jahreszeiten erhoben wurden, würde eine langfristige dynamische Überwachung der urbanen Vitalität ermöglichen und ein umfassenderes Verständnis ihrer räumlich-zeitlichen Entwicklung liefern. Vergleichende Analysen zwischen verschiedenen Urbantypen – einschließlich bergiger Städte, Städte in flachen Regionen, Küstenstädte, Vorstadtgebiete und Megastädte – würden helfen, universelle Mechanismen von regionspezifischen Merkmalen zu unterscheiden und die Generalisierbarkeit der Ergebnisse zu verbessern. Darüber hinaus würde die Integration sozioökonomischer Informationen – wie Bevölkerungsstruktur, industrielle Verteilung, Beschäftigungsmerkmale und Einkommen der Bewohner – eine umfassendere Interpretation der Mechanismen ermöglichen, die der Entstehung urbaner Vitalität zugrunde liegen. Zukünftige Studien könnten außerdem mehrere Datenquellen, wie Mobilfunksignaldaten und hochfrequente Konsumdatensätze, mit maschinellem Lernen und anderen nichtlinearen Analyseverfahren kombinieren, um die komplexen Wechselwirkungen zwischen urbaner Raumstruktur, menschlichem Verhalten und urbaner Vitalität besser abzubilden. Außerdem besitzt der in dieser Studie entwickelte analytische Rahmen erheblichen praktischen Nutzen für die Stadterneuerung, die Revitalisierung von Stadtteilen, die Optimierung öffentlicher Räume sowie eine differenzierte städtische Governance, insbesondere in alternden Gemeinschaften, Vorstadtbezirken und Gebieten mit vergleichsweise schwacher kommerzieller Vitalität. Indem dieser Rahmen quantitative Belege für differenzierte Planungsstrategien auf Grundlage lokaler räumlicher Gegebenheiten liefert, kann er eine präzisere, menschenzentrierte und nachhaltigere städtische Entwicklung unterstützen. Insgesamt zeigt diese Studie, dass die Integration mehrquelliger geospatialer Big Data mit dem MGWR-Modell einen wirksamen Ansatz darstellt, um die räumliche Heterogenität urbaner Vitalität aufzudecken, und wertvolle wissenschaftliche Grundlagen für die Optimierung der urbanen Raumstruktur sowie die Steigerung urbaner Vitalität durch evidenzbasierte Planung und Governance bietet.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
ArcGIS	Esri	Version 10.4 (RRID: SCR_011081)	Geoinformationssystem-Software zur räumlichen Analyse und Kartendarstellung
Baidu Maps API	Baidu, Inc.	Version 3.0	Wird zur Erfassung von Heatmap-, POI- (Point of Interest) und Street-View-Bilddaten verwendet
MGWR	Arizona State University	Version 2.2	Software zur multiskaligen geographisch gewichteten Regressionsanalyse
National Basic Geographic Information Center Land-use Dataset	National Basic Geographic Information Center	https://www.gscloud.cn/search	Datenquelle für Landnutzungsdaten
NPP-VIIRS Nighttime Light Dataset	Harvard Dataverse	DOI: 10.7910/DVN/YGIVCD	Wird zur Validierung der aus Heatmaps abgeleiteten urbanen Vitalitätsmuster verwendet
OpenCV	OpenCV	Version 4.5.5	Wird zur Panoramabildnaht und Bildverarbeitung verwendet
OpenStreetMap	OpenStreetMap Foundation	https://www.openstreetmap.org	Datenquelle für Gebäudegrundriss- und Straßennetzdaten
Python	Python Software Foundation	Version 3.8 (RRID: SCR_008394)	Wird zur Datenerfassung, -vorverarbeitung und -analyse verwendet
SegNet	University of Cambridge	PyTorch-Implementierung (Version 1.0) (RRID: SCR_017042)	Tiefes semantisches Segmentierungsnetzwerk zur Extraktion von Straßenlandschaftsmerkmalen
Spatial Design Network Analysis (sDNA)	Cardiff University	Version 4.0	Wird zur Berechnung von Zugänglichkeitsmetriken des Straßennetzes verwendet