Análisis espacial del impacto de la estructura espacial urbana en la vitalidad urbana de Yantai, China, mediante regresión ponderada geográficamente multiescalar

Resumen

Este protocolo integra datos de mapas de calor de Baidu, puntos de interés, imágenes de vista callejera y regresión geográficamente ponderada multiescala para cuantificar la vitalidad urbana y evaluar cómo la estructura espacial urbana influye en los patrones de vitalidad diurna y nocturna en Yantai, China.

Resumen

Comprender cómo la estructura espacial urbana influye en la vitalidad urbana es esencial para desarrollar estrategias de planificación urbana centradas en el ser humano. Sin embargo, la heterogeneidad espacial de estas relaciones y las contribuciones relativas de diferentes elementos de la estructura espacial urbana a la vitalidad diurna y nocturna siguen comprendiéndose de manera insuficiente. Este estudio tuvo como objetivo cuantificar la vitalidad urbana e investigar cómo la estructura espacial urbana afecta su variación espacio-temporal en el área urbana principal de Yantai, China. Se integraron conjuntos de datos espaciales multifuente, incluyendo datos de mapa de calor de Baidu, puntos de interés, imágenes de vista callejera, redes viales, información de edificios y datos de uso del suelo, para caracterizar la vitalidad urbana y la estructura espacial urbana. Se emplearon la estimación de densidad kernel, el análisis de autocorrelación espacial y la regresión geográficamente ponderada multiescala (MGWR) para evaluar la distribución espacial de la vitalidad urbana y los efectos dependientes de la escala de las variables de estructura espacial urbana. Los resultados demostraron que la vitalidad urbana presenta una marcada polarización espacial caracterizada por un patrón compuesto de «centro–periferia» y «un núcleo con múltiples puntos», junto con una autocorrelación espacial positiva significativa. La influencia de la estructura espacial urbana varió considerablemente según el espacio y entre el día y la noche. La diversidad y la proximidad de los puntos de interés fueron los factores determinantes principales de la vitalidad diurna, mientras que la función residencial y la diversidad de los puntos de interés ejercieron la mayor influencia sobre la vitalidad nocturna. La caminabilidad mostró consistentemente una asociación positiva con la vitalidad urbana durante ambos periodos, destacando la importancia de entornos urbanos centrados en el ser humano. Estos hallazgos demuestran el valor de integrar datos espaciales multifuente con MGWR para evaluar la vitalidad urbana y proporcionan un marco práctico para apoyar la planificación urbana basada en evidencia y la optimización espacial.

Introducción

La vitalidad urbana es un indicador fundamental para medir el nivel de desarrollo urbano sostenible, la calidad de vida de los residentes y la eficacia de la construcción urbana de alta calidad. Durante mucho tiempo ha atraído una atención considerable por parte de los investigadores en geografía urbana y en planificación urbana y regional.^1,2. Durante la etapa de urbanización incremental y expansión espacial rápida, los problemas asociados con un desarrollo espacial urbano desequilibrado se han vuelto cada vez más notorios. La asignación ineficiente del uso del suelo, la contaminación ambiental, la congestión vehicular y desafíos urbanos persistentes, como la separación entre lugares de trabajo y vivienda, han seguido debilitando la vitalidad vecinal.³. En la actualidad, China ha entrado en una nueva etapa de urbanización, en la que el enfoque del desarrollo urbano está pasando de una construcción extensiva de ciudades a una gestión urbana más refinada, convirtiéndose el desarrollo espacial centrado en las personas en una prioridad clave. La escala centrada en el ser humano se enfoca en unidades espaciales microscópicas que los residentes pueden percibir directamente y representa una extensión y refinamiento de los análisis tradicionales a escala de manzana y vecindario. Desde el 18^th Congreso Nacional del Partido Comunista de China, el desarrollo centrado en las personas se ha convertido en un principio fundamental de la gestión territorial espacial, y la mejora de la calidad de los entornos habitables se ha erigido en un objetivo primordial de la planificación urbana. En este contexto, caracterizar con precisión los patrones espacio-temporales de la vitalidad urbana y esclarecer los mecanismos heterogéneos mediante los cuales el entorno construido centrado en las personas influye en dicha vitalidad puede proporcionar una base científica para prácticas de planificación refinadas, incluyendo la renovación urbana a nivel de calle y la mejora de vecindarios. Mientras tanto, la ciudad de Yantai ha lanzado una serie de iniciativas de renovación urbana en el marco de su 14^th El Plan Quinquenal fue seleccionado en 2021 como una de las primeras ciudades piloto de renovación urbana a nivel nacional por el Ministerio de Vivienda y Desarrollo Urbano-Rural, y recibió apoyo fiscal central adicional para la renovación urbana en 2026. Estas ventajas políticas y financieras proporcionan condiciones favorables para mejorar la calidad de los espacios urbanos existentes en Yantai y explorar estrategias distintivas de renovación urbana para ciudades costeras, promoviendo así un desarrollo urbano de alta calidad.

El concepto de vitalidad urbana fue propuesto por primera vez por la académica estadounidense Jane Jacobs, quien argumentó que la diversidad funcional, las manzanas pequeñas, los edificios de diferentes edades y la alta densidad constituyen las cuatro condiciones esenciales para ciudades dinámicas⁴. Los estudios iniciales establecieron marcos teóricos basados principalmente en investigaciones de campo y encuestas, mientras que investigaciones posteriores se orientaron gradualmente hacia la escala micro, centrándose en la concentración espacial de las actividades humanas⁵. Cada vez hay más evidencia que demuestra que la dinámica temporal y la variación espacial a escala fina desempeñan un papel importante en la comprensión de la vitalidad urbana⁶. El rápido desarrollo de los grandes datos geoespaciales de alta resolución ha creado nuevas oportunidades para el monitoreo a gran escala y dinámico de la vitalidad urbana. En consecuencia, los investigadores dependen cada vez más de conjuntos de datos multifuente, incluyendo datos de señalización de teléfonos móviles, trayectorias de ubicación, registros de presencia en redes sociales, datos de mapas de calor y puntos de interés (POI), para cuantificar la intensidad de la actividad humana en diferentes unidades espaciales e investigar la vitalidad urbana a múltiples escalas^{7,8,9,10,11,12}. Entre estas fuentes de datos, los datos de mapas de calor pueden capturar con precisión la distribución espacial y la dinámica temporal de la concentración de población y se han aplicado ampliamente para cuantificar la vitalidad urbana a escala de parcela, manzana y ciudad^13,14,15. Por ejemplo, Wang Chenggang et al.¹⁶ utilizaron datos de mapas de calor para identificar los patrones de vitalidad del centro de Guangzhou, cuantificar las relaciones no lineales y los efectos umbral del entorno construido, y distinguir las diferentes influencias de los periodos de tiempo en días laborables, proporcionando así evidencia empírica valiosa para la investigación sobre vitalidad urbana.

La vitalidad urbana está fundamentalmente moldeada y limitada por la estructura espacial urbana que acomoda las actividades humanas. Comprender los mecanismos mediante los cuales la estructura espacial urbana influye en la vitalidad urbana proporciona un apoyo importante para una planificación urbana refinada y una gestión urbana basada en evidencia. Los estudios existentes han desarrollado sistemas de evaluación multidimensionales para la estructura espacial urbana, que abarcan la escala urbana, la distribución funcional, la forma espacial, la compacidad y las características socioeconómicas. Estos estudios han demostrado consistentemente que las condiciones de ubicación, la densidad poblacional, la forma de los edificios, el uso mixto del suelo, la diversidad de instalaciones, el desarrollo económico, la diversidad funcional, la configuración de las calles, la accesibilidad y la transitabilidad peatonal son algunos de los principales factores que influyen en la diferenciación espacial de la vitalidad urbana^{17,18,19,20,21,22}. No obstante, la mayoría de los estudios previos se han centrado en relaciones a gran escala entre espacios físicos, sociales, basados en lugares y de movilidad, prestando relativamente poca atención a análisis refinados a escala centrada en el ser humano. El paradigma emergente de investigación basado en datos geoespaciales abiertos de múltiples fuentes y algoritmos analíticos inteligentes ofrece nuevas oportunidades para la percepción espacial y el análisis cuantitativo a esta escala más fina²³. Al integrar técnicas de aprendizaje automático con el análisis de imágenes de vista callejera, este enfoque combina una amplia cobertura espacial con una precisión analítica centrada en el ser humano, reduciendo al mismo tiempo la subjetividad y la precisión limitada asociadas con los métodos tradicionales de evaluación espacial. Metodológicamente, los estudios previos han empleado principalmente modelos de mínimos cuadrados ordinarios y regresión ponderada geográficamente para examinar las relaciones entre el entorno construido y la vitalidad urbana^24,25. Sin embargo, estos enfoques generalmente se centran en características espaciales estáticas y a menudo pasan por alto tanto la heterogeneidad espacial como la diferenciación temporal día-noche en las relaciones entre la estructura espacial urbana y la vitalidad urbana.

En resumen, la investigación sobre vitalidad urbana ha evolucionado desde tradicionales estudios teóricos a gran escala hacia análisis cuantitativos espacio-temporales apoyados por grandes datos geoespaciales. Sin embargo, persisten limitaciones importantes. Los estudios existentes continúan enfatizando la cuantificación a nivel macro de las características espaciales físicas, prestando relativamente poca atención a la heterogeneidad espacio-temporal de cómo la estructura espacial urbana influye en la vitalidad urbana. Además, las mediciones refinadas que incorporan la dimensión de la percepción humana siguen siendo limitadas, lo que restringe la capacidad de los enfoques actuales para apoyar prácticas de planificación detalladas, como la renovación urbana a nivel de calle. A partir de estas lagunas de conocimiento, este estudio propone las siguientes hipótesis: (1) la estructura espacial urbana ejerce influencias significativas y diferenciadas espacio-temporalmente sobre la vitalidad urbana; y (2) los efectos de los indicadores de la estructura espacial urbana sobre la vitalidad urbana presentan una importante no-estacionariedad espacial.

Las principales innovaciones de este estudio son tres. En primer lugar, mediante la integración de conjuntos de datos geoespaciales de múltiples fuentes, incluyendo datos del mapa de calor de Baidu e imágenes de vista callejera, este estudio cuantifica la vitalidad urbana desde la perspectiva de las actividades diarias de los residentes, permitiendo una medición refinada y objetiva a escala centrada en el ser humano. Basándose en el marco tradicional de las «5D», el estudio incorpora una dimensión de percepción humana y desarrolla un sistema de indicadores de estructura espacial urbana de seis dimensiones que comprende funcionalidad, forma arquitectónica, accesibilidad, características socioeconómicas, espacio ecológico y percepción humana. Este marco aborda las limitaciones de estudios previos que enfatizaban principalmente variables espaciales físicas y socioeconómicas, y permite la integración del análisis espacial a gran escala con mediciones centradas en el ser humano a escala micro. En segundo lugar, este estudio emplea el modelo de regresión geográficamente ponderado multiescala (MGWR) para superar el supuesto de estacionariedad global de los enfoques convencionales de regresión. El modelo permite identificar efectos espaciales locales y relaciones dependientes de la escala entre la estructura espacial urbana y la vitalidad urbana diurna y nocturna, revelando así el acoplamiento espaciotemporal no estacionario entre la estructura espacial urbana y la vitalidad urbana. En tercer lugar, utilizando Yantai como una ciudad costera representativa, este estudio investiga sistemáticamente los mecanismos diferenciados que impulsan la vitalidad urbana diurna y nocturna desde una perspectiva centrada en el ser humano, en el contexto de las características espaciales urbanas costeras. Los hallazgos proporcionan evidencia empírica y un marco metodológico para la optimización espacial, el fortalecimiento de la vitalidad urbana y la renovación urbana en ciudades costeras comparables, aportando además evidencia cuantitativa para apoyar una gobernanza espacial urbana centrada en el ser humano y refinada.

Protocolo

Este estudio utilizó datos de mapas de calor anonimizados y agregados a nivel de cuadrícula espacial. Los datos no contienen identificadores personales ni información a nivel individual, y no se involucraron sujetos humanos directamente. Por lo tanto, no se requirió aprobación ética, exención ni revisión institucional.

Marco de Investigación
Para explorar el mecanismo de influencia de la estructura espacial urbana bajo una escala centrada en el ser humano sobre la diferenciación espacio-temporal de la vitalidad urbana, este estudio propone un marco de investigación como se muestra en Figura 1. En primer lugar, basándose en datos de mapas de calor que miden los atributos espacio-temporales de las actividades urbanas diurnas y nocturnas de los residentes urbanos, se cuantifica la vitalidad urbana diurna y nocturna del área urbana principal de la ciudad de Yantai; en segundo lugar, se construye un sistema de índices multidimensional de estructura espacial urbana que incluye funcionalidad, accesibilidad, forma arquitectónica, economía social, espacio ecológico y percepción humana; finalmente, se utiliza el modelo MGWR para revelar el mecanismo de influencia de la estructura espacial urbana sobre la diferenciación espacio-temporal de la vitalidad urbana. En los Archivos Suplementarios 1–4 se proporcionan flujos de trabajo detallados para la adquisición y preprocesamiento de datos, el cálculo de indicadores, el análisis de imágenes y la implementación del modelo, y en los Códigos Suplementarios 1–4 se ofrecen los flujos de trabajo computacionales correspondientes. El objetivo es proporcionar una base teórica y una referencia para la renovación urbana y la creación de ciudades dinámicas bajo la nueva estrategia de urbanización.

Figura 1. Diagrama del marco de investigación. Este diagrama resume el flujo de trabajo analítico completo, incluyendo la adquisición de datos espaciales de múltiples fuentes, el procesamiento de datos, la construcción de indicadores de la estructura espacial urbana, la medición de la vitalidad urbana, la modelización de regresión ponderada geográficamente a múltiples escalas (MGWR) y las estrategias de optimización de la vitalidad. Haga clic aquí para ver una versión más grande de esta figura.

Descripción general del área de estudio
La ciudad de Yantai se encuentra en la parte noreste de la península de Shandong, limitando con el mar Amarillo y el mar de Bohai. Es una ciudad portuaria importante en la provincia de Shandong. Tiene bajo su jurisdicción cinco distritos y seis ciudades a nivel de condado, con un área total de 13 930,1 km². Este estudio selecciona el área urbana principal de la ciudad de Yantai (distrito de Zhifu) como zona de investigación. El distrito abarca 179,18 km², tiene una población registrada de 707 700 habitantes y comprende 12 subdistritos (Figura 2).

Figura 2. Diagrama esquemático del área de estudio. Los mapas muestran la ubicación de la ciudad de Yantai, el área urbana principal de estudio en el distrito de Zhifu, los límites de los subdistritos y la elevación del terreno. Los colores más oscuros indican una mayor elevación. Haga clic aquí para ver una versión más grande de esta figura.

Dado que este estudio se centra en el núcleo urbano, donde el área de estudio es relativamente pequeña y la red vial es densa, la escala tradicional de manzana resulta insuficiente para caracterizar con precisión la vitalidad urbana. En cambio, la escala de 300 m se ajusta estrechamente al alcance espacial del «círculo vital de 5 minutos» y puede representar mejor la unidad espacial básica de las actividades diarias de los residentes. La selección de la escala de cuadrícula implica esencialmente un equilibrio entre la granularidad de la información y la estabilidad estadística: una escala más pequeña conserva más detalles espaciales, pero reduce el tamaño de la muestra dentro de cada unidad, aumenta el ruido estadístico y puede fragmentar los espacios contiguos de actividad peatonal, mientras que una escala mayor tiende a suavizar las variaciones locales y ocultar la heterogeneidad espacial. Una cuadrícula de 300 m puede conservar características espaciales finas al tiempo que mejora la estabilidad estadística y reduce los errores analíticos provocados por la selección de escala. Además, esta escala se ajusta bien a la resolución espacial de los datos multifuente, incluyendo los datos del mapa de calor de Baidu, los puntos de interés y las imágenes de vista callejera, mejorando así la precisión analítica y la fiabilidad de los resultados. Por lo tanto, este estudio dividió el área de investigación en 2.221 celdas utilizando una cuadrícula de 300 m × 300 m para visualizar los patrones espacio-temporales de la vitalidad urbana a una escala detallada y explorar su relación con la estructura espacial urbana. La cuadrícula se generó en ArcGIS 10.4 mediante la herramienta Crear malla (Create Fishnet) bajo el sistema de coordenadas Gauss de tres grados CGCS2000. La malla se ancló en la coordenada XY mínima del área de estudio y se recortó según el límite del estudio, obteniendo así 2.221 unidades de análisis.

Construcción del sistema de indicadores
La construcción de un sistema de índices para la estructura espacial urbana es una parte importante de la evaluación de la vitalidad urbana. Este sistema refleja las características integrales de una ciudad en cuanto a su configuración espacial, mezcla funcional, accesibilidad y características relacionadas. Este estudio se basa en la teoría “5D” de densidad, diseño, diversidad, distancia al transporte público y accesibilidad a destinos. Amplía el método de representación de los elementos de la estructura espacial urbana sobre la base de investigaciones previas y los divide en seis categorías y 15 factores: funcionalidad, forma arquitectónica, accesibilidad, economía social, espacio ecológico y percepción humana. Cada factor se analiza individualmente (Tabla 1). Las definiciones completas, ecuaciones de cálculo, configuraciones de parámetros, procedimientos de preprocesamiento y métodos de normalización para todos los indicadores se proporcionan en Archivo Suplementario 2.

Tabla 1:  Sistema de indicadores de la estructura espacial urbana. La tabla resume las seis dimensiones y los 15 indicadores utilizados para caracterizar la estructura espacial urbana, incluyendo funcionalidad, forma arquitectónica, accesibilidad, características socioeconómicas, espacio ecológico y percepción humana. Se proporcionan definiciones y ecuaciones de cálculo para cada indicador. Abreviaturas: POI, punto de interés; FAR, relación de área de piso; NDVI, índice de vegetación por diferencia normalizada. Haga clic aquí para descargar esta tabla.

Entre ellos, la funcionalidad es uno de los indicadores importantes para medir la vitalidad espacial urbana, ya que refleja el grado de interconexión e integración entre diferentes áreas funcionales. Una alta mezcla funcional implica que las zonas residenciales, económicas y de vida están distribuidas de manera uniforme y entrelazada, promoviendo así las actividades humanas y potenciando la vitalidad urbana²⁶. La evolución de la forma arquitectónica está asociada con la vitalidad, y la densidad de edificación y la relación de área de piso son indicadores clave que reflejan la compacidad urbana. La accesibilidad afecta directamente la conectividad y la eficiencia del transporte en el espacio urbano. Este estudio selecciona los indicadores de proximidad y permeabilidad para representar la accesibilidad. La economía social refleja la concentración de actividades económicas y el nivel de desarrollo económico regional. La distancia al centro de la ciudad y al centro comercial se utiliza para caracterizar la actividad socioeconómica, siendo las distancias más cortas generalmente indicativas de actividades económicas más dinámicas²⁷. El espacio ecológico es un factor importante que afecta la vitalidad económica, social y cultural de la ciudad. Este estudio utiliza el índice de proximidad al agua y el índice de vegetación por diferencia normalizada (NDVI) para representar la calidad ambiental y la vitalidad ecológica. La percepción humana se centra en las formas espaciales urbanas y en las características ambientales relacionadas con las que los residentes interactúan frecuentemente en su vida diaria, incluyendo espacios públicos urbanos y las interfaces externas de los edificios (como calles, edificios, zonas verdes y parques) y sus impactos económicos, sociales y ecológicos asociados. En este estudio, se seleccionan la continuidad de los edificios, el factor de visión del cielo y la caminabilidad para representar esta dimensión. Estos indicadores capturan mejor la contribución de la percepción humana a la vitalidad urbana y complementan los sistemas convencionales de indicadores basados principalmente en variables objetivas.

Cabe destacar que la medición de entornos construidos tradicionales difiere fundamentalmente de la evaluación orientada al ser humano de la estructura espacial urbana adoptada en esta investigación. Los métodos tradicionales utilizan unidades físicas a gran escala, como parcelas de terreno y distritos, como unidades analíticas. Basándose en conjuntos de datos estáticos como la clasificación del uso del suelo, las huellas de edificios y los datos de la red vial, cuantifican la intensidad del desarrollo y la distribución funcional. Estas evaluaciones convencionales analizan las condiciones físicas espaciales desde una perspectiva de planificación descendente. Aunque tales métodos caracterizan con precisión los atributos materiales del espacio urbano, no logran captar las percepciones in situ de los residentes ni sus experiencias peatonales a escala microscópica. Por el contrario, el marco orientado al ser humano desplaza el enfoque de la investigación desde los atributos espaciales inherentes hacia las interacciones entre humanos y su entorno. Esta transformación de paradigma incluye tres cambios principales. Primero, en cuanto al contenido de la medición, el estudio va más allá de los indicadores físicos convencionales, como la densidad de edificios y la proporción de usos del suelo, al incorporar dimensiones experienciales como la percepción visual, la caminabilidad, la seguridad y el confort. En este estudio se seleccionan tres indicadores correspondientes: continuidad de edificios, factor de visión del cielo y caminabilidad. Segundo, en relación con las fuentes de datos, los mapas de planificación y los datos de teledetección se complementan con imágenes de vista callejera y segmentación semántica mediante aprendizaje profundo, que capturan las características espaciales desde la perspectiva a nivel de los ojos de los peatones. Tercero, la unidad analítica se refina aún más, pasando de la escala de manzana a segmentos de calle o campos visuales individuales. Debe enfatizarse que la medición orientada al ser humano no sustituye la evaluación tradicional del entorno construido, sino que la complementa al cambiar la perspectiva y la escala espacial de la investigación. Ambos enfoques difieren en su enfoque de estudio, sistema de indicadores, escala analítica y objetivos prácticos, y juntos proporcionan un marco analítico integral para evaluar la estructura espacial urbana.

Fuentes de datos y procesamiento
Datos de mapa de calor de Baidu:
Los datos de calor urbano utilizados en esta investigación provienen del servicio de ubicación abierto de Baidu Maps, que se genera mediante la minería de registros masivos de comportamiento anónimo de usuarios. El conjunto de datos captura la distribución real de la población al agregar información de ubicación de usuarios de aplicaciones móviles y mapear dichas coordenadas geográficas en cuadrículas espaciales mediante solicitudes de servicios de ubicación en tiempo real.

Recuperamos datos de mapas de calor que cubren la zona urbana central de Yantai del 13 al 17 de junio de 2022 (cinco días laborables consecutivos) mediante la invocación de la API de la Plataforma Abierta de Mapas de Baidu (https://lbsyun.baidu.com/). Los datos se recopilaron cada 2 h desde las 07:00 hasta las 24:00 de cada día. El flujo de trabajo completo para la adquisición de datos, preprocesamiento, eliminación de ruido, clasificación temporal, transformación espacial, estimación de densidad de kernel y cálculo de vitalidad urbana se proporciona en el Archivo Suplementario 1, y el script correspondiente de preprocesamiento se proporciona en el Código Suplementario 1. Además, dividimos cada día en períodos diurno (07:00–18:00) y nocturno (18:00–24:00) para cuantificar por separado las variaciones diurnas de la vitalidad urbana. Las solicitudes de la API incluyeron la clave de acceso (AK) de Mapas de Baidu y un límite del área de estudio definido por BD09. El nivel de zoom del mapa se fijó en 16 con un tamaño de mosaico de 256 × 256 píxeles, y la interfaz devolvió los datos del mapa de calor en formato JSON. Durante el postprocesamiento, todas las coordenadas BD09 se convirtieron al sistema de coordenadas WGS84 para garantizar la precisión y consistencia espacial en los análisis posteriores. El resto del flujo de trabajo de preprocesamiento se proporciona en el Archivo Suplementario 1 y el Código Suplementario 1. Toda la visualización espacial se completó en ArcGIS (v10.4) (RRID: SCR_011081).

Junio representa el comienzo del verano en Yantai, con un clima templado favorable para actividades al aire libre, y los patrones de desplazamiento diario de los residentes durante este mes reflejan niveles promedio habituales de actividad. Todos los días de muestreo fueron despejados y sin nubes, eliminando perturbaciones en la movilidad humana causadas por condiciones climáticas extremas y haciendo que los mapas de calor poblacional sean adecuados para identificar patrones rutinarios de vitalidad urbana.

Para verificar la fiabilidad de las mediciones de vitalidad derivadas del mapa de calor, incorporamos datos de luz nocturna NPP-VIIRS para su comparación cruzada. El conjunto de datos de luz nocturna fue publicado por Chen Zuqi et al. en Earth System Science Data, titulado Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018), y está disponible públicamente a través del repositorio Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).

Los resultados de la comparación espacial demostraron una alta consistencia entre los focos de vitalidad urbana identificados a partir de imágenes de luz nocturna y las zonas de alta y baja vitalidad extraídas de los datos del mapa de calor en este estudio. La comparación entre la intensidad de la luz nocturna y la vitalidad urbana derivada del mapa de calor se presenta en la Figura Suplementaria 1. Para evaluar la fiabilidad de los datos, primero se eliminaron los valores atípicos y los conjuntos de datos se normalizaron antes de reproyectarlos al sistema de coordenadas WGS84. Posteriormente, los datos de luz nocturna se remuestrearon a una cuadrícula de 300 m × 300 m mediante interpolación bilineal para garantizar el alineamiento espacial con los datos del mapa de calor. El grado de concordancia entre ambos conjuntos de datos se evaluó utilizando el coeficiente de correlación de Pearson (r ≥ 0,6) y la tasa de superposición espacial de los clústeres LISA (≥70%) como criterios de aceptación.

Desde la perspectiva de las fuentes de datos, los datos de señalización de teléfonos móviles ofrecen una cobertura poblacional integral y una información detallada sobre las trayectorias, pero son difíciles de obtener y requieren un preprocesamiento complejo, lo que los hace menos adecuados para estudios a largo plazo y de escala fina. Los datos de registros y reseñas en redes sociales, por otro lado, capturan principalmente actividades orientadas al consumo y al ocio, presentando un sesgo conductual pronunciado y una estabilidad temporal relativamente baja. En contraste, los datos del mapa de calor de Baidu utilizados en este estudio son fáciles de acceder, continuos en el tiempo y están disponibles con una mayor resolución espacial, lo que los hace especialmente adecuados para el monitoreo a escala de cuadrícula de la dinámica de vitalidad día-noche en la zona urbana principal. Combinados con datos de POI y de vista callejera para enriquecer la representación de atributos espaciales, este marco puede reflejar con mayor precisión los patrones de actividad cotidiana de los residentes y se ajusta bien a la escala de investigación y a los objetivos analíticos del presente estudio.

Elementos de la Estructura Espacial Urbana:
Datos Espaciales Urbanos Básicos:
Basándose en la interfaz de servicio de mapas en línea, se recopilaron un total de 37 851 puntos de interés (POI), abarcando 11 categorías funcionales, incluyendo alojamiento, comercio, restauración, zonas residenciales, infraestructura de transporte, instalaciones para la vida diaria, instalaciones deportivas y de ocio, y servicios públicos. En el Archivo Suplementario 2 se proporcionan procedimientos adicionales de preprocesamiento y detalles computacionales. Los datos de POI se obtuvieron en julio de 2024 mediante la API de Baidu Map, utilizando una estrategia de búsqueda basada en una cuadrícula de 500 m. Durante el preprocesamiento, se eliminaron registros duplicados y se excluyeron registros inválidos según los límites administrativos del distrito de Zhifu, etiquetas de atributos ausentes y desplazamientos sustanciales de coordenadas, con el fin de garantizar la precisión espacial y la integridad del conjunto de datos.

Las huellas de edificios urbanos y los datos de la red vial se obtuvieron de OpenStreetMap (OSM; RRID: SCR_007854), una plataforma geoespacial de código abierto (https://www.openstreetmap.org). Los datos de uso del suelo se adquirieron del Centro Nacional de Información Geográfica Básica (https://www.gscloud.cn/search).

Como se presenta en la Tabla 1, la densidad espacial de cada tipo de instalación refleja el carácter funcional de las unidades espaciales individuales mediante patrones de agrupamiento; mientras tanto, los valores de entropía cuantifican el grado de diversidad funcional dentro de cada unidad. Las ecuaciones computacionales completas, los procedimientos de preprocesamiento, la configuración de parámetros y los métodos de normalización se proporcionan en el Archivo Suplementario 2.

Los datos vectoriales de edificaciones se analizaron desde perspectivas bidimensionales (2D) y tridimensionales (3D) para evaluar la intensidad de la construcción urbana, específicamente mediante métricas de densidad de edificaciones y relación de área de piso (FAR). Utilizando los datos de la red vial urbana, se calculó la accesibilidad para cada unidad espacial con el kit de herramientas de análisis de red de diseño espacial (sDNA) (RRID: SCR_017646)²⁸, incorporando indicadores de proximidad y centralidad de intermediación.

Al seleccionar un radio de 300 m como escala analítica para este indicador, esta distancia se define en función de segmentos de calle e incluye todas las vías topológicamente conectadas dentro del radio. Esto permite un análisis estadístico integral de los cambios en la morfología de la red vial, incluyendo la densidad de esquinas y la conectividad de nodos, dentro del ámbito espacial designado. El enfoque enfatiza deliberadamente los patrones de correlación espacial local entre calles, facilitando así la identificación precisa de calles altamente conectadas a nivel de manzana, una elección metodológica acorde con el marco teórico de la vitalidad espacial urbana centrado en la escala de manzana^29,30. Se construyó una red vial topológica a partir de datos vectoriales de calles de OSM, colapsando los segmentos viales bidireccionales en una línea central única. La accesibilidad se calculó utilizando el complemento sDNA en ArcGIS 10.4, basado en los índices de proximidad y centralidad de intermediación (betweenness), aplicando totales de POI basados en cuadrícula como ponderaciones para representar el potencial de actividad espacial. Todos los parámetros de sDNA se mantuvieron en sus valores predeterminados, excepto un radio de búsqueda definido por el usuario de 300 m. Además, esta escala espacial corresponde estrechamente al concepto del «círculo vital de 5 minutos» y se ajusta bien tanto a las dimensiones físicas de las manzanas históricas del distrito Zhifu, ciudad de Yantai, como al rango típico de las actividades diarias de desplazamiento peatonal de los residentes.

Datos de imágenes de vista callejera:
Combinando los datos de la red vial de OSM con la tecnología SIG, se establecieron puntos de muestreo de imágenes de vista callejera. En primer lugar, se extrajeron las líneas centrales de las carreteras en el área de estudio, y las carreteras de doble sentido se simplificaron en líneas simples. Los puntos de muestreo se distribuyeron a intervalos regulares de 50 m a lo largo de las líneas centrales de las carreteras. Luego, todos los puntos de muestreo se asignaron al mismo sistema de coordenadas de proyección utilizado para el análisis SIG, para garantizar una coincidencia precisa de las posiciones espaciales.

Utilizando Python (RRID: SCR_008394), se empleó la API de imágenes de Street View (http://api.map.baidu.com/lbsapi/) para recopilar imágenes. El flujo de trabajo completo de adquisición se proporciona en el Archivo Suplementario 3 y el Código Suplementario 3. Se generaron un total de 1.599 puntos de muestreo. Durante la adquisición de imágenes, el ancho de perspectiva de cada imagen se estableció en 90° y el ángulo de visión horizontal en 0°. Las imágenes se recopilaron en las direcciones frontal, trasera, izquierda y derecha en cada punto de muestreo, y la adquisición de imágenes se realizó únicamente en condiciones climáticas despejadas, sin lluvia, nieve ni niebla densa, para garantizar la calidad de las imágenes. Finalmente, se utilizó el programa OpenCV para unir imágenes multidireccionales y optimizar las transiciones entre imágenes, generando imágenes panorámicas que lograron una cobertura completa del entorno espacial de la calle. El área de estudio abarcó un total de 3.251 segmentos de calle. Los parámetros de solicitud de la API incluyeron la clave de acceso del desarrollador (AK), las coordenadas del punto, el punto de vista de la imagen y la orientación de la toma. Las imágenes capturadas se redimensionaron uniformemente a 480 × 360 píxeles (RGB) para su análisis posterior. La calidad de las imágenes se aseguró mediante la selección basada en el clima, la adquisición de imágenes multidireccionales y una posterior segmentación semántica basada en SegNet para verificar la utilidad de las imágenes y extraer indicadores de vista de calle.

Adoptamos la red de aprendizaje profundo SegNet (RRID: SCR_017042), una red neuronal completamente convolucional, para extraer características del entorno urbano. El modelo clasifica los píxeles de la imagen en cinco categorías: cielo, aceras, carriles de carretera, edificios y espacios verdes. Los resultados de la clasificación de píxeles se utilizaron luego para calcular la proporción de área de cada elemento espacial dentro de cada imagen de vista callejera. En el Archivo Suplementario 3, el Código Suplementario 2 y el Código Suplementario 4 se proporcionan detalles sobre la implementación del modelo, el flujo de trabajo de segmentación semántica, los procedimientos de validación y el cálculo de los indicadores de percepción humana. SegNet se implementó en PyTorch (v1.0) utilizando pesos previamente entrenados de acceso público, entrenados en el conjunto de datos MIT ADE20K. Durante la inferencia, las imágenes se procesaron individualmente para generar mapas de segmentación semántica a nivel de píxel, que posteriormente se utilizaron para calcular el área proporcional de cada elemento del entorno urbano. El desempeño del modelo se evaluó mediante validación cruzada de cinco pliegues.

Métodos de investigación
Métodos cuantitativos para medir la vitalidad urbana:
El análisis de densidad kernel estima la densidad de elementos puntuales o lineales mediante una ventana móvil de búsqueda, lo que permite una representación intuitiva y precisa de las características de agrupamiento espacial de los elementos urbanos y de la concentración y dispersión de la vitalidad urbana. En este estudio se utilizó la estimación de densidad kernel para realizar una interpolación continua de datos de mapas de calor con el fin de caracterizar la agregación espacial de los usuarios y la dinámica espacio-temporal de la vitalidad urbana. Se aplicó la estimación de densidad kernel gaussiana con un radio de búsqueda principal (ancho de banda) de 500 m. Para evaluar la robustez de los resultados, se probaron ocho anchos de banda adicionales (200, 300, 400, 600, 700, 800, 900 y 1.000 m), y los valores medios de RV resultantes para cada celda de cuadrícula de 300 m × 300 m mostraron una alta consistencia entre los diferentes anchos de banda. En la interpolación se utilizó el campo Valor como variable de ponderación, no se aplicó ninguna corrección de borde, y todos los análisis de densidad kernel se realizaron en ArcGIS 10.4 (RRID: SCR_011081). Su expresión matemática se indica a continuación (Ecuación 1):

(1)

Aquí, n representa el número de puntos de datos; h es el ancho de banda; y (x − x_i) denota la distancia desde el punto de estimación x hasta la muestra xⁱ.

Método de análisis del patrón espacial dinámico urbano:
La autocorrelación espacial se utiliza para caracterizar el grado de asociación espacial entre valores de atributos idénticos en diferentes unidades espaciales. Se divide en autocorrelación global y autocorrelación local.

Autocorrelación espacial global:
Se utilizó la autocorrelación espacial global (Índice I de Moran global) para evaluar el grado de asociación espacial en toda el área de estudio. Este índice mide la similitud o correlación de variables en el espacio cuantificando la relación entre el valor del atributo en una ubicación y los de las ubicaciones vecinas, representado por el coeficiente I de Moran global. Se construyó una matriz de pesos espaciales utilizando la cuadrícula de análisis de 300 m × 300 m con contigüidad tipo Reina para definir las unidades vecinas, y los pesos se estandarizaron por fila. El valor del I de Moran global se calculó mediante las herramientas de Estadística espacial en ArcGIS 10.4 (RRID: SCR_011081), y la significancia estadística se evaluó utilizando la aproximación normal (prueba z) con un nivel de confianza del 95 %. Su expresión matemática se presenta a continuación (Ecuación 2):

(2)

Aquí, I representa el índice de autocorrelación; n es el número total de unidades de estudio; y_i y y_j son los indicadores de clasificación de las regiones i y j, respectivamente; y′ es el promedio de los indicadores de clasificación; y W_ij es la matriz de pesos espaciales que representa el grado de asociación entre diferentes regiones.

Autocorrelación espacial local:
La autocorrelación espacial local (LISA) mide el grado de asociación espacial exhibido por el objeto de estudio a nivel local, permitiendo la identificación de agrupamientos locales y valores atípicos espaciales dentro del área de estudio y proporcionando una comprensión más detallada de la heterogeneidad espacial³¹. El estadístico local más utilizado es el Índice I de Moran local. Se construyó una matriz de pesos espaciales utilizando la contigüidad tipo Reina, en la cual las celdas adyacentes de la cuadrícula se definieron como aquellas que comparten un límite común o un vértice. La significancia estadística se evaluó al nivel de 0,05 mediante 999 permutaciones aleatorias. No se aplicó ninguna corrección por pruebas múltiples, y todos los análisis se realizaron utilizando ArcGIS 10.4 (RRID: SCR_011081). La expresión matemática se presenta a continuación (Ecuación 3):

(3)

Aquí, x_i y x_j representan los valores de vitalidad urbana de las regiones i y j, respectivamente; x′ es la vitalidad urbana media en todas las regiones; S² es la varianza; y W_ij es la matriz de pesos espaciales que representa el grado de asociación espacial entre las regiones.

Métodos de investigación para la heterogeneidad espacial de la vitalidad urbana:
Regresión ponderada geográficamente multiescala (MGWR)
El modelo MGWR emplea el algoritmo de búsqueda de la sección áurea para reducir iterativamente el intervalo de búsqueda e identificar el ancho de banda óptimo para cada coeficiente de regresión. Este enfoque minimiza el ruido durante la estimación de parámetros y mejora el rendimiento predictivo del modelo. Se proporciona información detallada sobre el método de selección del ancho de banda (adaptativo o fijo), la función kernel, el rango de búsqueda del ancho de banda, los criterios de convergencia, la tolerancia de detención y los procedimientos de estandarización de predictores en el Archivo Suplementario 4. La fórmula de cálculo es la siguiente (Ecuación 4):

(4)

Aquí, bw_j representa el ancho de banda utilizado para el coeficiente de regresión de la variable j-ésima; k denota el número de variables explicativas; x_ij se refiere al predictor j-ésimo para la cuadrícula i-ésima; (u_i, v_i) representan las coordenadas del centroide de la cuadrícula i-ésima; β_(bwj) es el coeficiente de regresión estimado utilizando el ancho de banda correspondiente; y ε_i es el término de error aleatorio.

La configuración detallada del modelo, los procedimientos de optimización del ancho de banda y el flujo de trabajo de implementación se proporcionan en el Archivo Suplementario 4, mientras que las salidas completas del modelo para el día y la noche están disponibles en el Archivo Suplementario 5 y 6, respectivamente. Los diagnósticos de regresión por mínimos cuadrados ordinarios se proporcionan en el Archivo Suplementario 7.

Desde las perspectivas de la teoría del desarrollo urbano, el alcance de la investigación y la aplicabilidad práctica, el MGWR ofrece ventajas distintas frente a la regresión de mínimos cuadrados ordinarios (OLS) y la regresión geográficamente ponderada convencional (GWR). OLS emplea un marco de modelado global, asumiendo efectos uniformes de todas las variables explicativas en toda el área de estudio. Este supuesto pasa por alto la heterogeneidad espacial inherente de los sistemas urbanos, produciendo estimaciones de parámetros promediadas que a menudo no logran captar las realidades locales y, por tanto, ofrecen un apoyo limitado para la formulación de políticas sensibles al contexto. Aunque la GWR tradicional considera la no estacionariedad espacial, impone un único ancho de banda, es decir, una escala espacial uniforme, para todas las variables. Esta restricción contradice evidencia empírica que indica que diferentes elementos urbanos (por ejemplo, infraestructura de transporte, mezcla de usos del suelo o espacios verdes) ejercen influencia sobre extensiones espaciales notablemente distintas. En consecuencia, esta sobre-simplificación puede introducir sesgos en el modelo y comprometer la validez analítica. El MGWR supera esta limitación al estimar anchos de banda individuales y específicos para cada variable, basados en el rango espacial de influencia observado empíricamente para cada predictor. Como resultado, captura con mayor fidelidad los mecanismos dependientes de la escala mediante los cuales la estructura espacial urbana configura la vitalidad urbana. Este avance no solo enriquece la comprensión teórica de las interacciones entre humanos y el entorno en las ciudades, sino que también mejora la utilidad práctica al permitir una priorización diferenciada de intervenciones espaciales y proporcionar apoyo cuantitativo basado en evidencia para el fortalecimiento de la vitalidad urbana. Los flujos de trabajo computacionales se proporcionan en Supplementary Codes 1–4.

Resultados

Análisis del Patrón Espacial de la Vitalidad Urbana
Características de la Distribución Espacial de la Vitalidad Urbana:
Para examinar mejor la evolución espacio-temporal de la vitalidad urbana en el área urbana principal de Yantai durante el día y la noche, realizamos un análisis de densidad kernel basado en datos de mapas de calor, combinado con los patrones de actividad diaria de los residentes, y utilizamos software de sistema de información geográfica (SIG) para visualizar la vitalidad urbana en diferentes períodos de tiempo. Como se muestra en Figura 3, la vitalidad urbana en el área urbana principal de Yantai presenta una dinámica espacio-temporal clara caracterizada por un patrón de agregación–dispersión–agregación desde las 07:00 hasta las 23:00. La distribución espacial de las áreas de alta y baja vitalidad durante el día y la noche es muy similar, lo que indica que las fluctuaciones de la vitalidad urbana entre estos períodos son relativamente estables.

Figura 3. Distribución espacio-temporal de la vitalidad urbana en el área urbana principal de Yantai. Los mapas periféricos muestran la vitalidad urbana en diferentes momentos, y los mapas centrales resumen los patrones de vitalidad diurna y nocturna. Los colores más cálidos indican una mayor vitalidad. Haga clic aquí para ver una versión más grande de esta figura.

Desde una perspectiva espacial, la vitalidad urbana en el área urbana principal de Yantai es generalmente mayor en el noreste y menor en el suroeste, presentando una estructura espacial compleja caracterizada tanto por un patrón de «centro–periferia» como por una configuración «multinúcleo». Las zonas con altos niveles de vitalidad urbana se concentran principalmente en la sección noreste, incluyendo las calles Tongshen, Yuhuangding y Xiangyang, así como a lo largo de las vías Dahaiyang y Airport Road. Además, la vitalidad es relativamente alta en la parte oriental de la calle Zhichu y en la parte central de la calle Fenghuangtai. La vitalidad urbana en el área urbana principal de Yantai también está fuertemente influenciada por las condiciones topográficas. Las zonas montañosas de la región central, como Huangjinding, Zhenshan y Jinkuangding, se clasifican como áreas de baja vitalidad. Durante el día, la vitalidad en estas zonas aumenta ligeramente debido a actividades como senderismo y esparcimiento, mientras que la vitalidad nocturna es extremadamente baja. Este patrón indica una marcada disparidad espacial en la distribución de la vitalidad urbana, la cual tiende a concentrarse en áreas residenciales de alta densidad, destinos recreativos y lugares con buena accesibilidad de transporte. Esta estructura espacial compuesta confirma la relación de acoplamiento entre la zonificación funcional urbana y la movilidad poblacional. Asimismo, los importantes roles del relieve y el transporte respaldan aún más la hipótesis de que múltiples estructuras espaciales urbanas moldean conjuntamente la vitalidad urbana.

Desde una perspectiva temporal, la vitalidad urbana en el área urbana principal de Yantai está determinada principalmente por las actividades laborales y de ocio de los residentes. El período de 07:00 a 18:00 abarca la hora punta matutina y las horas diurnas de trabajo y estudio, durante las cuales los residentes suelen desplazarse desde sus hogares hasta sus lugares de trabajo, provocando que el patrón espacial de la vitalidad urbana pase de la agregación a la dispersión. El período de 18:00 a 23:00 incluye la hora punta vespertina y las horas de ocio. En particular, después de las 22:00, la distribución espacial de la vitalidad urbana se vuelve más concentrada, mientras que los niveles generales de vitalidad disminuyen. Esto refleja el hecho de que, por un lado, los residentes regresan a casa tras sus actividades laborales y de ocio, y por otro, los espacios urbanos previamente activos se van apagando gradualmente durante la noche. En conjunto, la variación entre el día y la noche en la vitalidad urbana está claramente impulsada por las rutinas diarias de trabajo y descanso de los residentes. Las horas diurnas (07:00–18:00) representan el período de mayor vitalidad urbana, caracterizado por niveles más altos de vitalidad, una cobertura espacial más amplia y muy pocas áreas de baja vitalidad. En contraste, las horas nocturnas (18:00–23:00) se caracterizan por una reducción gradual del rango de actividad, con la vitalidad concentrándose cada vez más en las zonas residenciales. Estos hallazgos demuestran claramente la influencia dependiente del tiempo de las actividades de trabajo y descanso sobre la vitalidad urbana en el área urbana principal de Yantai, revelan sus características de evolución diurna, cumplen el objetivo principal de identificar el patrón espacio-temporal de la vitalidad urbana y respaldan la hipótesis de que los ritmos diarios de actividad de los residentes están estrechamente relacionados con la vitalidad urbana.

Características de agrupamiento espacial de la vitalidad urbana:
Se utilizó el índice global de Moran’s I para examinar la autocorrelación espacial de la vitalidad urbana en el área urbana principal de la ciudad de Yantai. Los resultados muestran que los valores de Moran’s I para la vitalidad urbana diurna y nocturna son 0,722 y 0,736, respectivamente. La prueba de significancia indica que la vitalidad urbana en el área urbana principal de la ciudad de Yantai presenta un agrupamiento significativo tanto durante el día como durante la noche, siendo el efecto de agrupamiento más pronunciado por la noche que durante el día.

Como se muestra en la Figura 4, la vitalidad urbana en el área urbana principal de Yantai sigue principalmente dos patrones de agrupamiento: agrupamiento «alto–alto» y agrupamiento «bajo–bajo». Aunque la distribución espacial general presenta un patrón compuesto irregular que combina «centro–periferia» y «un núcleo con múltiples puntos», el «centro» y la «periferia» están espacialmente separados, y las zonas de transición entre ellos contienen un gran número de áreas sin agrupamiento significativo. Los resultados del análisis de autocorrelación espacial identifican claramente los patrones de agrupamiento y la diferenciación espacial de la vitalidad urbana, cumpliendo así el objetivo de investigación de reconocimiento de patrones. Estos hallazgos también respaldan las hipótesis de investigación pertinentes, se alinean estrechamente con el marco analítico general de este estudio y proporcionan una base para el análisis posterior de los efectos diferenciados de la estructura espacial.

Figura 4. Agregación espacial local diurna y nocturna de la vitalidad urbana. Los mapas de indicadores locales de asociación espacial (LISA) muestran agrupamientos espaciales altos-altos, altos-bajos, bajos-altos, bajos-bajos y no significativos para la vitalidad diurna y nocturna. Haga clic aquí para ver una versión más grande de esta figura.

Efectos de heterogeneidad espacial basados en MGWR de la estructura espacial urbana sobre la vitalidad urbana
Para evitar el sesgo de estimación causado por la influencia mutua entre los diversos factores de la estructura espacial urbana, se utilizó el factor de inflación de la varianza (VIF) para probar todas las variables explicativas. Cuanto mayor sea el valor de VIF, mayor será la multicolinealidad. En general, un valor de VIF superior a 7,5 indica que la variable explicativa es redundante32. Los resultados de la prueba se muestran en Tabla 2. Todos los valores de VIF son menores que 7,5, lo que indica que los indicadores seleccionados no presentan multicolinealidad. Los indicadores con p > 0,05 se eliminaron posteriormente porque se consideró que no tenían un impacto significativo en la vitalidad urbana. Tras la selección de variables, los siete factores finales—diversidad de POI, función vital, función residencial, densidad de edificios, proximidad, distancia al centro de negocios (DBC) y caminabilidad—fueron seleccionados como variables explicativas para construir el modelo MGWR (RRID: SCR_017651). Este paso concluyó el proceso de selección de variables, y los factores centrales conservados son coherentes con el marco de investigación, lo que garantiza que el análisis del modelo subsiguiente pueda verificar eficazmente la hipótesis de investigación.

Variable	p-valor	Factor de inflación de la varianza (VIF)
Diversidad de POI	0	1.946
Función económica	0.025	3.15
Función vital	0.004	3.834
Función residencial	0.001	1.925
Densidad de edificios	0	3.062
Relación de área construida	0.084	5.723
Proximidad	0	1.732
Intermediación	0.952	2.022
Distancia al centro de la ciudad	0.458	1.407
Distancia al centro comercial	0.009	1.498
Índice de cercanía al agua	0.06	1.132
Índice de Vegetación por Diferencia Normalizada (NDVI)	0.118	1.049
Continuidad de edificios	0.364	2.746
Factor de visibilidad del cielo	0.22	1.177
Capacidad para caminar (walkability)	0.004	2.094

Tabla 2: Evaluación de multicolinealidad de las variables explicativas candidatas. La tabla presenta la significancia estadística (valor p) y el factor de inflación de la varianza (VIF) para cada variable explicativa candidata utilizada durante la selección de variables previa al análisis de regresión ponderada geográficamente a múltiples escalas (MGWR). Las variables conservadas para el modelado posterior cumplieron con los criterios predefinidos de selección estadística. Abreviatura: VIF, factor de inflación de la varianza.

Efecto del ajuste del modelo:
Se realizó el análisis de modelado utilizando tres enfoques: el modelo OLS global, el modelo GWR tradicional y el modelo MGWR. La convergencia del modelo se basó en el criterio SOC-f (f de suavizado), en el cual el cambio absoluto máximo en todos los coeficientes de regresión estimados entre dos iteraciones sucesivas se utilizó como criterio de convergencia. El umbral de convergencia se estableció en 1,0 × 10⁻⁵, y el número máximo de iteraciones se fijó en 200. Los modelos diurno y nocturno adoptaron los mismos ajustes metodológicos, incluyendo la función kernel, la regla de búsqueda del ancho de banda, el criterio de convergencia y otros parámetros, para garantizar la comparabilidad de los resultados; solo variaron las variables dependientes, y por lo tanto también difirieron los anchos de banda óptimos estimados y los coeficientes de regresión. Los resultados muestran que el modelo diurno convergió tras 28 iteraciones y el modelo nocturno tras 34 iteraciones. Ambos modelos cumplieron con el umbral de convergencia, lo que indica que los resultados de la estimación fueron estables y confiables. Los indicadores de los tres modelos se presentan en Tabla 3.

Categoría	Variable	OLS	GWR	MGWR
Rendimiento del modelo	AICc	6703	4417	3463
	R² ajustado	0.62	0.56	0.8
Ancho de banda óptimo de la variable (MGWR)	Diversidad de POI	—	53	239
	Función vital	—	—	724
	Función residencial	—	—	256
	Densidad de edificios	—	—	237
	Proximidad	—	—	921
	Distancia al centro comercial	—	—	2220
	Capacidad para caminar (walkability)	—	—	2220

Tabla 3: Comparación del rendimiento del modelo entre mínimos cuadrados ordinarios (OLS), regresión ponderada geográficamente (GWR) y regresión ponderada geográficamente multiescala (MGWR). La tabla compara el rendimiento de los modelos de mínimos cuadrados ordinarios (OLS), regresión ponderada geográficamente (GWR) y regresión ponderada geográficamente multiescala (MGWR) utilizando el criterio de información de Akaike corregido (AICc) y el coeficiente de determinación ajustado (Adjusted R²). También se informa el ancho de banda óptimo estimado para cada variable explicativa en el modelo MGWR, lo que ilustra las escalas espaciales específicas de cada variable en el análisis de regresión. Abreviaturas: AICc, criterio de información de Akaike corregido; OLS, mínimos cuadrados ordinarios; GWR, regresión ponderada geográficamente; MGWR, regresión ponderada geográficamente multiescala.

Como se muestra en la Tabla 3, el modelo MGWR tiene un valor de AICc más bajo y un R² ajustado más alto que los modelos OLS y GWR, lo que demuestra un mejor ajuste del modelo. Además, en comparación con los modelos OLS y GWR, el modelo MGWR permite que cada variable explicativa tenga su propio ancho de banda óptimo, con anchos de banda que varían entre 237 y 2.220. Esto indica que los efectos de diferentes variables sobre la vitalidad urbana varían significativamente según las escalas espaciales.

Entre las variables, los anchos de banda de DBC y caminabilidad están cercanos al tamaño total de la muestra, lo que sugiere que sus efectos son principalmente globales y no locales. Esto puede deberse a que estos factores presentan una variación espacial relativamente limitada en la mayoría de las áreas. Como indicadores que representan las condiciones socioeconómicas y las características del entorno urbano estrechamente relacionadas con la percepción humana, ejercen una influencia general sobre la vitalidad urbana. En contraste, las cinco variables de diversidad de POI, función vital, función residencial, densidad de edificios y proximidad tienen anchos de banda relativamente pequeños, lo que indica que sus efectos se concentran a escala espacial local. Estos factores reflejan las demandas diferenciadas de los residentes respecto a la complejidad funcional, el entorno de vida y la accesibilidad, y por lo tanto pueden atraer o restringir diferentes tipos de actividades en espacios locales, configurando así la vitalidad urbana.

En particular, los anchos de banda de diversidad de POI, función residencial y densidad de edificios son 239, 256 y 237, respectivamente, lo que representa el 11 %, el 12 % y el 11 % de la muestra completa. Los anchos de banda de función vital y proximidad abarcan una proporción mayor de la muestra, correspondientes al 33 % y al 41 %, respectivamente, lo que sugiere que sus efectos operan en una escala espacial más amplia. En general, las ventajas del modelo MGWR son evidentes. Las escalas variables de los efectos de las variables explicativas respaldan aún más la hipótesis de heterogeneidad espacial y confirman la idoneidad del modelo seleccionado para este estudio.

Significado del impacto:
Los resultados estadísticos de los coeficientes de regresión obtenidos a partir del modelo MGWR se presentan en la Tabla 4. Con base en los valores absolutos de los coeficientes de regresión promedio, las contribuciones de las variables de la estructura espacial urbana durante el día se ordenan de la siguiente manera: diversidad de POI > accesibilidad > densidad de edificios > función de vida > función residencial > caminabilidad > DBC. Durante la noche, el orden cambia ligeramente a: diversidad de POI > función de vida = función residencial > densidad de edificios > caminabilidad > DBC > accesibilidad.

Variable	Media diurna	Desviación estándar diurna	Mediana diurna	Media nocturna	Desviación estándar nocturna	Mediana nocturna
Diversidad de POI	0.226	0.126	0.196	0.322	0.096	0.315
Función vital	0.088	0.006	0.088	0.145	0.075	0.153
Función residencial	0.019	0.158	0.004	0.145	0.173	0.123
Densidad de edificios	0.132	0.029	0.131	0.070	0.126	0.053
Proximidad	0.165	0.188	0.121	0.030	0.048	0.024
Distancia al centro comercial	−0.010	0.004	−0.010	0.032	0.003	0.031
Capacidad para caminar	0.011	0.002	0.011	0.039	0.002	0.039

Tabla 4: Estadísticas descriptivas de los coeficientes de regresión estimados por el modelo de regresión ponderada geográficamente multiescala (MGWR). La tabla resume la distribución de los coeficientes de regresión estimados por el modelo de regresión ponderada geográficamente multiescala (MGWR) para la vitalidad urbana diurna y nocturna. Para cada variable explicativa, se informan los coeficientes de regresión promedio, desviación estándar (DE) y mediana, lo que permite comparar la magnitud y variabilidad de los efectos entre los dos períodos de tiempo. Abreviaturas: MGWR, regresión ponderada geográficamente multiescala; DE, desviación estándar.

Cabe destacar que la diversidad de POI demuestra consistentemente la mayor contribución a la vitalidad urbana tanto durante el día como durante la noche, con un efecto positivo. Esto indica que las zonas caracterizadas por una amplia variedad de instalaciones urbanas y un alto grado de mezcla funcional resultan particularmente atractivas para los residentes urbanos, mejorando así la vitalidad urbana. Durante el día, las actividades de los residentes se orientan principalmente hacia el desplazamiento, el trabajo en oficinas y los servicios públicos; por ello, la proximidad y la densidad de edificaciones desempeñan un papel importante. Por la noche, las actividades de los residentes cambian hacia la residencia, el ocio y el consumo local, y las contribuciones de la función de vida y la función residencial aumentan significativamente, mientras que la contribución de la proximidad disminuye notablemente. Esta diferencia entre día y noche en el orden de importancia refleja directamente el cambio estructural en los mecanismos que impulsan la vitalidad urbana conforme varían los patrones diarios de actividad de los residentes, proporcionando una base macroscópica para una planificación posterior diferenciada por zonas y períodos de tiempo.

Como se ilustra en la Figura 5, el análisis de las variaciones en los coeficientes de regresión y las diferencias en las zonas de impacto tras la selección de los factores influyentes revela que los efectos de la función vital, la DBC y la caminabilidad son relativamente estables durante el día. La función vital y la caminabilidad tienen efectos positivos, mientras que la distancia al centro comercial presenta tanto efectos positivos como negativos. Los rangos de impacto de la diversidad de POI, la función residencial y la accesibilidad fluctúan considerablemente y también muestran efectos positivos y negativos. La influencia de la densidad de edificios varía dentro de un cierto rango, pero permanece positiva. Durante la noche, los efectos de la DBC y la caminabilidad son más estables y ambos siguen siendo positivos. En contraste, los efectos de la diversidad de POI, la función residencial y la densidad de edificios muestran una variación considerable, siendo el efecto de la diversidad de POI positivo, mientras que la función residencial y la densidad de edificios demuestran relaciones tanto positivas como negativas con la vitalidad urbana. Los efectos de la función vital y la accesibilidad también varían dentro de un cierto rango.

Figura 5. Distribución de los coeficientes de regresión del modelo de regresión ponderado geográficamente a múltiples escalas. Los gráficos de violín comparan las distribuciones de coeficientes diurnas y nocturnas para cada factor influyente. Las regiones más anchas indican una mayor densidad de coeficientes; los valores positivos indican efectos promotores y los valores negativos indican efectos inhibitorios. Haga clic aquí para ver una versión más grande de esta figura.

Heterogeneidad espacial del impacto
Para analizar más a fondo la heterogeneidad espacial de los efectos de la estructura espacial urbana sobre la vitalidad urbana, se seleccionaron muestras con niveles de influencia significativos. Se visualizaron los coeficientes de regresión diurnos y nocturnos de cada elemento de la estructura espacial urbana (Figuras 6 y 7). Mediante el método de clasificación por puntos de ruptura naturales, los coeficientes de regresión se dividieron en 10 niveles para ilustrar el alcance espacial, la intensidad y los cambios direccionales de sus efectos.

Figura 6. Distribución espacial diurna de los coeficientes de regresión geográficamente ponderados a múltiples escalas. Los mapas muestran la variación espacial de los coeficientes de regresión diurnos para la diversidad de puntos de interés, función vital, función residencial, densidad de edificios, proximidad, S y caminabilidad. Los gradientes de color indican la magnitud del coeficiente según se muestra en la leyenda de cada panel. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7. Distribución espacial nocturna de los coeficientes de regresión geográficamente ponderados a múltiples escalas. Los mapas muestran la variación espacial de los coeficientes de regresión nocturnos para la diversidad de puntos de interés, función vital, función residencial, densidad de edificios, proximidad, distancia al centro comercial y caminabilidad. Los gradientes de color indican la magnitud del coeficiente, tal como se muestra en la leyenda de cada panel. Haga clic aquí para ver una versión más grande de esta figura.

La diversidad de POI mide la diversidad y complejidad de las funciones urbanas dentro de cada unidad espacial. El mecanismo central subyacente a la vitalidad urbana radica en la diversidad de destinos y en los efectos sinérgicos de las actividades. Cuanto mayor sea la diversidad de POI en una zona, mejor podrá satisfacer las diversas necesidades de los residentes en cuanto a compras, comida, entretenimiento y servicios diarios dentro del mismo espacio, reduciendo así la necesidad de desplazamientos entre regiones, prolongando la duración de la estancia peatonal y aumentando la intensidad de utilización del espacio. Los resultados muestran que la diversidad de POI tiene la mayor influencia sobre la vitalidad urbana y presenta una variación espacial significativa. Específicamente, su distribución está relativamente concentrada en áreas con efectos altos y bajos: influencias más fuertes se observan principalmente en el centro urbano, mientras que influencias más débiles se encuentran principalmente en la periferia urbana. Los coeficientes de regresión generales son predominantemente positivos, lo que indica una relación claramente positiva, con solo un pequeño número de asociaciones negativas débiles. Esto sugiere que, en la mayoría de las áreas, una mayor diversidad de POI está asociada con una vitalidad urbana más alta. Además, la diferenciación espacial en los efectos de la diversidad de POI sobre la vitalidad urbana es más pronunciada por la noche que durante el día, convirtiéndola en el factor más influyente por la noche. Esta diferencia diurna puede atribuirse a la diferenciación estructural de las demandas de actividad de los residentes entre el día y la noche. Durante el día, el uso mixto del suelo atiende principalmente a las necesidades de desplazamiento y de consumo a corto plazo y fragmentado durante los descansos, y su papel en la atracción de actividad peatonal es relativamente limitado. Sin embargo, por la noche, las actividades de las personas se orientan hacia el ocio, la interacción social y el consumo experiencial. En este contexto, las áreas con alta diversidad de POI pueden ofrecer escenarios variados y continuos de consumo nocturno, extendiendo eficazmente el tiempo de permanencia al aire libre de los residentes y ejerciendo así un efecto impulsor más destacado sobre la vitalidad nocturna.

Las funciones vitales abarcan instalaciones relacionadas con la educación, la ciencia, la cultura, la salud, el transporte y los servicios públicos que satisfacen las necesidades diarias de los residentes. Su mecanismo de influencia radica en la formación de una red actividad-destino: estas instalaciones no solo atraen flujos peatonales por sí mismas, sino que también, mediante la sinergia con otras funciones, generan flujos estables de actividad. Los resultados de la regresión muestran que el efecto positivo de las funciones vitales sobre la vitalidad diurna permanece estable, con coeficientes que oscilan entre 0,078 y 0,098 y solo ligeras fluctuaciones en la intensidad del efecto. En contraste, el rango de coeficientes para la noche se amplía a 0,005–0,256, lo que indica una influencia espacial significativamente más amplia. Tomando como área central las calles Zhichu y Xingfu, el grado de influencia aumenta gradualmente desde el centro hacia las zonas circundantes. Aunque esta región se caracteriza por una distribución concentrada de la población, su planificación urbana es relativamente obsoleta y está limitada por el desarrollo económico, lo que resulta en una dotación general más baja de instalaciones recreativas y otros servicios de funciones vitales en comparación con la parte oriental de la ciudad. Como consecuencia, su atractivo para los residentes es más débil y su influencia sobre la vitalidad urbana es menos pronunciada. Esta variación temporal refleja un cambio en los propósitos de las actividades de los residentes. Durante el día, las funciones vitales están principalmente orientadas hacia los servicios públicos, y los flujos peatonales permanecen relativamente estables. Sin embargo, por la noche, se ven complementadas por demandas de ocio y entretenimiento, formando una relación complementaria con funciones orientadas al consumo, como la gastronomía y las compras, lo que permite que las funciones vitales ejerzan un efecto impulsor más fuerte sobre la vitalidad urbana en un rango espacial más amplio.

Las funciones residenciales constituyen la base espacial que alberga el regreso y la permanencia nocturna de los residentes. Su relación con la vitalidad urbana sigue patrones notablemente diferentes durante el día y la noche. Durante el día, las zonas residenciales sirven como punto de partida del flujo de población hacia el exterior; por lo tanto, simplemente aumentar la densidad residencial no necesariamente mejora la vitalidad urbana. Sin instalaciones comerciales y de servicios complementarias, las zonas residenciales de alta densidad podrían convertirse en «ciudades dormitorio» con vitalidad débil. Sin embargo, por la noche, los residentes regresan a sus hogares y las áreas residenciales se convierten en la base espacial para las actividades nocturnas. Los resultados indican que, aunque la variable de función residencial presenta un efecto promedio general relativamente débil, aún muestra una heterogeneidad y diferenciación espacial evidente en ciertas áreas, y la distribución espacial de esta influencia es ampliamente similar tanto durante el día como durante la noche. En las zonas cercanas al mercado de materiales Hongrun, al mercado mayorista de frutas, a la escuela primaria Fenghuangtai y a Jinxiu Xincheng, las funciones residenciales están densamente distribuidas, pero su relación con la vitalidad urbana es negativa. Esto sugiere que añadir más funciones residenciales en estas áreas no mejora la vitalidad urbana; por el contrario, una concentración residencial excesiva podría inhibir las actividades sociales y de consumo nocturnas debido a la congestión espacial y a la falta de instalaciones complementarias. En contraste, en la calle Shihuiyao, las funciones residenciales están positivamente asociadas con la vitalidad urbana, lo que indica que las instalaciones residenciales en esta zona desempeñan un papel más fuerte en el sostenimiento de la vitalidad urbana y ejercen una mayor atracción sobre los residentes.

La densidad de edificios refleja la intensidad del desarrollo dentro de un área determinada, y su mecanismo subyacente radica en proporcionar la base física para la agregación de la población: una mayor densidad de edificios indica una mayor capacidad de carga poblacional, así como una concentración más densa de oportunidades de empleo y establecimientos comerciales. Los resultados de este estudio muestran que la densidad de edificios ejerce un efecto positivo general sobre la vitalidad urbana durante el día, con una influencia que se debilita gradualmente de este a oeste, formando una estructura concéntrica clara. En la parte occidental de la ciudad, el efecto de la densidad de edificios sobre la vitalidad urbana es más débil que en la parte oriental, lo que sugiere que aumentar la densidad de edificios en las zonas occidentales es menos efectivo para mejorar la vitalidad urbana que en las zonas orientales. Sin embargo, por la noche, el efecto presenta un patrón bidireccional. La influencia de la densidad de edificios sobre la vitalidad urbana está correlacionada negativamente en la parte occidental de la calle Xingfu, cerca del río Jiahe, y en los conglomerados de valores bajos de la calle Zhichu, con variaciones relativamente pequeñas en magnitud. Esta diferencia diurna se origina en la diferenciación funcional: durante el día, las áreas construidas de alta densidad concentran funciones oficinas y comerciales y actúan como zonas principales de afluencia de población; por la noche, sin embargo, algunos distritos comerciales de alta densidad experimentan una dispersión de personas, y la vitalidad urbana se desplaza hacia afuera, hacia las áreas residenciales circundantes. En este sentido, las áreas construidas de alta densidad funcionan como centros de agregación de vitalidad durante el día, mientras que por la noche se convierten en fuentes de difusión de vitalidad, promoviendo la vitalidad circundante mediante un efecto de derrame hacia el exterior.

La proximidad mide la eficiencia de la conectividad de la red vial y determina con qué comodidad los residentes pueden acceder a diversos tipos de destinos. Su mecanismo principal consiste en reducir los costos de tiempo de viaje y ampliar el rango espacial de las actividades; una mayor proximidad aumenta directamente la probabilidad y frecuencia de visitas a lugares. Los resultados de este estudio muestran que la proximidad es el segundo factor impulsor más importante durante el día, solo superado por la diversidad de POI, mientras que su influencia disminuye considerablemente por la noche. Este marcado contraste entre día y noche refleja un cambio fundamental en los patrones de actividad de los residentes. Durante el día, actividades como desplazamientos al trabajo, recados y asuntos comerciales requieren relativamente más del transporte y dependen en gran medida de la accesibilidad. Sin embargo, por la noche, las actividades de los residentes se centran más en el hogar, el radio de actividad se reduce y los principales propósitos de los desplazamientos cambian hacia el ocio y el consumo, lo que hace que los residentes sean significativamente menos sensibles a la accesibilidad de la red vial. Además, la proximidad presenta un efecto local bidireccional: tiene una fuerte asociación positiva con la vitalidad urbana a lo largo del río Jiahe, así como en las calles Zhichu y Fenghuangtai, mientras que muestra una débil asociación negativa en áreas escasamente pobladas al norte de la calle Xingfu. Esto sugiere que el efecto impulsor de la vitalidad por la proximidad depende de la existencia de una demanda peatonal suficiente.

DBC mide la proximidad de cada unidad espacial al distrito comercial principal de la ciudad, reflejando ventajas ubicacionales en términos de acceso a oportunidades de empleo, entornos de consumo y externalidades económicas. Su mecanismo subyacente radica en las economías de aglomeración y la accesibilidad para los consumidores: cuanto más cerca se encuentra una zona del centro comercial, mayor es la densidad de oportunidades de empleo, más amplias son las opciones de consumo y más activas resultan las interacciones socioeconómicas, atrayendo así un mayor flujo peatonal. Los resultados de este estudio muestran que la influencia de DBC sobre la vitalidad urbana diurna disminuye de sur a norte y presenta una correlación negativa. Las zonas del sur están más alejadas del centro comercial y, por tanto, ejercen una influencia menor sobre la vitalidad urbana, mientras que las áreas al norte de Kuiyu Road se encuentran más próximas al centro comercial y, en consecuencia, tienen un efecto más fuerte. Sin embargo, por la noche, la relación se vuelve positiva, formándose dos zonas anulares al norte y al sur de Hongqi Road, y la influencia aumenta gradualmente desde el centro hacia las áreas circundantes. Esta inversión entre día y noche revela la lógica subyacente de la estructura espacial: durante el día, el centro comercial actúa como destino principal para el empleo y el consumo, impulsando la concentración poblacional hacia el interior; por la noche, los residentes regresan a sus hogares distribuidos por toda la ciudad, y las zonas residenciales más alejadas del centro comercial experimentan, en cambio, un aumento de vitalidad debido al retorno poblacional.

La caminabilidad mide la amigabilidad para los peatones del entorno urbano y actúa como un puente clave entre el espacio físico y la percepción humana. Su mecanismo distintivo no consiste en generar directamente flujos peatonales, sino en mejorar la experiencia de caminar, potenciar las sensaciones de seguridad y comodidad, prolongar el tiempo de permanencia peatonal y facilitar la interacción social, contribuyendo así a la vitalidad urbana. En este estudio, la caminabilidad muestra un efecto positivo estable sobre la vitalidad urbana tanto durante el día como durante la noche, lo que indica que su influencia es de carácter global y que los entornos urbanos amigables para los peatones generalmente potencian la vitalidad espacial. Durante el día, la influencia de la caminabilidad sobre la vitalidad urbana genera zonas de baja vitalidad en Zhujia Village y Fenghuangtai Street. Esto puede deberse principalmente a que los flujos peatonales cerca de Zhujia Village son relativamente limitados y los residentes allí tienen una dependencia menor de las aceras. En Fenghuangtai Street, la distribución de edificios es densa y la trama urbana está desactualizada; las aceras son estrechas y frecuentemente invadidas, lo que resulta en un apoyo limitado para la concentración de vitalidad mediante el transporte no motorizado. Por la noche, la influencia de la caminabilidad disminuye gradualmente de suroeste a norte, con un efecto más fuerte en la parte sur de la ciudad y uno relativamente más débil en el norte. Este patrón está relacionado con la distribución de los flujos peatonales, las infraestructuras de transporte y las disparidades en el desarrollo regional del área urbana principal de Yantai. Además, el efecto de la caminabilidad es relativamente más fuerte por la noche, lo que refleja la mayor dependencia de las actividades nocturnas respecto a la percepción de seguridad y la calidad ambiental. Una buena iluminación, aceras continuas y un cerramiento urbano bien definido pueden reducir eficazmente la sensación de inseguridad durante los desplazamientos nocturnos, desbloqueando así el potencial de la vitalidad urbana nocturna.

Áreas representativas y marco de optimización de la vitalidad urbana
Para ilustrar mejor la heterogeneidad espacial identificada mediante el análisis MGWR, se seleccionaron vecindarios representativos con distintas características espaciales urbanas para realizar investigaciones de campo (Figuras 8 y 9). Estos ejemplos proporcionan evidencia visual de las condiciones espaciales asociadas con los resultados analíticos.

Figura 8. Condiciones existentes de los bloques antiguos en la Nueva Ciudad Xingfu. Fotografías representativas muestran las condiciones de las calles y del entorno construido, incluyendo una distribución desigual de las instalaciones públicas y una calidad ambiental limitada en las calles. Haga clic aquí para ver una versión más grande de esta figura.

Figura 9. Condiciones actuales de las comunidades antiguas en la calle Nangou-Jinde y Baishi-Huangshan. Fotografías representativas que muestran viviendas residenciales densas, espacio público abierto limitado y las condiciones ambientales actuales del vecindario. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8 muestra Xingfu New Town, un barrio representativo antiguo caracterizado por una distribución desigual de instalaciones de servicios públicos y una calidad ambiental de las calles relativamente deficiente. Figura 9 presenta barrios residenciales representativos en las áreas de Nangou Street–Jinde y Baishi–Huangshan, que se caracterizan por un desarrollo residencial denso, espacio público abierto limitado e interfaces de calle relativamente monótonos. Estas características espaciales observadas son coherentes con los resultados analíticos que describen diferencias en los efectos de las funciones vitales y las funciones residenciales sobre la vitalidad urbana.

Figura 10 resume las relaciones entre las dimensiones principales de la estructura espacial urbana y sus influencias sobre la vitalidad urbana. Con base en los resultados del análisis MGWR, el marco integra los factores impulsadores identificados y sus interacciones para ofrecer una representación conceptual general de los mecanismos que influyen en la vitalidad urbana diurna y nocturna.

Figura 10. Mecanismo de optimización para la estructura espacial urbana y la mejora de la vitalidad. El diagrama resume estrategias de mejora de la vitalidad en elementos funcionales, forma arquitectónica, accesibilidad, factores socioeconómicos, espacio ecológico y percepción humana, considerando las diferencias entre vitalidad diurna y nocturna. Haga clic aquí para ver una versión más grande de esta figura.

Disponibilidad de datos:
Todos los datos que respaldan los hallazgos de este estudio se proporcionan dentro del artículo y sus materiales suplementarios. Estos incluyen la Figura Suplementaria 1; los Archivos Suplementarios 1–7, que describen la recopilación de datos, el preprocesamiento, los flujos de trabajo analíticos, los resultados del modelo y los diagnósticos de regresión; los Códigos Suplementarios 1–4, que contienen los scripts de Python y los cuadernos de Jupyter utilizados para el preprocesamiento de datos y el procesamiento de imágenes de vista callejera; y los Datos Suplementarios 1–3, que proporcionan los conjuntos de datos originales, estandarizados y procesados de los indicadores de estructura espacial urbana utilizados en los análisis.

Figura suplementaria 1. Validación de la vitalidad urbana derivada del mapa de calor mediante la intensidad de la luz nocturna. Comparación de la distribución espacial de la intensidad de la luz nocturna (izquierda) y la vitalidad urbana nocturna derivada de los datos del mapa de calor de Baidu (derecha). Se resaltan áreas hotspot representativas para demostrar el acuerdo espacial entre ambos conjuntos de datos, lo que respalda el uso de la intensidad de actividad derivada del mapa de calor como un indicador de la vitalidad urbana en el área de estudio. Haga clic aquí para descargar este archivo.

Archivo suplementario 1. Recopilación y procesamiento de datos del mapa de calor de Baidu. Este archivo describe el flujo de trabajo para la adquisición de datos del mapa de calor de Baidu, preprocesamiento, eliminación de ruido, clasificación temporal, transformación espacial, estimación de densidad de kernel y cálculo de la vitalidad urbana diurna y nocturna a escala de cuadrícula de 300 m × 300 m. Haga clic aquí para descargar este archivo.

Archivo suplementario 2. Definiciones e instrucciones de cálculo de los indicadores de la estructura espacial urbana. Este archivo proporciona las definiciones, ecuaciones computacionales, procedimientos de preprocesamiento, configuraciones de parámetros y métodos de normalización para todos los indicadores de la estructura espacial urbana utilizados en el análisis, incluyendo funcionalidad, forma arquitectónica, accesibilidad, características socioeconómicas, espacio ecológico y percepción humana. Haga clic aquí para descargar este archivo.

Archivo suplementario 3. Flujo de trabajo para la adquisición y análisis de imágenes de vista callejera. Este archivo describe la estrategia de muestreo de imágenes de vista callejera, los parámetros de adquisición de imágenes, la generación de imágenes panorámicas, la segmentación semántica mediante el modelo SegNet, la validación del modelo y el cálculo de los indicadores de percepción humana derivados de las imágenes de vista callejera. Haga clic aquí para descargar este archivo.

Archivo suplementario 4. Flujo de trabajo del modelo de regresión ponderada geográficamente a múltiples escalas (MGWR). Este archivo describe el procedimiento de modelado MGWR, incluyendo el preprocesamiento de datos, selección de variables, evaluación de multicolinealidad, configuración del modelo, optimización del ancho de banda, ajustes de parámetros, implementación del modelo y comparación del rendimiento de los modelos de mínimos cuadrados ordinarios (OLS), regresión ponderada geográficamente (GWR) y MGWR. Haga clic aquí para descargar este archivo.

Archivo suplementario 5. Resultados del modelo de regresión geográficamente ponderada multiescala (MGWR) diurno. Resultados completos del modelo MGWR diurno, incluyendo estadísticas globales de regresión, optimización del ancho de banda, métricas diagnósticas, estimaciones de parámetros y estadísticas resumidas utilizadas para evaluar la heterogeneidad espacial de la vitalidad urbana diurna. Haga clic aquí para descargar este archivo.

Archivo suplementario 6. Resultados de la regresión geográficamente ponderada multiescala (MGWR) nocturna. Resultados completos del modelo MGWR nocturno, incluidos estadísticos de regresión global, optimización de ventanas de banda, métricas diagnósticas, estimaciones de parámetros y estadísticos resumidos utilizados para evaluar la heterogeneidad espacial de la vitalidad urbana nocturna. Haga clic aquí para descargar este archivo.

Archivo suplementario 7. Diagnósticos de regresión por mínimos cuadrados ordinarios (OLS) y evaluación del modelo. Resultados diagnósticos para el modelo OLS, incluida la evaluación de multicolinealidad, diagnósticos de regresión, análisis de residuos y gráficos complementarios utilizados para la comparación con modelos de regresión ponderados geográficamente. Haga clic aquí para descargar este archivo.

Código suplementario 1. Flujo de trabajo en Python para el preprocesamiento de datos de mapas de calor de Baidu. Script de Python utilizado para el preprocesamiento de datos brutos de mapas de calor, incluyendo la eliminación de duplicados, filtrado de valores ausentes, conversión de marcas de tiempo, clasificación en día/noche, estandarización de coordenadas y exportación de conjuntos de datos procesados para análisis espaciales posteriores. Haga clic aquí para descargar este archivo.

Código suplementario 2. Flujo de trabajo para la unión de imágenes de vista callejera. Cuaderno de Jupyter que implementa el procesamiento de imágenes de vista callejera, incluyendo la unión de imágenes y la generación de imágenes panorámicas para el análisis posterior del paisaje urbano. Haga clic aquí para descargar este archivo.

Código suplementario 3. Flujo de trabajo para la adquisición de imágenes de vista callejera. Cuaderno de Jupyter utilizado para obtener imágenes de vista callejera mediante la interfaz de programación de aplicaciones (API) de Baidu Street View, organizar los metadatos de las imágenes y prepararlas para la segmentación semántica. Haga clic aquí para descargar este archivo.

Código suplementario 4. Flujo de trabajo para el procesamiento de imágenes de vista callejera. Cuaderno de Jupyter utilizado para procesar e integrar imágenes de vista callejera antes de la extracción de los indicadores de percepción humana. Haga clic aquí para descargar este archivo.

Datos suplementarios 1. Conjunto de datos original del indicador de estructura espacial urbana. Valores brutos de los indicadores compilados antes del preprocesamiento y la estandarización para todas las unidades espaciales incluidas en el estudio. Haga clic aquí para descargar este archivo.

Datos suplementarios 2. Conjunto de datos estandarizados de indicadores de estructura espacial urbana. Variables predictoras estandarizadas utilizadas como entradas para los análisis de regresión geográficamente ponderados a múltiples escalas. Haga clic aquí para descargar este archivo.

Datos suplementarios 3. Conjunto de datos filtrados y procesados de indicadores de estructura espacial urbana. Conjunto de datos con control de calidad tras el preprocesamiento y la selección de variables, utilizado para análisis estadísticos y desarrollo de modelos. Haga clic aquí para descargar este archivo.

Discusión

La vitalidad urbana en el área urbana principal de Yantai presenta diversos patrones de agrupamiento e influencias espaciales heterogéneas que varían según la ubicación, el rango espacial y la escala analítica. El presente estudio demuestra que la vitalidad urbana está moldeada por una estructura espacial compuesta y anidada en la que múltiples dimensiones del entorno construido influyen conjuntamente en las actividades diurnas y nocturnas de los residentes. Mediante el uso de grandes datos geoespaciales multifuente y el modelo MGWR, este estudio identificó una heterogeneidad espacial considerable en los efectos de la funcionalidad, la forma edificada, la accesibilidad, las condiciones socioeconómicas y la percepción humana sobre la vitalidad urbana. En comparación con los enfoques tradicionales de regresión global, el modelo MGWR capturó de manera más efectiva la no estacionariedad espacial de estas relaciones, proporcionando una comprensión más detallada de los mecanismos subyacentes a la vitalidad urbana. Estos hallazgos indican que las estrategias para fomentar la vitalidad urbana deben basarse en las necesidades espaciotemporales de actividad de los residentes y deben adoptar enfoques equitativos y específicos del contexto que varíen según las personas, el tiempo y el lugar. Además, el mejoramiento efectivo de la vitalidad requiere una optimización coordinada tanto de las estructuras espaciales globales como locales, al tiempo que se reducen las ineficiencias, las intervenciones ineficaces y los efectos negativos asociados con la asignación de recursos y las limitaciones ambientales. En conjunto, estos hallazgos proporcionan un marco basado en evidencia para mejorar la eficacia y precisión de las estrategias de fomento de la vitalidad urbana (Figura 10).

Entre los elementos funcionales examinados, la diversidad de POI, las funciones vitales y las funciones residenciales se identificaron como los principales determinantes de la vitalidad urbana. La diversidad de POI ejerció la influencia positiva más fuerte sobre la vitalidad urbana, lo cual es coherente con los hallazgos de Ye y Zhuang³³ y Cetin et al.³⁴, quienes demostraron que las funciones urbanas mixtas promueven la agregación de población y aumentan la vitalidad espacial. En el presente estudio, la diversidad de POI mostró una relación positiva significativa con la vitalidad urbana en la mayor parte del distrito urbano principal durante el día, mientras que solo se observaron asociaciones negativas débiles en las áreas periféricas. Este patrón puede explicarse por la concentración de diversas funciones residenciales, comerciales, de ocio y de servicios que crean cadenas continuas de actividades humanas y fortalecen tanto la vitalidad temporal como espacial. En contraste, los distritos periféricos caracterizados por un uso de suelo de función única presentan cadenas de actividad fragmentadas y un uso temporal reducido del espacio urbano. Esta diferenciación concéntrica también es consistente con estudios previos de Fang et al.³⁵ y Xu et al.³⁶. Se han reportado patrones similares en Pekín y Wuhan, donde mayores niveles de integración funcional están asociados con una vitalidad peatonal y comercial más intensa^37,38. A diferencia de los distritos residenciales suburbanos en Pekín, que generalmente poseen instalaciones complementarias relativamente completas, áreas industriales como Huangwu Street y el Parque Industrial Wanhua en Yantai carecen de POI cotidianos suficientes, lo que hace que los efectos negativos de la monocultura funcional sean más pronunciados. Por consiguiente, aumentar la diversidad funcional mediante el desarrollo mixto residencial-comercial, servicios comunitarios y espacios públicos abiertos probablemente mejoraría la vitalidad en estos distritos, mientras que la expansión de calles comerciales nocturnas y mercados nocturnos podría fortalecer aún más la actividad nocturna. Las funciones vitales también mostraron efectos positivos constantes sobre la vitalidad urbana tanto durante el día como durante la noche, particularmente en la parte oriental de la ciudad. Las instalaciones relacionadas con la educación, la salud, la cultura, la recreación, el transporte y los servicios públicos atraen visitas diarias repetidas y sirven como destinos importantes para los desplazamientos y la interacción social. La superposición espacial de estas instalaciones con servicios comerciales aumenta aún más la duración de la estancia peatonal y la intensidad de la actividad, sosteniendo así la vitalidad urbana. Estos hallazgos son coherentes con Liu y Ge³⁹, quienes enfatizaron la importancia de la provisión de servicios públicos para mejorar la vitalidad comunitaria, así como con estudios realizados en Nanjing y Wuhan que demuestran que instalaciones equilibradas de apoyo vital aumentan significativamente la intensidad de actividad de los residentes durante todo el día^40,41. En consecuencia, una renovación urbana integral debería priorizar mejoras tanto en la cantidad como en la calidad de las instalaciones de funciones vitales. Como se ilustra en Figura 8, vecindarios antiguos como Xingfu Xincheng y las aldeas urbanas circundantes continúan experimentando insuficiencia de servicios públicos y una calidad espacial relativamente baja. Mejorar el acceso a la educación, la atención sanitaria, el cuidado de personas mayores, los espacios verdes públicos y la infraestructura de emergencia, junto con la reutilización adaptativa de antiguos sitios industriales como Zhichu Park en parques y plazas públicas, contribuiría a una vitalidad urbana más fuerte y sostenible. Las funciones residenciales mostraron patrones espaciales similares tanto durante el día como durante la noche, mostrando generalmente relaciones negativas débiles en áreas con alta concentración de POI residenciales. Estas áreas suelen caracterizarse por un uso dominante del suelo residencial, escaso espacio público abierto, actividades comerciales insuficientes y relativamente pocas oportunidades de interacción social, lo que resulta en entornos con fuertes atributos residenciales pero intensidad de actividad relativamente baja. Chen et al.⁴² demostraron asimismo que la infraestructura urbana mejora la vitalidad solo cuando una densidad adecuada va acompañada de actualizaciones y renovaciones continuas. Investigaciones realizadas en distritos urbanos de alta densidad en Guangzhou también indican que aumentar únicamente el desarrollo residencial no mejora necesariamente la vitalidad, a menos que esté respaldado por servicios públicos, instalaciones comerciales, infraestructura peatonal y espacios públicos de alta calidad. Como se muestra en Figura 9, muchos vecindarios altamente concentrados en usos residenciales continúan experimentando escasez de espacios públicos y fachadas de calles inactivas. Por lo tanto, los distritos densamente residenciales se beneficiarían de mejoras específicas en las instalaciones de servicios públicos, la optimización de las funciones residenciales, la adopción de tecnologías de edificación sostenible, el fortalecimiento de la gobernanza comunitaria y una planificación cuidadosa del desarrollo residencial futuro para mejorar tanto la calidad residencial como la vitalidad urbana.

Más allá de los elementos funcionales, el presente estudio demuestra que la forma construida, la accesibilidad, las condiciones socioeconómicas y la percepción humana contribuyen todos a la heterogeneidad espacial de la vitalidad urbana. La densidad edificada surgió como un determinante importante de la vitalidad del vecindario. Coherente con los hallazgos de Yang et al.⁴³ en Chongqing, una mayor densidad de edificios generalmente favorece la agregación poblacional y las actividades económicas, mejorando así la vitalidad del vecindario. De manera similar, el presente estudio mostró que la influencia de la densidad de edificios aumenta gradualmente de oeste a este, reflejando la concentración del desarrollo y de las actividades comerciales en el núcleo noreste del distrito urbano principal de Yantai. Estudios previos en Guangzhou demostraron además que, aunque el aumento de la densidad edilicia promueve inicialmente la vitalidad urbana, esta relación alcanza eventualmente un umbral óptimo más allá del cual una densidad adicional ofrece rendimientos decrecientes¹⁶Asimismo, estudios realizados en Qingdao indicaron que las zonas aledañas a los espacios ecológicos no son adecuadas para un desarrollo excesivamente intensivo44 y que los diseños espaciales lineales o de forma libre en zonas costeras suelen ofrecer entornos más atractivos que las formas urbanas altamente compactas. Estos hallazgos sugieren que la densidad edificatoria debe optimizarse en lugar de maximizarse. Por consiguiente, la densidad edificatoria local debería reducirse adecuadamente en distritos comerciales y residenciales altamente desarrollados, incluidas las áreas cercanas a la estación de tren de Yantai y Haishang World, aumentando al mismo tiempo los espacios verdes públicos y las zonas de ocio. Los distritos históricos, como Chaoyang Street y Suochengli, deben priorizar la conservación de los edificios históricos y evitar una reconstrucción excesiva, mientras que la intensidad del desarrollo a lo largo del cinturón turístico costero y alrededor del Parque Central de la Montaña debe mantenerse cuidadosamente controlada para preservar los recursos ecológicos y paisajísticos, a la vez que se mantiene la vitalidad urbana. La accesibilidad también mostró una marcada heterogeneidad espacio-temporal. Coherente con estudios previos^45,46, la proximidad diurna mostró una relación positiva significativa con la vitalidad urbana, mientras que su influencia disminuyó de sur a norte durante las horas nocturnas. Dado que la proximidad refleja la conectividad de la red vial y los costos de desplazamiento de los residentes, una mayor accesibilidad facilita actividades frecuentes y de múltiples propósitos al reducir el tiempo de viaje. Estudios previos también han demostrado que la vitalidad nocturna está fuertemente asociada con la densidad poblacional y la conectividad del transporte, particularmente en áreas urbanas densamente desarrolladas⁴⁷. Wei Wei et al.⁴⁸ demostró además en Wuhan que las redes viales altamente conectadas y los sistemas de tráfico lento bien desarrollados mejoran sustancialmente la vitalidad del barrio, especialmente durante la noche. Estos hallazgos sugieren que la planificación futura de las redes viales debería adoptar una estrategia de «manzanas pequeñas y red de calles densa». En barrios antiguos ubicados cerca de terrenos montañosos, como Nangou Street–Jinde y Baishi–Hushan, la mejora de la conectividad mediante la eliminación de calles sin salida y la ampliación de la infraestructura peatonal, ciclista y vial fortalecería la accesibilidad y la vitalidad general. De manera similar, las mejoras en el transporte en las zonas al norte de Xingfu Street aumentarían aún más la vitalidad nocturna. Las condiciones socioeconómicas representadas por el DBC también mostraron una clara heterogeneidad diurna–nocturna. Durante el día, valores más bajos de DBC se asociaron con una mayor agregación poblacional y una vitalidad urbana más alta, mientras que la vitalidad nocturna mostró un patrón opuesto, consistente con los hallazgos reportados por Wang et al.⁴⁹ Esta diferencia refleja la organización espacial contrastante de las actividades diurnas de desplazamiento y compras frente a las actividades nocturnas de ocio y residenciales. Durante el día, el núcleo comercial de la ciudad funciona como el principal destino para el empleo y el consumo, generando una concentración marcada de vitalidad. Sin embargo, por la noche, las actividades de ocio se vuelven más dispersas, mientras que las zonas residenciales periféricas experimentan un aumento de vitalidad cuando los residentes regresan a sus hogares. Este patrón también refleja el desequilibrio entre empleo y vivienda en la estructura comercial predominantemente monocéntrica de Yantai. Coherente con la teoría de Bianchini sobre la economía nocturna⁵⁰, establecer actividades comerciales nocturnas diversificadas representa una estrategia efectiva para fortalecer la vitalidad en distritos suburbanos. En consecuencia, las zonas suburbanas como el subdistrito de Huangwu se beneficiarían del desarrollo de centros comerciales secundarios, oportunidades diversificadas de consumo nocturno y mejores conexiones de transporte entre las áreas residenciales suburbanas y el centro de la ciudad, promoviendo así una vitalidad más equilibrada en toda la zona urbana. Finalmente, la percepción humana, representada por la caminabilidad, ejerció consistentemente una influencia positiva sobre la vitalidad urbana tanto durante el día como durante la noche. Geurs et al.⁵¹ demostró que una mayor accesibilidad peatonal aumenta la disposición de los residentes a realizar caminatas espontáneas, promoviendo así la vitalidad del vecindario. Mahmood et al.⁵² enfatizaron además que las actividades urbanas nocturnas dependen en gran medida de la accesibilidad del transporte, la comodidad peatonal y la seguridad percibida, lo que hace esenciales entornos para caminar de alta calidad para sostener la vitalidad nocturna. Los hallazgos actuales indican de manera similar que la actividad peatonal diurna está influenciada principalmente por la accesibilidad de las instalaciones, mientras que la vitalidad nocturna depende más fuertemente del confort ambiental, la continuidad de las rutas peatonales y la seguridad percibida. Si Rui et al.⁵³ asimismo informaron que entornos peatonales más seguros favorecen la vitalidad nocturna, mientras que interfaces callejeros diversos mejoran la vitalidad diurna. En Yantai, instalaciones peatonales fragmentadas y graves conflictos entre peatones y vehículos siguen siendo comunes en los barrios antiguos, lo que limita la expresión de vitalidad durante todo el día. Por lo tanto, la planificación futura debe priorizar aceras continuas, instalaciones peatonales libres de barreras, cruces más seguros, interfaces callejeros más ricos, iluminación mejorada y una mayor calidad ambiental nocturna para prolongar las actividades al aire libre de los residentes, fomentar la interacción social y la actividad comercial, y fortalecer la vitalidad urbana tanto diurna como nocturna. Figura 10 resume las estrategias de optimización propuestas derivadas de estos hallazgos.

En conjunto, el presente estudio profundiza en la comprensión de la vitalidad urbana mediante la integración de grandes datos geoespaciales multifuente con el modelo MGWR para cuantificar cómo múltiples dimensiones de la estructura espacial urbana influyen en la vitalidad a distintas escalas espaciales y períodos temporales. A diferencia de los modelos de regresión global convencionales, el enfoque MGWR permite que cada variable explicativa actúe a su propia escala espacial, revelando así una marcada no estacionariedad espacial en las relaciones entre funcionalidad, forma edificada, accesibilidad, condiciones socioeconómicas, percepción humana y vitalidad urbana. Este marco analítico no solo mejora la interpretación de los mecanismos subyacentes a la vitalidad urbana, sino que también ofrece orientaciones prácticas para la planificación y gestión urbana basadas en evidencia. En lugar de aplicar intervenciones de planificación uniformes en toda la ciudad, los hallazgos respaldan estrategias de optimización diferenciadas, adaptadas a las características funcionales locales, la intensidad de desarrollo, la accesibilidad al transporte, el contexto socioeconómico y los entornos peatonales. Por consiguiente, el marco propuesto tiene aplicaciones potenciales en la renovación urbana, la regeneración de barrios, la optimización de espacios públicos, la planificación del transporte y el desarrollo de economías diurnas y nocturnas sostenibles. Al identificar dónde y cómo diferentes elementos espaciales influyen en la vitalidad, el estudio proporciona una base científica para implementar estrategias de planificación precisas y centradas en las personas, que mejoren la calidad del espacio urbano al tiempo que promueven un desarrollo urbano equilibrado y sostenible.

Aunque el presente estudio establece un marco analítico para investigar la vitalidad urbana mediante datos geoespaciales multifuente y el modelo MGWR, deben reconocerse varias limitaciones. En primer lugar, la cobertura temporal del análisis se limitó a datos del Mapa de Calor recopilados durante cinco días laborables consecutivos, lo cual no captura las variaciones en los patrones de comportamiento de los residentes durante fines de semana, días festivos ni diferentes estaciones, limitando así la completitud del análisis temporal. En segundo lugar, aunque los datos del Mapa de Calor ofrecen una amplia cobertura espacial gracias a una gran base de usuarios, inevitablemente contienen sesgos de muestreo y no pueden representar completamente a toda la población urbana, lo que genera limitaciones en la representatividad de la muestra. En tercer lugar, el estudio se centró exclusivamente en la zona urbana principal del distrito de Zhifu, Yantai; por consiguiente, los hallazgos están estrechamente asociados con las características del entorno construido local, y su aplicabilidad a otros contextos urbanos, incluyendo ciudades montañosas, áreas suburbanas, ciudades costeras y megaciudades, requiere una verificación adicional mediante estudios comparativos. En cuarto lugar, el presente análisis examinó únicamente la influencia de la estructura espacial urbana sobre la vitalidad urbana, mientras que no se investigaron las posibles interacciones bidireccionales entre la vitalidad urbana y la estructura espacial. Por último, aunque el modelo MGWR captura eficazmente la no estacionariedad espacial, sigue basándose fundamentalmente en supuestos lineales y, por tanto, podría no caracterizar completamente las complejas relaciones no lineales y los efectos de interacción entre la vitalidad urbana, las actividades humanas y los elementos espaciales. Estas limitaciones indican importantes direcciones para futuras mejoras metodológicas y una aplicación más amplia del marco analítico propuesto.

La investigación futura puede ampliar el trabajo actual en varias direcciones. La incorporación de datos de mapas de calor recopilados durante fines de semana, días festivos y diferentes estaciones permitiría un monitoreo dinámico a largo plazo de la vitalidad urbana y proporcionaría una comprensión más completa de su evolución espacio-temporal. Los análisis comparativos entre diferentes tipos de áreas urbanas, incluyendo ciudades montañosas, ciudades en llanuras, ciudades costeras, zonas suburbanas y megaciudades, ayudarían a distinguir mecanismos universales de características específicas de cada región y mejorarían la generalización de los hallazgos. Además, la integración de información socioeconómica, como la estructura poblacional, la distribución industrial, las características del empleo y los ingresos de los residentes, facilitaría una interpretación más completa de los mecanismos subyacentes a la formación de la vitalidad urbana. Los estudios futuros también podrían combinar múltiples fuentes de datos, como datos de señalización de teléfonos móviles y registros de consumo de alta frecuencia, con técnicas analíticas no lineales como el aprendizaje automático, para captar mejor las interacciones complejas entre la estructura espacial urbana, el comportamiento humano y la vitalidad urbana. Asimismo, el marco analítico desarrollado en este estudio tiene un valor práctico considerable para la renovación urbana, la regeneración de barrios, la optimización de espacios públicos y una gestión urbana más refinada, especialmente en comunidades envejecidas, distritos suburbanos y zonas con vitalidad comercial relativamente débil. Al proporcionar evidencia cuantitativa para estrategias de planificación diferenciadas según las características espaciales locales, este marco puede apoyar un desarrollo urbano más preciso, centrado en las personas y sostenible. En conjunto, este estudio demuestra que la integración de grandes datos geoespaciales multifuente con el modelo MGWR ofrece un enfoque efectivo para revelar la heterogeneidad espacial de la vitalidad urbana y brinda un apoyo científico valioso para optimizar la estructura espacial urbana y potenciar la vitalidad urbana mediante una planificación y gestión basadas en evidencia.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
ArcGIS	Esri	Version 10.4 (RRID: SCR_011081)	Software de sistema de información geográfica utilizado para análisis espacial y visualización de mapas
Baidu Maps API	Baidu, Inc.	Version 3.0	Utilizado para obtener datos de mapas de calor, puntos de interés (POI) e imágenes de vista callejera
MGWR	Arizona State University	Version 2.2	Software utilizado para el análisis de regresión geográficamente ponderado a múltiples escalas
Conjunto de datos de uso del suelo del Centro Nacional de Información Geográfica Básica	Centro Nacional de Información Geográfica Básica	https://www.gscloud.cn/search	Fuente de datos de uso del suelo
Conjunto de datos de luz nocturna NPP-VIIRS	Harvard Dataverse	DOI: 10.7910/DVN/YGIVCD	Utilizado para validar los patrones de vitalidad urbana derivados del mapa de calor
OpenCV	OpenCV	Version 4.5.5	Utilizado para el ensamblaje de imágenes panorámicas y el procesamiento de imágenes
OpenStreetMap	OpenStreetMap Foundation	https://www.openstreetmap.org	Fuente de datos de huella de edificios y red vial
Python	Python Software Foundation	Version 3.8 (RRID: SCR_008394)	Utilizado para la adquisición, preprocesamiento y análisis de datos
SegNet	University of Cambridge	Implementación en PyTorch (Version 1.0) (RRID: SCR_017042)	Red de segmentación semántica basada en aprendizaje profundo utilizada para la extracción de características del paisaje urbano
Análisis de red de diseño espacial (sDNA)	Cardiff University	Version 4.0	Utilizado para calcular métricas de accesibilidad de la red vial