Analyse spatiale de l'impact de la structure spatiale urbaine sur la vitalité urbaine à Yantai, en Chine, à l'aide de la régression géographiquement pondérée multi-échelle

Résumé

Ce protocole intègre les données de cartes de chaleur de Baidu, les points d'intérêt, les images de vue panoramique de rue et une régression géographiquement pondérée à plusieurs échelles afin de quantifier la vitalité urbaine et d'évaluer comment la structure spatiale urbaine influence les schémas de vitalité diurne et nocturne à Yantai, en Chine.

Résumé

Comprendre comment la structure spatiale urbaine influence la vitalité urbaine est essentiel pour élaborer des stratégies d'aménagement urbain centrées sur l'humain. Toutefois, l'hétérogénéité spatiale de ces relations et les contributions relatives des différents éléments de la structure spatiale urbaine à la vitalité diurne et nocturne restent insuffisamment comprises. Cette étude visait à quantifier la vitalité urbaine et à examiner comment la structure spatiale urbaine affecte sa variation spatiotemporelle dans la zone urbaine principale de Yantai, en Chine. Des jeux de données spatiales multisources, incluant les données de carte thermique de Baidu, les points d'intérêt, les images de vue au niveau de la rue, les réseaux routiers, les informations sur les bâtiments et les données d'occupation des sols, ont été intégrés pour caractériser la vitalité urbaine et la structure spatiale urbaine. L'estimation par densité de noyau, l'analyse de corrélation spatiale et la régression géographiquement pondérée à plusieurs échelles (MGWR) ont été utilisées pour évaluer la répartition spatiale de la vitalité urbaine et les effets dépendant de l'échelle des variables de structure spatiale urbaine. Les résultats ont montré que la vitalité urbaine présente une forte polarisation spatiale caractérisée par un modèle combiné « centre–périphérie » et « un noyau avec plusieurs points », ainsi qu'une autocorrélation spatiale significativement positive. L'influence de la structure spatiale urbaine variait considérablement selon les zones géographiques et entre le jour et la nuit. La diversité et la proximité des points d'intérêt étaient les facteurs prédominants de la vitalité diurne, tandis que la fonction résidentielle et la diversité des points d'intérêt exerçaient la plus grande influence sur la vitalité nocturne. La marchabilité s'est révélée constamment associée positivement à la vitalité urbaine durant les deux périodes, soulignant l'importance d'environnements urbains centrés sur l'usager piéton. Ces résultats démontrent l'intérêt de combiner des données spatiales multisources avec la méthode MGWR pour évaluer la vitalité urbaine, et fournissent un cadre pratique au service d'une planification urbaine et d'une optimisation spatiale fondées sur des preuves.

Introduction

La vitalité urbaine est un indicateur fondamental permettant d'évaluer le niveau de développement urbain durable, la qualité de vie des habitants et l'efficacité de la construction urbaine de haute qualité. Elle attire depuis longtemps une attention considérable de la part des chercheurs en géographie urbaine ainsi qu'en urbanisme et aménagement du territoire^1,2. Lors de la phase d'urbanisation incrémentielle et d'expansion spatiale rapide, les problèmes liés à un développement spatial urbain déséquilibré sont devenus de plus en plus marquants. Une allocation inefficace des terres, la pollution environnementale, la congestion routière et des défis urbains persistants, tels que la séparation entre les lieux de travail et les lieux d'habitation, continuent d'affaiblir la vitalité des quartiers³. Actuellement, la Chine est entrée dans une nouvelle phase d'urbanisation, au cours de laquelle l'accent du développement urbain se déplace d'une approche extensive de « construction de la ville » vers une gestion plus fine de « la ville », la priorité principale étant désormais un aménagement spatial centré sur l'humain. L'échelle centrée sur l'humain s'intéresse aux unités micro-spatiales directement perceptibles par les habitants et constitue une extension et un raffinement des analyses traditionnelles à l'échelle du lot ou du quartier. Depuis le 18^e Congrès national du Parti communiste chinois, le développement centré sur l'humain est devenu un principe fondamental de la gouvernance de l'espace territorial, et l'amélioration de la qualité des environnements de vie est devenue un objectif prioritaire de l'urbanisme. Dans ce contexte, caractériser précisément les patrons spatio-temporels de la vitalité urbaine et clarifier les mécanismes hétérogènes par lesquels l'environnement bâti centré sur l'humain influence cette vitalité peuvent fournir une base scientifique pour des pratiques de planification fines, notamment la rénovation urbaine au niveau des rues et l'amélioration des quartiers. Par ailleurs, la ville de Yantai a lancé une série d'initiatives de rénovation urbaine dans le cadre de son 14^e plan quinquennal, a été sélectionnée en 2021 par le ministère du Logement et du Développement urbain et rural comme l'une des premières villes pilotes nationales de rénovation urbaine, et a reçu en 2026 un soutien financier supplémentaire du budget central pour la rénovation urbaine. Ces avantages politiques et financiers offrent des conditions favorables pour améliorer la qualité des espaces urbains existants à Yantai et explorer des stratégies de rénovation urbaine propres aux villes côtières, favorisant ainsi un développement urbain de haute qualité.

Le concept de vitalité urbaine a été initialement proposé par la chercheuse américaine Jane Jacobs, qui a affirmé que la diversité fonctionnelle, les petits îlots, les bâtiments d'âges variés et la forte densité constituent les quatre conditions essentielles aux villes dynamiques⁴. Les premières études ont établi des cadres théoriques principalement fondés sur des enquêtes de terrain et des questionnaires, tandis que les recherches ultérieures se sont progressivement orientées vers une échelle microscopique, en se concentrant sur la concentration spatiale des activités humaines⁵. De plus en plus de preuves démontrent que les dynamiques temporelles fines et les variations spatiales jouent un rôle important dans la compréhension de la vitalité urbaine⁶. Le développement rapide des données géospatiales massives à haute résolution a créé de nouvelles opportunités pour la surveillance à grande échelle et en temps dynamique de la vitalité urbaine. En conséquence, les chercheurs s'appuient de plus en plus sur des ensembles de données multisources, notamment les données de signalisation téléphonique, les trajectoires de localisation, les check-ins sur les réseaux sociaux, les données de cartes de chaleur et les points d'intérêt (POI), afin de quantifier l'intensité des activités humaines dans différentes unités spatiales et d'analyser la vitalité urbaine à plusieurs échelles^{7,8,9,10,11,12}. Parmi ces sources de données, les cartes de chaleur permettent de capturer précisément la répartition spatiale et les dynamiques temporelles de la concentration de population et sont largement utilisées pour quantifier la vitalité urbaine aux échelles du terrain, de l'îlot et de la ville^13,14,15. Par exemple, Wang Chenggang et al.¹⁶ ont utilisé des données de cartes de chaleur pour identifier les schémas de vitalité du centre de Guangzhou, quantifier les relations non linéaires et les effets seuils de l'environnement bâti, et distinguer les influences différentes des périodes de jour ouvrable, fournissant ainsi des preuves empiriques précieuses pour la recherche sur la vitalité urbaine.

La vitalité urbaine est fondamentalement façonnée et limitée par la structure spatiale urbaine qui accueille les activités humaines. Comprendre les mécanismes par lesquels la structure spatiale urbaine influence la vitalité urbaine fournit un appui essentiel à une planification urbaine affinée et à une gouvernance urbaine fondée sur des données probantes. Des études antérieures ont élaboré des systèmes d'évaluation multidimensionnels de la structure spatiale urbaine, englobant l'échelle urbaine, l'agencement fonctionnel, la forme spatiale, le degré de compacité et les caractéristiques socioéconomiques. Ces travaux ont systématiquement montré que les conditions de localisation, la densité de population, la forme des bâtiments, l'usage mixte des sols, la diversité des équipements, le développement économique, la diversité fonctionnelle, la configuration des rues, l'accessibilité et la marchabilité figurent parmi les principaux facteurs influant sur la différenciation spatiale de la vitalité urbaine^{17,18,19,20,21,22}. Néanmoins, la plupart des études antérieures se sont concentrées sur les relations à grande échelle entre les espaces physiques, sociaux, liés aux lieux et à la mobilité, en accordant relativement peu d'attention à des analyses détaillées à l'échelle centrée sur l'humain. Le paradigme de recherche émergent fondé sur des données géospatiales ouvertes multiples sources et des algorithmes d'analyse intelligents offre de nouvelles opportunités de perception spatiale et d'analyse quantitative à cette échelle plus fine²³. En combinant des techniques d'apprentissage automatique à l'analyse d'images de vue au sol, cette approche allie une large couverture spatiale à une précision analytique centrée sur l'humain, tout en réduisant la subjectivité et les limites de précision associées aux méthodes traditionnelles d'évaluation spatiale. Sur le plan méthodologique, les études antérieures ont principalement utilisé des modèles de régression des moindres carrés ordinaires et de régression géographiquement pondérée pour examiner les relations entre l'environnement bâti et la vitalité urbaine^24,25. Toutefois, ces approches se concentrent généralement sur des caractéristiques spatiales statiques et négligent souvent à la fois l'hétérogénéité spatiale et la différenciation temporelle jour-nuit dans les relations entre la structure spatiale urbaine et la vitalité urbaine.

En résumé, la recherche sur la vitalité urbaine a évolué d'analyses théoriques traditionnelles à grande échelle vers des études quantitatives spatiotemporelles appuyées par de grandes masses de données géospatiales. Néanmoins, des limites importantes persistent. Les études existantes continuent d'insister sur la quantification à grande échelle des caractéristiques spatiales physiques, tout en accordant relativement peu d'attention à l'hétérogénéité spatiotemporelle selon laquelle la structure spatiale urbaine influence la vitalité urbaine. De plus, les mesures affinées intégrant la dimension de la perception humaine restent limitées, ce qui restreint la capacité des approches actuelles à soutenir des pratiques de planification détaillées, telles que le renouvellement urbain au niveau de la rue. À partir de ces lacunes dans les connaissances, cette étude formule les hypothèses suivantes : (1) la structure spatiale urbaine exerce des influences significatives et différenciées spatiotemporellement sur la vitalité urbaine ; et (2) les effets des indicateurs de la structure spatiale urbaine sur la vitalité urbaine présentent une non-stationnarité spatiale importante.

Les principales innovations de cette étude sont triples. Premièrement, en intégrant des ensembles de données géospatiales provenant de multiples sources, notamment les données de cartes thermiques de Baidu et des images à hauteur de rue, cette étude quantifie la vitalité urbaine du point de vue des activités quotidiennes des habitants, permettant ainsi une mesure précise et objective à une échelle centrée sur l’humain. En s’appuyant sur le cadre traditionnel des « 5D », l’étude intègre une dimension de perception humaine et développe un système indicateur à six dimensions de la structure spatiale urbaine, comprenant la fonctionnalité, la forme architecturale, l’accessibilité, les caractéristiques socioéconomiques, l’espace écologique et la perception humaine. Ce cadre pallie les limites des études antérieures, qui mettaient principalement l’accent sur des variables spatiales physiques et socioéconomiques, et permet d’associer une analyse spatiale à grande échelle à une mesure centrée sur l’humain à petite échelle. Deuxièmement, cette étude utilise le modèle de régression géographiquement pondérée à plusieurs échelles (MGWR) afin de surmonter l’hypothèse de stationnarité globale des approches de régression classiques. Ce modèle permet d’identifier les effets spatiaux locaux et les relations dépendant de l’échelle entre la structure spatiale urbaine et la vitalité urbaine diurne et nocturne, révélant ainsi un couplage spatiotemporel non stationnaire entre la structure spatiale urbaine et la vitalité urbaine. Troisièmement, en prenant Yantai comme exemple de ville côtière représentative, cette étude examine systématiquement les mécanismes différenciés qui sous-tendent la vitalité urbaine diurne et nocturne, dans une perspective centrée sur l’humain et en tenant compte des caractéristiques spatiales propres aux zones côtières. Les résultats fournissent des preuves empiriques et un cadre méthodologique pour l’optimisation spatiale, le renforcement de la vitalité urbaine et la revitalisation urbaine dans des villes côtières comparables, tout en apportant des éléments quantitatifs destinés à appuyer une gouvernance spatiale urbaine centrée sur l’humain et plus fine.

Protocole

Cette étude a utilisé des données de cartes thermiques anonymisées et agrégées au niveau de la grille spatiale. Les données ne contiennent pas d'identifiants personnels ni d'informations au niveau individuel, et aucun sujet humain n'a été directement impliqué. Par conséquent, aucune approbation éthique, exemption ou évaluation par un comité d'éthique n'était requise.

Cadre de recherche
Afin d'explorer le mécanisme d'influence de la structure spatiale urbaine à l'échelle humaine sur la différenciation spatiotemporelle de la vitalité urbaine, cette étude propose un cadre de recherche illustré dans la Figure 1. Premièrement, à partir des données de cartes thermiques mesurant les attributs spatiotemporels des activités urbaines diurnes et nocturnes des résidents urbains, la vitalité urbaine diurne et nocturne de la zone urbaine principale de la ville de Yantai est évaluée ; deuxièmement, un système d'indicateurs multidimensionnel de la structure spatiale urbaine, incluant la fonctionnalité, l'accessibilité, la forme architecturale, l'aspect socio-économique, l'espace écologique et la perception humaine, est construit ; enfin, le modèle MGWR est utilisé pour révéler le mécanisme d'influence de la structure spatiale urbaine sur la différenciation spatiotemporelle de la vitalité urbaine. Des flux de travail détaillés concernant l'acquisition et le prétraitement des données, le calcul des indicateurs, l'analyse d'images et la mise en œuvre du modèle sont fournis dans les Fichiers Supplémentaires 1–4, et les flux de travail computationnels correspondants sont disponibles dans les Codes Supplémentaires 1–4. L'objectif est de fournir une base théorique et une référence pour le renouvellement urbain et la création de villes dynamiques dans le cadre de la nouvelle stratégie d'urbanisation.

Figure 1. Schéma du cadre de recherche. Ce schéma résume l'ensemble du flux de travail analytique, incluant l'acquisition de données spatiales multisources, le traitement des données, la construction d'indicateurs de structure spatiale urbaine, la mesure de la vitalité urbaine, la modélisation par régression géographiquement pondérée multiscale (MGWR) et les stratégies d'optimisation de la vitalité. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Aperçu de la zone d'étude
La ville de Yantai est située dans la partie nord-est de la péninsule du Shandong, bordant la mer Jaune et la mer de Bohai. C'est une ville portuaire importante de la province du Shandong. Elle administre cinq districts et six villes de niveau comtal, s'étendant sur une superficie totale de 13 930,1 km². Cette étude sélectionne la zone urbaine principale de la ville de Yantai (district de Zhifu) comme zone de recherche. Ce district couvre 179,18 km², compte une population enregistrée de 707 700 habitants et comprend 12 sous-districts (Figure 2).

Figure 2. Schéma du site d'étude. Les cartes montrent l'emplacement de la ville de Yantai, la zone urbaine principale située dans le district de Zhifu, les limites des sous-districts et l'élévation du terrain. Les couleurs plus foncées indiquent une altitude plus élevée. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Étant donné que cette étude se concentre sur le noyau urbain, où la zone d'étude est relativement petite et le réseau routier dense, l'échelle traditionnelle du bloc est insuffisante pour caractériser précisément la vitalité urbaine. En revanche, l'échelle de 300 m correspond étroitement à l'étendue spatiale du « cercle de vie de 5 minutes » et peut mieux représenter l'unité spatiale de base des activités quotidiennes des résidents. Le choix de l'échelle de la grille implique essentiellement un compromis entre la granularité de l'information et la stabilité statistique : une échelle plus fine préserve davantage de détails spatiaux, mais réduit la taille de l'échantillon dans chaque unité, augmente le bruit statistique et peut fragmenter les espaces d'activités piétonnes contigus, tandis qu'une échelle plus grande a tendance à lisser les variations locales et à masquer l'hétérogénéité spatiale. Une grille de 300 m permet de conserver des caractéristiques spatiales fines tout en améliorant la stabilité statistique et en réduisant les erreurs analytiques liées au choix de l'échelle. De plus, cette échelle correspond bien à la résolution spatiale des données multisources, notamment les données de carte thermique de Baidu, les points d'intérêt et les images de vue en rue, renforçant ainsi la précision analytique et la fiabilité des résultats. Par conséquent, cette étude a divisé la zone d'étude en 2 221 cellules à l'aide d'une grille de 300 m × 300 m afin de visualiser les motifs spatiotemporels de la vitalité urbaine à une échelle fine et d'explorer leur relation avec la structure spatiale urbaine. La grille a été générée dans ArcGIS 10.4 à l'aide de l'outil Create Fishnet dans le système de coordonnées Gauss à trois degrés CGCS2000. La grille a été ancrée au niveau des coordonnées XY minimales de la zone d'étude, puis découpée selon la limite de l'étude, ce qui a donné 2 221 unités d'analyse.

Construction du système indicateur
La construction d'un système d'indicateurs pour la structure spatiale urbaine constitue une étape importante dans l'évaluation de la vitalité urbaine. Elle reflète les caractéristiques globales d'une ville en matière d'agencement spatial, de mixité fonctionnelle, d'accessibilité et d'autres caractéristiques associées. Cette étude s'appuie sur la théorie « 5D » de la densité, du design, de la diversité, de la distance aux transports en commun et de l'accessibilité aux destinations. Elle élargit la méthode de représentation des éléments de la structure spatiale urbaine par rapport aux recherches existantes, en les divisant en six catégories et 15 facteurs : fonctionnalité, forme architecturale, accessibilité, économie sociale, espace écologique et perception humaine. Chaque facteur est analysé individuellement (Tableau 1). Les définitions complètes, les équations de calcul, les paramètres, les procédures de prétraitement et les méthodes de normalisation de tous les indicateurs sont fournis dans le Fichier supplémentaire 2.

Tableau 1 :  Système d'indicateurs de la structure spatiale urbaine. Ce tableau résume les six dimensions et les 15 indicateurs utilisés pour caractériser la structure spatiale urbaine, notamment la fonctionnalité, la forme architecturale, l'accessibilité, les caractéristiques socio-économiques, l'espace écologique et la perception humaine. Des définitions et des équations de calcul sont fournies pour chaque indicateur. Abréviations : POI, point d'intérêt ; FAR, rapport de surface au sol ; NDVI, indice de végétation par différence normalisée. Veuillez cliquer ici pour télécharger ce tableau.

Parmi eux, la fonctionnalité est l'un des indicateurs importants permettant de mesurer la vitalité spatiale urbaine, reflétant le degré d'interconnexion et d'intégration entre les différentes zones fonctionnelles. Une forte mixité fonctionnelle signifie que les zones résidentielles, économiques et de vie sont uniformément réparties et entrelacées, favorisant ainsi les activités humaines et renforçant la vitalité urbaine²⁶. L'évolution de la forme architecturale est associée à la vitalité, et la densité bâtie ainsi que le coefficient d'occupation des sols sont des indicateurs clés reflétant la compacité urbaine. L'accessibilité affecte directement la connectivité et l'efficacité des transports dans l'espace urbain. Cette étude sélectionne les indicateurs de proximité et de perméabilité pour représenter l'accessibilité. L'aspect socio-économique reflète la concentration des activités économiques et le niveau de développement économique régional. La distance par rapport au centre-ville et au centre commercial est utilisée pour caractériser l'activité socio-économique, des distances plus courtes indiquant généralement des activités économiques plus dynamiques²⁷. L'espace écologique constitue un facteur important influant sur la vitalité économique, sociale et culturelle de la ville. Cette étude utilise l'indice de proximité aux cours d'eau et l'indice de végétation par différence normalisée (NDVI) pour représenter la qualité environnementale et la vitalité écologique. La perception humaine met l'accent sur les formes spatiales urbaines et les caractéristiques environnementales auxquelles les habitants sont fréquemment confrontés dans leur vie quotidienne, notamment les espaces publics urbains et les interfaces extérieures des bâtiments (telles que les rues, les bâtiments, la végétation et les parcs), ainsi que leurs impacts économiques, sociaux et écologiques associés. Dans cette étude, la continuité bâtie, le facteur de vision du ciel et la marchabilité sont retenus pour représenter cette dimension. Ces indicateurs permettent de mieux saisir la contribution de la perception humaine à la vitalité urbaine et complètent les systèmes d'indicateurs classiques fondés principalement sur des variables objectives.

Notamment, la mesure des environnements construits traditionnels diffère fondamentalement de l'évaluation de la structure spatiale urbaine centrée sur l'humain adoptée dans cette recherche. Les méthodes traditionnelles utilisent des unités physiques à grande échelle, telles que les parcelles foncières et les quartiers, comme unités d'analyse. S'appuyant sur des ensembles de données statiques comme la classification de l'occupation des sols, les empreintes au sol des bâtiments et les données sur le réseau routier, elles quantifient l'intensité du développement et l'agencement fonctionnel. Ces évaluations classiques analysent les conditions physiques spatiales selon une perspective planificatrice descendante. Bien que ces méthodes caractérisent précisément les attributs matériels de l'espace urbain, elles ne parviennent pas à rendre compte des perceptions sur site des habitants ni de leurs expériences piétonnières à micro-échelle. En revanche, le cadre centré sur l'humain déplace l'accent de la recherche des attributs spatiaux intrinsèques vers les interactions entre l'humain et son environnement. Ce changement de paradigme comprend trois transformations majeures. Premièrement, en ce qui concerne le contenu de la mesure, l'étude s'étend au-delà des indicateurs physiques classiques tels que la densité des bâtiments et la proportion d'occupation des sols, en intégrant des dimensions liées à l'expérience, telles que la perception visuelle, la marchabilité, la sécurité et le confort. Trois indicateurs correspondants sont retenus dans cette étude : la continuité des bâtiments, le facteur de vision du ciel et la marchabilité. Deuxièmement, en ce qui concerne les sources de données, les cartes d'urbanisme et les données de télédétection sont complétées par des images de vue au niveau de la rue et une segmentation sémantique par apprentissage profond, qui capturent les caractéristiques spatiales selon la perspective oculaire des piétons. Troisièmement, l'unité d'analyse est affinée davantage, passant de l'échelle du bloc à des segments de rue ou à des champs visuels individuels. Il convient de souligner que la mesure centrée sur l'humain ne remplace pas l'évaluation traditionnelle de l'environnement bâti, mais la complète en modifiant le point de vue de la recherche et l'échelle spatiale. Ces deux approches diffèrent par leur objectif, leur système d'indicateurs, leur échelle d'analyse et leurs finalités pratiques, et offrent ensemble un cadre analytique complet pour évaluer la structure spatiale urbaine.

Sources de données et traitement
Données de cartes thermiques de Baidu :
Les données thermiques urbaines utilisées dans cette recherche proviennent du service de localisation ouvert de Baidu Maps, générées par l'exploitation de vastes enregistrements anonymes de comportements d'utilisateurs. Ce jeu de données capture la répartition réelle de la population en regroupant les informations de localisation provenant des utilisateurs d'applications mobiles et en projetant ces coordonnées géographiques sur des grilles spatiales à l'aide de requêtes de service de localisation en temps réel.

Nous avons récupéré les données de carte thermique couvrant la zone urbaine centrale de Yantai du 13 au 17 juin 2022 (cinq jours ouvrables consécutifs) en appelant l'API de la plateforme ouverte Baidu Map (https://lbsyun.baidu.com/). Les données ont été collectées toutes les 2 heures, de 07h00 à 24h00 chaque jour. L'ensemble du flux de travail relatif à l'acquisition des données, au prétraitement, au débruitage, à la classification temporelle, à la transformation spatiale, à l'estimation de la densité par noyau et au calcul de la vitalité urbaine est fourni dans le Fichier Supplémentaire 1, et le script correspondant de prétraitement est fourni dans le Code Supplémentaire 1. Nous avons en outre divisé chaque journée en période diurne (07h00–18h00) et en période nocturne (18h00–24h00) afin de quantifier séparément les variations journalières de la vitalité urbaine. Les requêtes à l'API incluaient la clé d'accès (AK) à Baidu Maps et une limite géographique de la zone d'étude définie selon le système BD09. Le niveau de zoom de la carte était fixé à 16, avec une taille de tuile de 256 × 256 pixels, et l'interface retournait les données de carte thermique au format JSON. Lors du post-traitement, toutes les coordonnées BD09 ont été converties dans le système de coordonnées WGS84 afin d'assurer la précision et la cohérence spatiales pour les analyses ultérieures. Le reste du flux de travail de prétraitement est fourni dans le Fichier Supplémentaire 1 et le Code Supplémentaire 1. Toute la visualisation spatiale a été réalisée à l'aide d'ArcGIS (v10.4) (RRID : SCR_011081).

Juin correspond à la fin du printemps à Yantai, avec un temps doux propice aux activités en plein air, et les habitudes de déplacement des habitants ce mois-là reflètent des niveaux d'activité moyens habituels. Toutes les journées d'échantillonnage étaient claires et sans nuages, éliminant ainsi les perturbations de la mobilité humaine causées par des conditions météorologiques extrêmes et rendant les cartes thermiques de population adaptées à l'identification des schémas courants de vitalité urbaine.

Afin de vérifier la fiabilité des mesures de vitalité dérivées des cartes thermiques, nous avons intégré les données de luminosité nocturne NPP-VIIRS pour une comparaison croisée. Le jeu de données sur la luminosité nocturne a été publié par Chen Zuqi et al. dans Earth System Science Data, intitulé Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018), et est accessible publiquement via le dépôt Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).

Les résultats de la comparaison spatiale ont montré une forte cohérence entre les zones d'activité urbaine identifiées à partir d'images de l'éclairage nocturne et les zones à forte et faible vitalité extraites des données de carte thermique dans cette étude. La comparaison entre l'intensité de la lumière nocturne et la vitalité urbaine dérivée de la carte thermique est présentée dans la figure supplémentaire 1. Afin d'évaluer la fiabilité des données, les valeurs aberrantes ont d'abord été éliminées et les jeux de données ont été normalisés avant d'être reprojetés dans le système de coordonnées WGS84. Les données d'éclairage nocturne ont ensuite été rééchantillonnées sur une grille de 300 m × 300 m à l'aide d'une interpolation bilinéaire afin d'assurer un alignement spatial avec les données de carte thermique. L'accord entre les deux jeux de données a été évalué à l'aide du coefficient de corrélation de Pearson (r ≥ 0,6) et du taux de superposition spatiale des grappes LISA (≥70 %) comme critères d'acceptation.

Du point de vue des sources de données, les données de signalisation téléphonique mobile offrent une couverture démographique complète et des informations détaillées sur les trajectoires, mais elles sont difficiles à obtenir et nécessitent un prétraitement complexe, ce qui les rend moins adaptées aux études à long terme et à fine échelle. Les données de géolocalisation et d'avis sur les réseaux sociaux, quant à elles, capturent principalement des activités liées à la consommation et aux loisirs, avec un biais comportemental marqué et une stabilité temporelle relativement faible. En revanche, les données de cartes thermiques de Baidu utilisées dans cette étude sont faciles d'accès, continues dans le temps et disponibles à une résolution spatiale plus élevée, ce qui les rend particulièrement adaptées à la surveillance à l'échelle de la grille des dynamiques de vitalité jour-nuit dans la zone urbaine principale. Combinées aux données POI et aux données d'images de rues afin d'enrichir la représentation des attributs spatiaux, cette approche peut refléter plus précisément les schémas d'activités quotidiennes des résidents et s'aligne bien sur l'échelle de recherche et les objectifs analytiques de cette étude.

Éléments de la structure spatiale urbaine :
Données spatiales urbaines de base :
À partir de l'interface d'un service de cartographie en ligne, un total de 37 851 points d'intérêt (POI) ont été collectés, répartis en 11 catégories fonctionnelles, incluant l'hébergement, le commerce de détail, la restauration, les zones résidentielles, les infrastructures de transport, les équipements du quotidien, les installations sportives et de loisirs, ainsi que les équipements de service public. Des procédures supplémentaires de prétraitement et des détails de calcul sont fournis dans le Fichier supplémentaire 2. Les données de POI ont été extraites en juillet 2024 à l'aide de l'API Baidu Map, selon une stratégie de recherche basée sur une grille de 500 m. Lors du prétraitement, les doublons ont été supprimés et les enregistrements non valides ont été exclus en se basant sur les limites administratives du district de Zhifu, les étiquettes d'attribut manquantes et les écarts importants des coordonnées, afin de garantir la précision spatiale et l'intégrité du jeu de données.

Les données sur les empreintes bâties urbaines et le réseau routier ont été obtenues à partir d'OpenStreetMap (OSM ; RRID : SCR_007854), une plateforme géospatiale open source (https://www.openstreetmap.org). Les données sur l'occupation des sols ont été acquises auprès du Centre national d'information géographique de base (https://www.gscloud.cn/search).

Comme indiqué dans le Tableau 1, la densité spatiale de chaque type d'équipement reflète le caractère fonctionnel des unités spatiales individuelles à travers des motifs de regroupement ; par ailleurs, les valeurs d'entropie quantifient le degré de diversité fonctionnelle au sein de chaque unité. L'ensemble des équations de calcul, des procédures de prétraitement, des paramètres et des méthodes de normalisation sont fournis dans le Fichier Supplémentaire 2.

Les données vectorielles de bâtiments ont été analysées selon des perspectives bidimensionnelles (2D) et tridimensionnelles (3D) afin d'évaluer l'intensité de construction urbaine, notamment à l'aide d'indicateurs de densité de construction et de rapport de surface plancher (FAR). À partir des données du réseau routier urbain, l'accessibilité de chaque unité spatiale a été calculée à l'aide de la boîte à outils d'analyse spatiale de réseau (sDNA, RRID : SCR_017646)²⁸, en intégrant des indicateurs de proximité et d'intermédiarité.

En choisissant un rayon de 300 m comme échelle d'analyse pour cet indicateur, cette distance est définie à partir des tronçons de rue et englobe toutes les routes topologiquement connectées dans ce rayon. Cela permet une analyse statistique complète des changements dans la morphologie du réseau routier — notamment la densité des coins et la connectivité des nœuds — au sein de l'étendue spatiale désignée. L'approche met délibérément l'accent sur les schémas de corrélation spatiale locale entre les rues, facilitant ainsi l'identification précise des rues fortement connectées au niveau du bloc — un choix méthodologique conforme au cadre théorique de la vitalité spatiale urbaine centré sur l'échelle du bloc^29,30. Un réseau routier topologique a été construit à partir des données vectorielles de routes OSM en regroupant les tronçons de route bidirectionnels en une seule ligne centrale. L'accessibilité a été calculée à l'aide du plugin sDNA dans ArcGIS 10.4, en se basant sur les indices de proximité et d'intermédiarité, les totaux de points d'intérêt (POI) par grille étant utilisés comme poids pour représenter le potentiel d'activité spatiale. Tous les paramètres sDNA ont été conservés à leurs valeurs par défaut, sauf pour un rayon de recherche défini par l'utilisateur de 300 m. De plus, cette échelle spatiale correspond étroitement au concept de « cercle de vie de 5 minutes » et s'ajuste bien aux dimensions physiques des blocs historiques du district de Zhifu, ville de Yantai, ainsi qu'à la portée typique des déplacements à pied quotidiens des résidents.

Données d'images de type vue panoramique :
En combinant les données du réseau routier d'OSM avec la technologie SIG, des points d'échantillonnage d'images de vue panoramique ont été définis. Premièrement, les lignes médianes des routes dans la zone d'étude ont été extraites, et les routes à double sens ont été simplifiées en lignes uniques. Des points d'échantillonnage ont été répartis régulièrement tous les 50 m le long des lignes médianes des routes. Ensuite, tous les points d'échantillonnage ont été attribués au même système de coordonnées projetées utilisé pour l'analyse SIG, afin de garantir une correspondance précise des positions spatiales.

À l'aide de Python (RRID : SCR_008394), l'API Street View Image (http://api.map.baidu.com/lbsapi/) a été utilisée pour collecter des images. Le flux de travail complet d'acquisition est fourni dans le Fichier Supplémentaire 3 et le Code Supplémentaire 3. Un total de 1 599 points d'échantillonnage ont été générés. Lors de l'acquisition des images, la largeur de perspective de chaque image a été fixée à 90°, et l'angle de vue horizontal à 0°. Des images ont été collectées dans les directions avant, arrière, gauche et droite à chaque point d'échantillonnage, et l'acquisition n'a été effectuée qu'en conditions météorologiques claires, sans pluie, neige ou brouillard dense, afin de garantir la qualité des images. Enfin, le programme OpenCV a été utilisé pour assembler les images multidirectionnelles et optimiser les transitions entre celles-ci, générant ainsi des images panoramiques assurant une couverture complète de l'environnement spatial de la rue. La zone d'étude couvrait au total 3 251 trajets routiers. Les paramètres de requête de l'API comprenaient la clé d'accès du développeur (AK), les coordonnées des points, le point de vue de l'image et l'orientation de la prise de vue. Les images capturées ont été redimensionnées uniformément à 480 × 360 pixels (RVB) pour les analyses ultérieures. La qualité des images a été assurée par un tri basé sur les conditions météorologiques, l'acquisition d'images multidirectionnelles et une segmentation sémantique ultérieure basée sur SegNet afin de vérifier l'utilisabilité des images et d'extraire des indicateurs de vue en rue.

Nous avons adopté le réseau d'apprentissage profond SegNet (RRID : SCR_017042), un réseau neuronal entièrement convolutionnel, afin d'extraire les caractéristiques des paysages urbains. Le modèle classe les pixels d'image en cinq catégories : ciel, trottoirs, voies de circulation, bâtiments et espaces verts. Les résultats de classification des pixels ont ensuite été utilisés pour calculer la proportion de surface de chaque élément spatial au sein de chaque image en vue panoramique. L'implémentation détaillée du modèle, le flux de travail de segmentation sémantique, les procédures de validation ainsi que le calcul des indicateurs liés à la perception humaine sont fournis dans le Fichier Supplémentaire 3, le Code Supplémentaire 2 et le Code Supplémentaire 4. SegNet a été implémenté dans PyTorch (v1.0) à l'aide de poids pré-entraînés disponibles publiquement, eux-mêmes entraînés sur le jeu de données MIT ADE20K. Lors de l'inférence, les images ont été traitées individuellement afin de produire des cartes de segmentation sémantique au niveau du pixel, qui ont ensuite été utilisées pour calculer la surface proportionnelle de chaque élément du paysage urbain. Les performances du modèle ont été évaluées à l'aide d'une validation croisée à cinq plis.

Méthodes de recherche
Méthodes quantitatives pour mesurer la vitalité urbaine :
L’analyse de densité par noyau estime la densité de points ou de lignes à l’aide d’une fenêtre de recherche mobile, permettant une représentation intuitive et précise des caractéristiques de regroupement spatial des éléments urbains ainsi que de la concentration et de la dispersion de la vitalité urbaine. Cette étude a utilisé l’estimation de densité par noyau pour effectuer une interpolation continue des données de carte thermique afin de caractériser l’agrégation spatiale des usagers et la dynamique spatiotemporelle de la vitalité urbaine. Une estimation de densité par noyau gaussien a été appliquée avec un rayon de recherche principal (bande passante) de 500 m. Afin d’évaluer la robustesse des résultats, huit autres bandes passantes (200, 300, 400, 600, 700, 800, 900 et 1 000 m) ont également été testées, et les valeurs moyennes de RV obtenues pour chaque cellule de grille de 300 m × 300 m ont montré une forte cohérence entre les différentes bandes passantes. L’interpolation a utilisé le champ « Value » comme variable de pondération, aucune correction de bord n’a été appliquée, et toutes les analyses de densité par noyau ont été réalisées dans ArcGIS 10.4 (RRID : SCR_011081). Son expression mathématique est la suivante (Équation 1) :

(1)

Ici, n représente le nombre de points de données ; h est la largeur de bande ; et (x − x_i) désigne la distance entre le point d'estimation x et l'échantillon xⁱ.

Méthode d'analyse du modèle spatial dynamique urbain :
L'autocorrélation spatiale est utilisée pour caractériser le degré d'association spatiale entre des valeurs d'attribut identiques dans différentes unités spatiales. Elle se divise en autocorrélation globale et en autocorrélation locale.

Autocorrélation spatiale globale :
L'autocorrélation spatiale globale (indice I de Moran global) a été utilisée pour évaluer le degré d'association spatiale sur l'ensemble de la zone d'étude. Elle mesure la similarité ou la corrélation des variables dans l'espace en quantifiant la relation entre la valeur d'un attribut en un lieu donné et celles des lieux voisins, représentée par le coefficient I de Moran global. Une matrice de poids spatiaux a été construite à l'aide d'une grille d'analyse de 300 m × 300 m en utilisant la contiguïté de type « reine » pour définir les unités voisines, et les poids ont été standardisés par ligne. L'indice I de Moran global a été calculé à l'aide des outils de statistiques spatiales d'ArcGIS 10.4 (RRID : SCR_011081), et la signification statistique a été évaluée selon l'approximation normale (test z) au seuil de confiance de 95 %. Son expression mathématique est la suivante (Équation 2) :

(2)

Ici, I représente l'indice d'autocorrélation ; n est le nombre total d'unités étudiées ; y_i et y_j sont les indicateurs de classification des régions i et j, respectivement ; y′ est la moyenne des indicateurs de classification ; et W_ij est la matrice de poids spatiaux représentant le degré d'association entre différentes régions.

Autocorrélation spatiale locale :
L'autocorrélation spatiale locale (LISA) mesure le degré d'association spatiale présenté par l'objet d'étude au niveau local, permettant d'identifier des grappes locales et des valeurs aberrantes spatiales au sein de la zone étudiée, et offrant une compréhension plus détaillée de l'hétérogénéité spatiale³¹. La statistique locale la plus couramment utilisée est l'indice de Moran local. Une matrice de poids spatiaux a été construite selon la contiguïté de type « reine », où les cellules de grille voisines sont définies comme celles partageant soit une frontière commune, soit un sommet. La significativité statistique a été évaluée au seuil de 0,05 à l'aide de 999 permutations aléatoires. Aucune correction pour tests multiples n'a été appliquée, et toutes les analyses ont été réalisées à l'aide d'ArcGIS 10.4 (RRID : SCR_011081). L'expression mathématique est la suivante (Équation 3) :

(3)

Ici, x_i et x_j représentent respectivement les valeurs de vitalité urbaine des régions i et j ; x′ est la vitalité urbaine moyenne sur l'ensemble des régions ; S² est la variance ; et W_ij est la matrice de poids spatiaux représentant le degré d'association spatiale entre les régions.

Méthodes de recherche sur l'hétérogénéité spatiale de la vitalité urbaine :
Régression pondérée géographiquement multi-échelle (MGWR)
Le modèle MGWR utilise l'algorithme de recherche par section dorée pour réduire itérativement l'intervalle de recherche et déterminer la largeur de bande optimale pour chaque coefficient de régression. Cette approche minimise le bruit lors de l'estimation des paramètres et améliore la performance prédictive du modèle. Des informations détaillées sur la méthode de sélection de la largeur de bande (adaptative ou fixe), la fonction noyau, la plage de recherche de la largeur de bande, les critères de convergence, la tolérance d'arrêt et les procédures de standardisation des prédicteurs sont fournies dans le Fichier supplémentaire 4. La formule de calcul est la suivante (Équation 4) :

(4)

Ici, bw_j représente la largeur de bande utilisée pour le coefficient de régression de la j-ième variable ; k désigne le nombre de variables explicatives ; x_ij correspond au j-ième prédicteur pour la i-ième grille ; (u_i, v_i) représentent les coordonnées du centroïde de la i-ième grille ; β_(bwj) est le coefficient de régression estimé à l'aide de la largeur de bande correspondante ; et ε_i est le terme d'erreur aléatoire.

La configuration détaillée du modèle, les procédures d'optimisation de la bande passante et le flux de travail de mise en œuvre sont fournis dans le Fichier supplémentaire 4, tandis que les sorties complètes du modèle pour la journée et la nuit sont disponibles respectivement dans les Fichiers supplémentaires 5 et 6. Les diagnostics de régression par moindres carrés ordinaires sont fournis dans le Fichier supplémentaire 7.

Du point de vue de la théorie du développement urbain, du champ de recherche et de l'applicabilité pratique, la régression géographiquement pondérée multi-échelle (MGWR) présente des avantages distincts par rapport à la régression linéaire classique (moindres carrés ordinaires, OLS) et à la régression géographiquement pondérée conventionnelle (GWR). L'OLS utilise un cadre de modélisation global, supposant des effets uniformes de toutes les variables explicatives sur l'ensemble de la zone étudiée. Cette hypothèse ignore l'hétérogénéité spatiale intrinsèque des systèmes urbains, produisant des estimations de paramètres moyennées qui échouent souvent à rendre compte des réalités locales et offrent donc un soutien limité à l'élaboration de politiques adaptées au contexte. Bien que la GWR traditionnelle tienne compte de la non-stationnarité spatiale, elle impose une seule fenêtre d'analyse, c'est-à-dire une échelle spatiale uniforme, pour toutes les variables. Cette contrainte contredit les preuves empiriques indiquant que différents éléments urbains (par exemple, les infrastructures de transport, la mixité d'usages du sol ou les espaces verts) exercent une influence sur des étendues spatiales nettement différentes. Par conséquent, cette sur-simplification peut introduire un biais du modèle et compromettre la validité analytique. La MGWR surmonte cette limitation en estimant des fenêtres d'analyse individuelles, spécifiques à chaque variable, en fonction de la portée spatiale d'influence observée empiriquement pour chaque prédicteur. En conséquence, elle rend plus fidèlement compte des mécanismes dépendant de l'échelle par lesquels la structure spatiale urbaine façonne la vitalité urbaine. Cette avancée enrichit non seulement la compréhension théorique des interactions homme-environnement dans les villes, mais renforce également l'utilité pratique en permettant une hiérarchisation différenciée des interventions spatiales et en fournissant un soutien quantitatif fondé sur des données probantes pour améliorer la vitalité urbaine. Les flux de travail informatiques sont fournis dans les Codes supplémentaires 1–4.

Résultats

Analyse du modèle spatial de la vitalité urbaine
Caractéristiques de la répartition spatiale de la vitalité urbaine :
Afin d’examiner plus précisément l’évolution spatiotemporelle de la vitalité urbaine dans la zone urbaine principale de Yantai pendant la journée et la nuit, nous avons mené une analyse de densité par noyau basée sur des données de cartes thermiques, combinée aux schémas d’activités quotidiennes des habitants, et utilisé un logiciel de système d’information géographique (SIG) pour visualiser la vitalité urbaine durant différentes périodes. Comme le montre la Figure 3, la vitalité urbaine dans la zone urbaine principale de Yantai présente une dynamique spatiotemporelle nette caractérisée par un modèle d’agrégation–dispersion–agrégation entre 7 h et 23 h. La répartition spatiale des zones à forte et faible vitalité pendant la journée et la nuit est très similaire, indiquant que les fluctuations de la vitalité urbaine entre ces périodes sont relativement stables.

Figure 3. Répartition spatiotemporelle de la vitalité urbaine dans la zone urbaine principale de Yantai. Les cartes périphériques montrent la vitalité urbaine à différents moments, et les cartes centrales résument les schémas de vitalité diurne et nocturne. Les couleurs plus chaudes indiquent une vitalité plus élevée. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Du point de vue spatial, la vitalité urbaine dans la zone urbaine principale de Yantai est généralement plus élevée au nord-est et plus faible au sud-ouest, présentant une structure spatiale complexe caractérisée à la fois par un modèle « centre–périphérie » et une configuration « multicentrique ». Les zones à forte vitalité urbaine sont principalement concentrées dans la section nord-est, incluant les rues Tongshen, Yuhuangding et Xiangyang, ainsi que le long des routes Dahaiyang et Airport Road. En outre, la vitalité est relativement élevée dans la partie est de la rue Zhichu et dans la partie centrale de la rue Fenghuangtai. La vitalité urbaine dans la zone urbaine principale de Yantai est également fortement influencée par les conditions topographiques. Les zones montagneuses de la région centrale, telles que Huangjinding, Zhenshan et Jinkuangding, sont classées comme des zones à faible vitalité. Pendant la journée, la vitalité de ces zones est quelque peu renforcée par des activités telles que la randonnée et les loisirs, tandis que la vitalité nocturne est extrêmement faible. Ce modèle indique une disparité spatiale marquée dans la répartition de la vitalité urbaine, qui a tendance à se concentrer dans les zones résidentielles à forte densité, les destinations récréatives et les lieux dotés d’un bon accès aux transports. Cette structure spatiale composite confirme la relation de couplage entre la zonification fonctionnelle urbaine et la mobilité de la population. Par ailleurs, les rôles importants du relief et des transports renforcent davantage l'hypothèse selon laquelle plusieurs structures spatiales urbaines agissent conjointement pour façonner la vitalité urbaine.

Du point de vue temporel, la vitalité urbaine dans la zone urbaine principale de Yantai est principalement façonnée par les activités professionnelles et de loisirs des habitants. La période allant de 07h00 à 18h00 englobe la pointe matinale ainsi que les heures diurnes de travail et d’étude, durant lesquelles les habitants se déplacent généralement de leur domicile vers leur lieu de travail, provoquant un changement du schéma spatial de la vitalité urbaine, passant d’un état d’agrégation à un état de dispersion. La période allant de 18h00 à 23h00 inclut la pointe du soir et les heures de loisirs. En particulier, après 22h00, la répartition spatiale de la vitalité urbaine devient plus concentrée, tandis que les niveaux globaux de vitalité diminuent. Cela reflète le fait que, d’une part, les habitants rentrent chez eux après leurs activités professionnelles et de loisirs, et que, d’autre part, les espaces urbains auparavant actifs ralentissent progressivement pour la nuit. Dans l’ensemble, la variation jour-nuit de la vitalité urbaine est clairement déterminée par les routines quotidiennes de travail et de repos des habitants. Les heures de la journée (07h00–18h00) représentent la période de pointe de la vitalité urbaine, caractérisée par des niveaux de vitalité plus élevés, une couverture spatiale plus étendue et très peu de zones à faible vitalité. En revanche, les heures nocturnes (18h00–23h00) se caractérisent par une réduction progressive de l’étendue des activités, la vitalité se concentrant de plus en plus dans les zones résidentielles. Ces résultats démontrent clairement l’influence temporelle des activités de travail et de repos sur la vitalité urbaine dans la zone urbaine principale de Yantai, révèlent ses caractéristiques d’évolution diurne, atteignent l’objectif principal d’identifier le schéma spatiotemporel de la vitalité urbaine et appuient l’hypothèse selon laquelle les rythmes d’activité quotidienne des habitants sont étroitement liés à la vitalité urbaine.

Caractéristiques de regroupement spatial de la vitalité urbaine :
L'indice global de Moran I a été utilisé pour examiner l'autocorrélation spatiale de la vitalité urbaine dans la zone urbaine principale de la ville de Yantai. Les résultats montrent que les valeurs de Moran I pour la vitalité urbaine diurne et nocturne sont respectivement de 0,722 et 0,736. Le test de significativité indique que la vitalité urbaine dans la zone urbaine principale de la ville de Yantai présente un regroupement significatif à la fois pendant la journée et la nuit, avec un effet de regroupement plus marqué la nuit que pendant la journée.

Comme le montre la Figure 4, la vitalité urbaine dans la zone urbaine principale de Yantai suit principalement deux modèles de regroupement : un regroupement « élevé–élevé » et un regroupement « bas–bas ». Bien que la distribution spatiale globale présente un modèle composite irrégulier combinant « centre–périphérie » et « un noyau avec plusieurs points », le « centre » et la « périphérie » sont spatialement séparés, et les zones de transition entre eux contiennent un grand nombre de zones sans regroupement significatif. Les résultats de l'analyse d'autocorrélation spatiale identifient clairement les modèles de regroupement et la différenciation spatiale de la vitalité urbaine, atteignant ainsi l'objectif de recherche de reconnaissance des motifs. Ces résultats soutiennent également les hypothèses de recherche pertinentes, s'inscrivent étroitement dans le cadre analytique global de cette étude et fournissent une base pour une analyse approfondie des effets différenciés de la structure spatiale.

Figure 4. Agrégation spatiale locale de la vitalité urbaine en journée et en soirée. Les cartes des indicateurs locaux d'association spatiale (LISA) montrent les agrégats spatiaux de type haut-haut, haut-bas, bas-haut, bas-bas et non significatifs pour la vitalité en journée et en soirée. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Effets de l'hétérogénéité spatiale fondés sur la MGWR de la structure spatiale urbaine sur la vitalité urbaine
Pour éviter les biais d'estimation dus à l'influence mutuelle entre les différents facteurs de la structure spatiale urbaine, le facteur d'inflation de la variance (VIF) a été utilisé pour tester toutes les variables explicatives. Plus la valeur du VIF est élevée, plus la multicolinéarité est importante. En général, une valeur de VIF supérieure à 7,5 indique que la variable explicative est redondante³². Les résultats du test sont présentés dans Tableau 2. Toutes les valeurs de VIF sont inférieures à 7,5, ce qui indique que les indicateurs sélectionnés ne présentent pas de multicolinéarité. Les indicateurs dont p > Les valeurs inférieures à 0,05 ont ensuite été exclues car elles étaient considérées comme n'ayant pas d'impact significatif sur la vitalité urbaine. Après la sélection des variables, les sept facteurs finaux — diversité des POI, fonction de vie, fonction résidentielle, densité des bâtiments, proximité, distance au centre d'affaires (DBC) et marchabilité — ont été retenus comme variables explicatives pour construire le modèle MGWR (RRID : SCR_017651). Cette étape a permis de finaliser le processus de sélection des variables, et les facteurs centraux retenus sont cohérents avec le cadre de recherche, garantissant ainsi que l'analyse ultérieure du modèle puisse valider efficacement l'hypothèse de recherche.

Variable	p-valeur	Facteur d'inflation de la variance (VIF)
Diversité des POI	0	1,946
Fonction économique	0,025	3,15
Fonction vitale	0,004	3,834
Fonction résidentielle	0,001	1,925
Densité de construction	0	3,062
Rapport surface plancher	0,084	5,723
Proximité	0	1,732
Intermédiarité	0,952	2,022
Distance au centre-ville	0,458	1,407
Distance au centre d'affaires	0,009	1,498
Indice de proximité de l'eau	0,06	1,132
Indice de végétation par différence normalisée (NDVI)	0,118	1,049
Continuité des bâtiments	0,364	2,746
Facteur de visibilité du ciel	0,22	1,177
Pédestrianité	0,004	2,094

Tableau 2 : Évaluation de la multicolinéarité des variables explicatives candidates. Le tableau présente la significativité statistique (valeur p) et le facteur d'inflation de la variance (VIF) pour chaque variable explicative candidate utilisée lors de la sélection des variables avant l'analyse de régression géographiquement pondérée multiscale (MGWR). Les variables conservées pour la modélisation ultérieure satisfaisaient aux critères de sélection statistique prédéfinis. Abréviation : VIF, facteur d'inflation de la variance.

Effet de l'ajustement du modèle :
L'analyse de modélisation a été réalisée selon trois approches : le modèle OLS global, le modèle GWR traditionnel et le modèle MGWR. La convergence du modèle reposait sur le critère SOC-f (lissage f), dans lequel la variation maximale absolue de tous les coefficients de régression estimés entre deux itérations successives était utilisée comme critère de convergence. Le seuil de convergence a été fixé à 1,0 × 10⁻⁵, et le nombre maximal d'itérations a été fixé à 200. Les modèles diurne et nocturne ont adopté les mêmes paramètres méthodologiques, notamment la fonction noyau, la règle de recherche de la largeur de bande, le critère de convergence et d'autres réglages de paramètres, afin d'assurer la comparabilité des résultats ; seule la variable dépendante différait, et par conséquent les largeurs de bande optimales estimées ainsi que les coefficients de régression différaient également. Les résultats montrent que le modèle diurne a convergé après 28 itérations et le modèle nocturne après 34 itérations. Les deux modèles ont satisfait au seuil de convergence, indiquant que les résultats d'estimation étaient stables et fiables. Les indicateurs pour les trois modèles sont présentés dans le tableau 3.

Performance du modèle	Variable	OLS	GWR	MGWR
Performance du modèle	AICc	6703	4417	3463
	R² ajusté	0,62	0,56	0,8
Bandwidth variable optimale (MGWR)	Diversité des POI	—	53	239
	Fonction de vie	—	—	724
	Fonction résidentielle	—	—	256
	Densité de construction	—	—	237
	Proximité	—	—	921
	Distance au centre des affaires	—	—	2220
	Marchabilité	—	—	2220

Tableau 3 : Comparaison de la performance des modèles selon les moindres carrés ordinaires (OLS), la régression géographiquement pondérée (GWR) et la régression géographiquement pondérée multi-échelle (MGWR). Ce tableau compare la performance des modèles des moindres carrés ordinaires (OLS), de la régression géographiquement pondérée (GWR) et de la régression géographiquement pondérée multi-échelle (MGWR) à l’aide du critère d’information d’Akaike corrigé (AICc) et du coefficient de détermination ajusté (Adjusted R²). La bande passante optimale estimée pour chaque variable explicative dans le modèle MGWR est également indiquée, illustrant les échelles spatiales spécifiques à chaque variable dans l’analyse de régression. Abréviations : AICc, critère d’information d’Akaike corrigé ; OLS, moindres carrés ordinaires ; GWR, régression géographiquement pondérée ; MGWR, régression géographiquement pondérée multi-échelle.

Comme indiqué dans le Tableau 3, le modèle MGWR présente une valeur AICc plus faible et un R² ajusté plus élevé que les modèles OLS et GWR, ce qui démontre un meilleur ajustement du modèle. De plus, par rapport aux modèles OLS et GWR, le modèle MGWR permet à chaque variable explicative d'avoir sa propre bande passante optimale, les bandes passantes variant de 237 à 2 220. Cela indique que les effets des différentes variables sur la vitalité urbaine varient considérablement selon les échelles spatiales.

Parmi les variables, les bandes passantes du DBC et de la marchabilité sont proches de la taille totale de l'échantillon, ce qui suggère que leurs effets sont principalement globaux plutôt que locaux. Cela peut s'expliquer par le fait que ces facteurs présentent une variation spatiale relativement limitée dans la plupart des zones. En tant qu'indicateurs représentant les conditions socioéconomiques et les caractéristiques de l'environnement urbain étroitement liées à la perception humaine, ils exercent une influence globale sur la vitalité urbaine. En revanche, les cinq variables que sont la diversité des POI, la fonction de vie, la fonction résidentielle, la densité de construction et la proximité ont des bandes passantes relativement faibles, indiquant que leurs effets sont concentrés à l'échelle spatiale locale. Ces facteurs reflètent les demandes différenciées des résidents en matière de complexité fonctionnelle, d'environnement de vie et d'accessibilité, et peuvent donc attirer ou limiter différents types d'activités dans les espaces locaux, façonnant ainsi la vitalité urbaine.

En particulier, les bandes passantes de la diversité des POI, de la fonction résidentielle et de la densité de construction sont respectivement de 239, 256 et 237, représentant 11 %, 12 % et 11 % de l'échantillon complet. Les bandes passantes des fonctions de vie et de la proximité couvrent une proportion plus importante de l'échantillon, correspondant respectivement à 33 % et 41 %, ce qui suggère que leurs effets s'exercent sur une échelle spatiale plus étendue. Dans l'ensemble, les avantages du modèle MGWR sont évidents. Les échelles d'effet variables des variables explicatives renforcent davantage l'hypothèse d'hétérogénéité spatiale et confirment la pertinence du modèle retenu pour cette étude.

Signification de l'impact :
Les résultats statistiques des coefficients de régression obtenus à partir du modèle MGWR sont présentés dans le Tableau 4. D'après les valeurs absolues des coefficients de régression moyens, les contributions des variables de structure spatiale urbaine en journée sont classées comme suit : diversité des POI > accessibilité > densité des bâtiments > fonction de vie > fonction résidentielle > marchabilité > DBC. La nuit, l'ordre change légèrement : diversité des POI > fonction de vie = fonction résidentielle > densité des bâtiments > marchabilité > DBC > accessibilité.

Variable	Moyenne diurne	Écart-type diurne	Médiane diurne	Moyenne nocturne	Écart-type nocturne	Médiane nocturne
Diversité des POI	0.226	0.126	0.196	0.322	0.096	0.315
Fonction vitale	0.088	0.006	0.088	0.145	0.075	0.153
Fonction résidentielle	0.019	0.158	0.004	0.145	0.173	0.123
Densité bâtie	0.132	0.029	0.131	0.070	0.126	0.053
Proximité	0.165	0.188	0.121	0.030	0.048	0.024
Distance au centre commercial	−0.010	0.004	−0.010	0.032	0.003	0.031
Marchabilité	0.011	0.002	0.011	0.039	0.002	0.039

Tableau 4 : Statistiques descriptives des coefficients de régression estimés par le modèle de régression géographiquement pondéré à multiples échelles (MGWR). Le tableau résume la distribution des coefficients de régression estimés par le modèle de régression géographiquement pondéré à multiples échelles (MGWR) pour la vitalité urbaine diurne et nocturne. Pour chaque variable explicative, les coefficients de régression moyens, l'écart type (SD) et la médiane sont indiqués, permettant ainsi de comparer l'ampleur et la variabilité des effets entre les deux périodes. Abréviations : MGWR, multiscale geographically weighted regression ; SD, standard deviation.

Notamment, la diversité des POI démontre systématiquement la contribution la plus importante à la vitalité urbaine, tant en journée qu’en soirée, avec un effet positif. Cela indique que les zones caractérisées par une grande variété d'équipements urbains et un haut degré de mixité fonctionnelle sont particulièrement attractives pour les habitants des villes, renforçant ainsi la vitalité urbaine. En journée, les activités des résidents sont principalement orientées vers les déplacements domicile-travail, le travail de bureau et les services publics ; par conséquent, la proximité et la densité bâtie jouent un rôle important. En soirée, les activités des résidents s'orientent davantage vers le logement, les loisirs et la consommation locale, et les contributions des fonctions résidentielles et de vie augmentent significativement, tandis que celle de la proximité diminue nettement. Cette différence jour–nuit dans le classement reflète directement le changement structurel des mécanismes qui sous-tendent la vitalité urbaine à mesure que les habitudes quotidiennes des habitants évoluent, fournissant ainsi une base macroscopique pour une planification différenciée par zone et par période temporelle.

Comme illustré dans la Figure 5, l'analyse des variations des coefficients de régression et des différences dans les zones d'impact après le criblage des facteurs influents révèle que les effets de la fonction de vie, de la DBC et de la marchabilité sont relativement stables en journée. La fonction de vie et la marchabilité ont des effets positifs, tandis que la distance au centre d'affaires présente à la fois des effets positifs et négatifs. Les plages d'impact de la diversité des POI, de la fonction résidentielle et de l'accessibilité fluctuent fortement et présentent également des effets positifs et négatifs. L'influence de la densité bâtie varie dans une certaine mesure, mais reste positive. La nuit, les effets de la DBC et de la marchabilité sont plus stables et restent tous deux positifs. En revanche, les effets de la diversité des POI, de la fonction résidentielle et de la densité bâtie montrent des variations importantes, la diversité des POI présentant un effet positif, tandis que la fonction résidentielle et la densité bâtie démontrent des relations à la fois positives et négatives avec la vitalité urbaine. Les effets de la fonction de vie et de l'accessibilité varient également dans une certaine mesure.

Figure 5. Répartition des coefficients de régression issus du modèle de régression pondéré géographiquement multi-échelle. Les diagrammes en violon comparent les distributions des coefficients de jour et de nuit pour chaque facteur influent. Les régions plus larges indiquent une densité de coefficients plus élevée ; les valeurs positives indiquent des effets promoteurs, et les valeurs négatives indiquent des effets inhibiteurs. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Hétérogénéité spatiale de l'impact
Afin d'analyser davantage l'hétérogénéité spatiale des effets de la structure spatiale urbaine sur la vitalité urbaine, des échantillons présentant des niveaux d'influence significatifs ont été sélectionnés. Les coefficients de régression diurnes et nocturnes de chaque élément de la structure spatiale urbaine ont été visualisés (Figures 6 et 7). À l'aide de la méthode de classification par ruptures naturelles, les coefficients de régression ont été divisés en 10 niveaux afin d'illustrer l'étendue spatiale, l'intensité et les changements directionnels de leurs effets.

Figure 6. Répartition spatiale diurne des coefficients de régression géographiquement pondérés à plusieurs échelles. Les cartes montrent la variation spatiale des coefficients de régression diurnes pour la diversité des points d'intérêt, la fonction vitale, la fonction résidentielle, la densité des bâtiments, la proximité, S et la marchabilité. Les dégradés de couleur indiquent l'ampleur des coefficients, comme indiqué dans la légende de chaque panneau. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

Figure 7. Répartition spatiale nocturne des coefficients de régression géographiquement pondérée à plusieurs échelles. Les cartes montrent la variation spatiale des coefficients de régression nocturnes pour la diversité des points d'intérêt, la fonction vitale, la fonction résidentielle, la densité des bâtiments, la proximité, la distance par rapport au centre d'affaires et la marchabilité. Les dégradés de couleur indiquent l'amplitude des coefficients, comme indiqué dans la légende de chaque panneau. Veuillez cliquer ici pour afficher une version agrandie de cette figure.

La diversité des POI mesure la diversité et la complexité des fonctions urbaines au sein de chaque unité spatiale. Le mécanisme fondamental sous-jacent à la vitalité urbaine réside dans la diversité des destinations et les effets synergiques des activités. Plus la diversité des POI d'une zone est élevée, mieux elle peut satisfaire les besoins variés des résidents en matière de shopping, de restauration, de divertissement et de services quotidiens au sein d'un même espace, réduisant ainsi la nécessité de déplacements interrégionaux, prolongeant la durée de séjour des piétons et renforçant l'intensité d'utilisation de l'espace. Les résultats montrent que la diversité des POI exerce l'influence la plus forte sur la vitalité urbaine et présente une variation spatiale significative. Plus précisément, sa répartition est relativement concentrée dans les zones à effets élevés et faibles : des influences plus fortes sont principalement observées dans le centre-ville, tandis que des influences plus faibles se trouvent surtout en périphérie urbaine. Les coefficients de régression globaux sont majoritairement positifs, indiquant une relation clairement positive, à l'exception d'un petit nombre d'associations négatives faibles. Cela suggère que, dans la plupart des zones, une plus grande diversité des POI est associée à une vitalité urbaine accrue. En outre, la différenciation spatiale des effets de la diversité des POI sur la vitalité urbaine est plus marquée la nuit que pendant la journée, ce qui en fait le facteur le plus influent la nuit. Cette différence diurne peut être attribuée à la différenciation structurelle des besoins en activités des résidents entre le jour et la nuit. Pendant la journée, l'usage mixte du sol répond principalement aux déplacements domicile-travail et aux besoins de consommation fragmentés et à court terme durant les pauses, et son rôle dans l'attraction de l'activité piétonne est relativement limité. La nuit, en revanche, les activités humaines se tournent vers les loisirs, les interactions sociales et la consommation expérientielle. Dans ce contexte, les zones à forte diversité de POI peuvent offrir des scénarios de consommation nocturne variés et continus, prolongeant efficacement le temps passé en extérieur par les résidents et exerçant ainsi un effet stimulateur plus marqué sur la vitalité nocturne.

Les fonctions de la vie quotidienne englobent les équipements liés à l'éducation, à la science, à la culture, à la santé, aux transports et aux services publics qui répondent aux besoins quotidiens des habitants. Leur mécanisme d'influence réside dans la formation d'un réseau activité-destination : ces équipements attirent non seulement des flux piétons en eux-mêmes, mais génèrent également, grâce à leur synergie avec d'autres fonctions, des flux d'activités stables. Les résultats de régression montrent que l'effet positif des fonctions de la vie quotidienne sur la vitalité diurne reste stable, avec des coefficients compris entre 0,078 et 0,098, et seulement de légères fluctuations en intensité. En revanche, la plage de coefficients pour la période nocturne s'élargit à 0,005–0,256, indiquant une influence spatiale nettement plus étendue. En prenant les rues Zhichu et Xingfu comme zone centrale, le degré d'influence augmente progressivement du centre vers les zones environnantes. Bien que cette région se caractérise par une distribution concentrée de la population, sa planification urbaine est relativement ancienne et limitée par le développement économique, ce qui entraîne une offre globale moindre en équipements de loisirs et autres aménités liées aux fonctions de la vie quotidienne par rapport à la partie orientale de la ville. En conséquence, son attractivité pour les habitants est plus faible, et son influence sur la vitalité urbaine moins marquée. Cette variation temporelle reflète un changement dans les objectifs des activités des habitants. Pendant la journée, les fonctions de la vie quotidienne sont principalement orientées vers les services publics, et les flux piétons restent relativement stables. La nuit, en revanche, elles sont complétées par des besoins de loisirs et de divertissement, établissant une relation complémentaire avec des fonctions axées sur la consommation, telles que la restauration et le commerce de détail, ce qui permet aux fonctions de la vie quotidienne d'exercer un effet moteur plus fort sur la vitalité urbaine sur une étendue spatiale plus vaste.

Les fonctions résidentielles constituent le fondement spatial qui accueille le retour nocturne et le séjour des habitants. Leur relation avec la vitalité urbaine suit des schémas nettement différents en journée et en soirée. Pendant la journée, les zones résidentielles servent de point de départ à l'écoulement de la population ; par conséquent, une simple augmentation de la densité résidentielle n'améliore pas nécessairement la vitalité urbaine. En l'absence d'équipements commerciaux et de services, les zones résidentielles denses peuvent devenir des « villes dortoirs » à faible vitalité. En revanche, la nuit, les habitants rentrent chez eux, et les zones résidentielles deviennent la base spatiale des activités nocturnes. Les résultats indiquent que, bien que la variable fonction résidentielle présente un effet moyen global relativement faible, elle montre néanmoins une hétérogénéité et une différenciation spatiales évidentes dans certaines zones, et la distribution spatiale de cet effet est globalement similaire en journée et en soirée. Dans les zones entourant le marché des matériaux Hongrun, le marché de gros de fruits, l'école primaire Fenghuangtai et Jinxiu Xincheng, les fonctions résidentielles sont fortement concentrées, mais leur relation avec la vitalité urbaine est négative. Cela suggère qu'ajouter davantage de fonctions résidentielles dans ces zones n'améliore pas la vitalité urbaine ; au contraire, une concentration excessive de logements peut freiner les activités sociales et de consommation nocturnes en raison de l'encombrement spatial et du manque d'équipements d'accompagnement. En revanche, dans la rue Shihuiyao, les fonctions résidentielles sont positivement associées à la vitalité urbaine, ce qui indique que les équipements résidentiels dans cette zone jouent un rôle plus important dans le soutien de la vitalité urbaine et exercent une plus grande attractivité sur les habitants.

La densité bâtie reflète l'intensité du développement dans une zone donnée, et son mécanisme sous-jacent réside dans la fourniture de la base physique nécessaire à l'agglomération de la population : une densité bâtie plus élevée indique une capacité de charge démographique plus grande, ainsi qu'une concentration plus dense d'emplois et de points de vente commerciaux. Les résultats de cette étude montrent que la densité bâtie exerce un effet globalement positif sur la vitalité urbaine en journée, effet dont l'influence s'affaiblit progressivement d'est en ouest, formant une structure concentrique nette. Dans la partie occidentale de la ville, l'effet de la densité bâtie sur la vitalité urbaine est plus faible que dans la partie orientale, ce qui suggère qu'une augmentation de la densité bâtie dans les zones occidentales est moins efficace pour renforcer la vitalité urbaine que dans les zones orientales. Toutefois, la nuit, l'effet présente un modèle bidirectionnel. L'influence de la densité bâtie sur la vitalité urbaine est négativement corrélée dans la partie occidentale de la rue Xingfu, près de la rivière Jiahe, ainsi que dans les grappes de faible valeur de la rue Zhichu, avec des variations relativement faibles en amplitude. Cette différence diurne provient d'une différenciation fonctionnelle : en journée, les zones bâties à forte densité concentrent les fonctions tertiaires et commerciales et constituent les zones principales d'afflux de population ; la nuit, en revanche, certains quartiers d'affaires denses connaissent un dépeuplement, et la vitalité urbaine se déplace vers les zones résidentielles environnantes. En ce sens, les zones bâties à forte densité fonctionnent comme des centres d'aggrégation de vitalité durant la journée, tandis que la nuit, elles deviennent des sources de diffusion de vitalité, favorisant la vitalité périphérique par un effet de débordement vers l'extérieur.

La proximité mesure l'efficacité de la connectivité du réseau routier et détermine dans quelle mesure les résidents peuvent accéder commodément à divers types de destinations. Son mécanisme fondamental repose sur la réduction des coûts liés au temps de trajet et l'élargissement du rayon d'action spatial ; une plus grande proximité augmente directement la probabilité et la fréquence de visite des lieux. Les résultats de cette étude montrent que la proximité est le deuxième facteur moteur le plus important en journée, arrivant juste après la diversité des POI, tandis que son influence diminue fortement la nuit. Ce contraste marqué entre jour et nuit reflète un changement fondamental dans les schémas d'activité des résidents. En journée, des activités telles que les déplacements domicile-travail, les courses et les affaires exigent relativement beaucoup en matière de transport et dépendent fortement de l'accessibilité. La nuit, en revanche, les activités des résidents deviennent davantage centrées sur le domicile, le rayon d'action se réduit, et les déplacements répondent principalement à des objectifs de loisirs et de consommation, ce qui rend les résidents nettement moins sensibles à l'accessibilité du réseau routier. En outre, la proximité présente un effet local bidirectionnel : elle est fortement corrélée positivement avec la vitalité urbaine le long de la rivière Jiahe, ainsi que dans les rues Zhichu et Fenghuangtai, tandis qu'elle présente une faible corrélation négative dans les zones peu peuplées au nord de la rue Xingfu. Cela indique que l'effet dynamisant de la proximité dépend de la présence d'une demande piétonne suffisante.

Le DBC mesure la proximité de chaque unité spatiale par rapport au quartier central d'activités de la ville, reflétant ainsi les avantages locatifs en termes d'accès aux opportunités d'emploi, aux lieux de consommation et aux externalités économiques. Son mécanisme sous-jacent repose sur les économies d'agglomération et l'accessibilité des consommateurs : plus une zone est proche du centre commercial, plus les opportunités d'emploi sont denses, plus les choix de consommation sont variés et plus les interactions socio-économiques sont actives, attirant ainsi un flux piétonnier plus important. Les résultats de cette étude montrent que l'influence du DBC sur la vitalité urbaine diurne diminue du sud vers le nord et présente une corrélation négative. Les zones situées au sud sont plus éloignées du centre commercial et exercent donc une influence moindre sur la vitalité urbaine, tandis que les zones au nord de la route Kuiyu, étant plus proches du centre commercial, ont un effet plus marqué. Toutefois, la nuit, la relation devient positive, avec la formation de deux zones annulaires situées au nord et au sud de la route Hongqi, et l'influence augmente progressivement du centre vers les zones périphériques. Ce renversement jour–nuit révèle la logique sous-jacente de la structure spatiale : durant la journée, le centre commercial constitue la destination principale pour l'emploi et la consommation, provoquant une concentration de population vers l'intérieur ; la nuit, en revanche, les habitants regagnent leurs domiciles répartis dans toute la ville, et ce sont les zones résidentielles les plus éloignées du centre commercial qui connaissent alors une vitalité accrue en raison du retour de la population.

La marchabilité mesure l'adaptation d'un environnement urbain aux piétons et joue un rôle clé d'intermédiaire entre l'espace physique et la perception humaine. Son mécanisme particulier ne réside pas dans la génération directe de flux piétons, mais dans l'amélioration de l'expérience de marche, le renforcement du sentiment de sécurité et de confort, la prolongation du temps de séjour des piétons et la facilitation des interactions sociales, contribuant ainsi à la vitalité urbaine. Dans cette étude, la marchabilité exerce un effet positif stable sur la vitalité urbaine aussi bien en journée qu’en soirée, ce qui indique que son influence est de nature globale et que les environnements urbains favorables aux piétons renforcent généralement la vitalité spatiale. En journée, l'influence de la marchabilité sur la vitalité urbaine forme des zones de faible vitalité à Zhujia Village et sur Fenghuangtai Street. Cela pourrait principalement s'expliquer par des flux piétons relativement limités à proximité de Zhujia Village et par une dépendance moindre des habitants vis-à-vis des trottoirs. Sur Fenghuangtai Street, la distribution des bâtiments est dense et la configuration de la voirie est ancienne ; les trottoirs sont étroits et fréquemment empiétés, ce qui limite leur capacité à soutenir l'agglomération de vitalité par les déplacements non motorisés. La nuit, l'influence de la marchabilité diminue progressivement du sud-ouest vers le nord, avec un effet plus marqué dans la partie sud de la ville et un effet relativement plus faible au nord. Ce schéma est lié à la répartition des flux piétons, des infrastructures de transport et des disparités de développement régional dans la zone urbaine principale de Yantai. Par ailleurs, l'effet de la marchabilité est relativement plus fort la nuit, reflétant la dépendance accrue des activités nocturnes à l'égard de la sécurité perçue et de la qualité environnementale. Un bon éclairage, des trottoirs continus et un enclos urbain bien défini peuvent efficacement réduire le sentiment d'insécurité pendant les déplacements nocturnes, libérant ainsi le potentiel de vitalité urbaine en soirée.

Zones représentatives et cadre d'optimisation de la vitalité urbaine
Afin d'illustrer davantage l'hétérogénéité spatiale identifiée par l'analyse MGWR, des quartiers représentatifs présentant différentes caractéristiques spatiales urbaines ont été sélectionnés pour une enquête sur le terrain (Figures 8 et 9). Ces exemples fournissent une preuve visuelle des conditions spatiales associées aux résultats analytiques.

Figure 8. Conditions existants des anciens quartiers de la nouvelle ville de Xingfu. Des photographies représentatives montrent l'état des rues et de l'environnement bâti, notamment une répartition inégale des équipements publics et une qualité environnementale limitée des rues. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 9. Conditions existantes des anciennes communautés de la rue Nangou-Jinde et de Baishi-Huangshan. Des photographies représentatives montrent un habitat résidentiel dense, un espace public ouvert limité et l’état actuel de l’environnement de quartier. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Figure 8 montre la nouvelle ville de Xingfu, un quartier ancien représentatif caractérisé par une répartition inégale des équipements de services publics et une qualité environnementale des rues relativement médiocre. Figure 9 présente des quartiers résidentiels représentatifs des zones de Nangou Street–Jinde et de Baishi–Huangshan, caractérisés par un développement résidentiel dense, un espace public ouvert limité et des interfaces routières relativement monotones. Ces caractéristiques spatiales observées sont conformes aux résultats analytiques décrivant les différences d'effets des fonctions de vie et des fonctions résidentielles sur la vitalité urbaine.

Figure 10 résume les relations entre les principales dimensions de la structure spatiale urbaine et leurs influences sur la vitalité urbaine. Sur la base des résultats de l'analyse MGWR, le cadre intègre les facteurs moteurs identifiés ainsi que leurs interactions afin de fournir une représentation conceptuelle globale des mécanismes influant sur la vitalité urbaine diurne et nocturne.

Figure 10. Mécanisme d'optimisation de la structure spatiale urbaine et de renforcement de la vitalité. Le schéma résume les stratégies d'amélioration de la vitalité selon différents éléments fonctionnels, la forme architecturale, l'accessibilité, les facteurs socio-économiques, l'espace écologique et la perception humaine, en tenant compte des différences de vitalité entre le jour et la nuit. Veuillez cliquer ici pour visualiser une version agrandie de cette figure.

Disponibilité des données :
Toutes les données soutenant les résultats de cette étude sont fournies dans l'article et ses matériaux supplémentaires. Ces matériaux comprennent la figure supplémentaire 1 ; les fichiers supplémentaires 1–7, qui décrivent la collecte des données, le prétraitement, les flux analytiques, les sorties des modèles et les diagnostics de régression ; les codes supplémentaires 1–4, qui contiennent les scripts Python et les notebooks Jupyter utilisés pour le prétraitement des données et le traitement des images de vue en rue ; ainsi que les données supplémentaires 1–3, qui fournissent les jeux de données bruts, normalisés et traités des indicateurs de structure spatiale urbaine utilisés dans les analyses.

Figure suplémentaire 1. Validation de la vitalité urbaine dérivée des cartes thermiques à l'aide de l'intensité lumineuse nocturne. Comparaison de la répartition spatiale de l'intensité lumineuse nocturne (à gauche) et de la vitalité urbaine nocturne dérivée des données de carte thermique de Baidu (à droite). Des zones chaudes représentatives sont mises en évidence afin de démontrer l'accord spatial entre les deux jeux de données, ce qui soutient l'utilisation de l'intensité d'activité issue des cartes thermiques comme indicateur de la vitalité urbaine dans la zone d'étude. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1. Collecte et traitement des données de la carte de chaleur Baidu. Ce fichier décrit le flux de travail relatif à l'acquisition des données de la carte de chaleur Baidu, au prétraitement, au débruitage, à la classification temporelle, à la transformation spatiale, à l'estimation de la densité par noyau, ainsi qu'au calcul de la vitalité urbaine diurne et nocturne à l'échelle de la grille 300 m × 300 m. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 2. Définitions et procédures de calcul des indicateurs de la structure spatiale urbaine. Ce fichier fournit les définitions, les équations de calcul, les procédures de prétraitement, les paramètres et les méthodes de normalisation de tous les indicateurs de structure spatiale urbaine utilisés dans l'analyse, notamment la fonctionnalité, la forme architecturale, l'accessibilité, les caractéristiques socio-économiques, l'espace écologique et la perception humaine. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 3. Acquisition d'images de type vue en rue et flux de travail d'analyse. Ce fichier décrit la stratégie d'échantillonnage des images de type vue en rue, les paramètres d'acquisition des images, la génération d'images panoramiques, la segmentation sémantique à l'aide du modèle SegNet, la validation du modèle, ainsi que le calcul des indicateurs de perception humaine dérivés des images de type vue en rue. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 4. Procédure de modélisation par régression géographiquement pondérée multiscale (MGWR). Ce fichier décrit la procédure de modélisation MGWR, y compris le prétraitement des données, la sélection des variables, l'évaluation de la multicolinéarité, la configuration du modèle, l'optimisation de la fenêtre, les paramètres du modèle, la mise en œuvre du modèle, ainsi que la comparaison des performances des modèles des moindres carrés ordinaires (OLS), de la régression géographiquement pondérée (GWR) et de la MGWR. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 5. Résultats de la régression géographiquement pondérée multiscalaire (MGWR) diurne. Résultats complets du modèle MGWR diurne, incluant les statistiques de régression globale, l'optimisation de la bande passante, les métriques diagnostiques, les estimations des paramètres et les statistiques descriptives utilisées pour évaluer l'hétérogénéité spatiale de la vitalité urbaine diurne. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 6. Résultats de la régression géographiquement pondérée multiscalaire (MGWR) de nuit. Résultats complets du modèle MGWR de nuit, incluant les statistiques de régression globale, l'optimisation de la bande passante, les métriques diagnostiques, les estimations des paramètres et les statistiques descriptives utilisées pour évaluer l'hétérogénéité spatiale de la vitalité urbaine de nuit. Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 7. Analyse diagnostique et évaluation du modèle de régression des moindres carrés ordinaires (OLS). Résultats diagnostiques du modèle OLS, incluant l'évaluation de la multicolinéarité, les diagnostics de régression, les analyses des résidus et les graphiques complémentaires utilisés pour la comparaison avec les modèles de régression pondérés géographiquement. Veuillez cliquer ici pour télécharger ce fichier.

Code complémentaire 1. Workflow Python pour le prétraitement des données de cartes thermiques de Baidu. Script Python utilisé pour le prétraitement des données brutes de cartes thermiques, y compris la suppression des doublons, le filtrage des valeurs manquantes, la conversion des horodatages, la classification jour/nuit, la standardisation des coordonnées et l'exportation des jeux de données traités pour des analyses spatiales ultérieures. Veuillez cliquer ici pour télécharger ce fichier.

Code complémentaire 2. Workflow d'assemblage d'images de vue en perspective. Carnet Jupyter mettant en œuvre le traitement des images de vue en perspective, y compris l'assemblage d'images et la génération d'images panoramiques pour l'analyse ultérieure des paysages urbains. Veuillez cliquer ici pour télécharger ce fichier.

Code supplémentaire 3. Procédure d'acquisition d'images de vue en rue. Carnet Jupyter utilisé pour récupérer des images de vue en rue via l'interface de programmation d'applications (API) de Baidu Street View, organiser les métadonnées des images et préparer celles-ci pour la segmentation sémantique. Veuillez cliquer ici pour télécharger ce fichier.

Code supplémentaire 4. Workflow de traitement des images de vue panoramique. Carnet Jupyter utilisé pour traiter et intégrer les images de vue panoramique avant l'extraction des indicateurs de perception humaine. Veuillez cliquer ici pour télécharger ce fichier.

Données supplémentaires 1. Jeu de données des indicateurs de la structure spatiale urbaine d'origine. Valeurs brutes des indicateurs compilées avant le prétraitement et la standardisation pour toutes les unités spatiales incluses dans l'étude. Veuillez cliquer ici pour télécharger ce fichier.

Données supplémentaires 2. Ensemble de données normalisées des indicateurs de structure spatiale urbaine. Variables prédictives normalisées utilisées comme entrées pour les analyses de régression géographiquement pondérée à plusieurs échelles. Veuillez cliquer ici pour télécharger ce fichier.

Données supplémentaires 3. Jeu de données indicateur de la structure spatiale urbaine filtré et traité. Jeu de données contrôlé en qualité après prétraitement et sélection des variables, utilisé pour les analyses statistiques et l'élaboration des modèles. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

La vitalité urbaine dans la zone urbaine principale de Yantai présente des motifs de regroupement variés et des influences spatiales hétérogènes qui diffèrent selon les lieux, les étendues spatiales et les échelles d'analyse. La présente étude montre que la vitalité urbaine est façonnée par une structure spatiale composite et imbriquée, dans laquelle plusieurs dimensions de l'environnement bâti influencent conjointement les activités diurnes et nocturnes des habitants. À l'aide de données géospatiales massives provenant de multiples sources et du modèle MGWR, cette étude a identifié une hétérogénéité spatiale importante des effets de la fonctionnalité, de la forme bâtie, de l'accessibilité, des conditions socioéconomiques et de la perception humaine sur la vitalité urbaine. Comparé aux approches classiques de régression globale, le modèle MGWR a permis de capturer plus efficacement la non-stationnarité spatiale de ces relations, offrant ainsi une compréhension plus fine des mécanismes sous-jacents à la vitalité urbaine. Ces résultats indiquent que les stratégies de développement de la vitalité urbaine devraient s'appuyer sur les besoins spatiotemporels des habitants et adopter des approches équitables et spécifiques au contexte, variant selon les personnes, le temps et le lieu. En outre, une amélioration efficace de la vitalité exige une optimisation coordonnée des structures spatiales globales et locales, tout en réduisant les inefficacités, les interventions inefficaces et les effets négatifs liés à l'allocation des ressources et aux contraintes environnementales. Dans leur ensemble, ces résultats fournissent un cadre fondé sur des données probantes pour améliorer l'efficacité et la précision des stratégies de renforcement de la vitalité urbaine (Figure 10).

Parmi les éléments fonctionnels examinés, la diversité des POI, les fonctions de vie et les fonctions résidentielles ont été identifiées comme les déterminants principaux de la vitalité urbaine. La diversité des POI exerce l'influence positive la plus forte sur la vitalité urbaine, ce qui est conforme aux résultats obtenus par Ye et Zhuang³³ et Cetin et al.³⁴, qui ont démontré que des fonctions urbaines mixtes favorisent l'agglomération de la population et augmentent la vitalité spatiale. Dans la présente étude, la diversité des POI présente une relation positive significative avec la vitalité urbaine dans la majeure partie du district urbain central en journée, tandis que de faibles corrélations négatives sont observées uniquement dans les zones périphériques. Ce schéma s'explique par la concentration de fonctions résidentielles, commerciales, de loisirs et de services variées, qui créent des chaînes continues d'activités humaines et renforcent à la fois la vitalité temporelle et spatiale. En revanche, les districts périphériques caractérisés par une utilisation monofonctionnelle du sol présentent des chaînes d'activités fragmentées et une utilisation temporelle réduite de l'espace urbain. Cette différenciation concentrique est également conforme aux études antérieures de Fang et al.³⁵ et de Xu et al.³⁶. Des modèles similaires ont été rapportés à Pékin et à Wuhan, où des niveaux plus élevés d'intégration fonctionnelle sont associés à une vitalité piétonne et commerciale accrue^37,38. Contrairement aux quartiers résidentiels périurbains de Pékin, qui disposent généralement d'équipements d'accompagnement relativement complets, les zones industrielles telles que Huangwu Street et le parc industriel de Wanhua à Yantai manquent de POI quotidiens suffisants, ce qui rend les effets négatifs de la monoculture fonctionnelle plus marqués. Par conséquent, l'augmentation de la diversité fonctionnelle par le biais de développements mixtes résidentiels-commerciaux, de services communautaires et d'espaces publics ouverts devrait probablement améliorer la vitalité dans ces quartiers, tandis que l'extension des rues commerciales nocturnes et des marchés de nuit pourrait renforcer davantage l'activité nocturne. Les fonctions de vie ont également montré des effets positifs constants sur la vitalité urbaine en journée comme en soirée, particulièrement dans la partie orientale de la ville. Les équipements liés à l'éducation, à la santé, à la culture, aux loisirs, aux transports et aux services publics attirent des visites quotidiennes répétées et constituent des destinations importantes pour les déplacements et les interactions sociales. Le recouvrement spatial de ces équipements avec les services commerciaux augmente davantage la durée de séjour des piétons et l'intensité des activités, soutenant ainsi la vitalité urbaine. Ces résultats concordent avec ceux de Liu et Ge³⁹, qui ont souligné l'importance de la fourniture de services publics pour renforcer la vitalité communautaire, ainsi qu'avec des études menées à Nanjing et à Wuhan, démontrant que des équipements de soutien à la vie équilibrés augmentent significativement l'intensité d'activité des résidents tout au long de la journée^40,41. En conséquence, une rénovation urbaine globale devrait privilégier l'amélioration à la fois du nombre et de la qualité des équipements liés aux fonctions de vie. Comme illustré dans la Figure 8, les quartiers anciens tels que Xingfu Xincheng et les villages urbains environnants continuent de souffrir d'un manque de services publics et d'une qualité spatiale relativement médiocre. L'amélioration de l'accès à l'éducation, aux soins de santé, aux services pour personnes âgées, aux espaces verts publics et aux infrastructures d'urgence, conjuguée à la reconversion adaptative d'anciens sites industriels tels que Zhichu Park en parcs et places publiques, contribuerait à une vitalité urbaine plus forte et plus durable. Les fonctions résidentielles présentent des schémas spatiaux similaires en journée et en soirée, affichant généralement des relations faiblement négatives dans les zones à forte concentration de POI résidentiels. Ces zones sont souvent caractérisées par une prédominance de l'usage résidentiel du sol, un espace public ouvert limité, des activités commerciales insuffisantes et relativement peu d'occasions d'interactions sociales, ce qui donne lieu à des environnements fortement marqués par la résidence mais à une intensité d'activité relativement faible. Chen et al.⁴² ont également démontré que l'infrastructure urbaine renforce la vitalité uniquement lorsque la densité appropriée s'accompagne d'une modernisation et d'un renouvellement continus. Des recherches menées dans des quartiers urbains à haute densité à Guangzhou indiquent également que l'augmentation du développement résidentiel seul n'améliore pas nécessairement la vitalité, sauf s'il est soutenu par des services publics, des équipements commerciaux, des infrastructures piétonnes et des espaces publics de qualité. Comme le montre la Figure 9, de nombreux quartiers fortement concentrés sur la résidence continuent de connaître des pénuries d'espaces publics et des façades de rue inactives. Par conséquent, les quartiers à forte densité résidentielle bénéficieraient d'améliorations ciblées des équipements de services publics, d'une optimisation des fonctions résidentielles, de l'adoption de technologies de construction durable, d'un renforcement de la gouvernance communautaire et d'une planification attentive des futurs développements résidentiels afin d'améliorer à la fois la qualité résidentielle et la vitalité urbaine.

Outre les éléments fonctionnels, la présente étude démontre que la forme bâtie, l'accessibilité, les conditions socioéconomiques et la perception humaine contribuent tous à l'hétérogénéité spatiale de la vitalité urbaine. La densité bâtie s'est révélée un déterminant important de la vitalité des quartiers. Ces résultats sont conformes à ceux de Yang et al.⁴³ à Chongqing, une densité bâtie plus élevée favorise généralement l'agglomération de la population et les activités économiques, renforçant ainsi la vitalité des quartiers. De même, la présente étude a montré que l'influence de la densité bâtie augmente progressivement d'ouest en est, reflétant la concentration du développement et des activités commerciales dans le noyau nord-est du district urbain principal de Yantai. Des études antérieures menées à Guangzhou ont en outre démontré que, bien qu'une augmentation de la densité bâtie favorise initialement la vitalité urbaine, cette relation atteint finalement un seuil optimal au-delà duquel une densité supplémentaire entraîne des rendements décroissants¹⁶De même, des études menées à Qingdao ont indiqué que les zones entourant les espaces écologiques ne conviennent pas à un développement excessivement intensif44 et que des aménagements spatiaux linéaires ou aux formes libres en zone côtière offrent souvent des environnements plus attractifs que des formes urbaines fortement compactes. Ces résultats suggèrent que la densité bâtie doit être optimisée plutôt que maximisée. En conséquence, la densité bâtie locale devrait être réduite de manière appropriée dans les quartiers commerciaux et résidentiels fortement développés, notamment autour de la gare de Yantai et de Haishang World, tout en augmentant les espaces verts publics et les zones de loisirs. Les quartiers historiques tels que Chaoyang Street et Suochengli devraient privilégier la préservation des bâtiments historiques et éviter une reconversion excessive, tandis que l'intensité du développement le long de la zone touristique côtière et aux alentours du Central Mountain Park devrait rester soigneusement contrôlée afin de préserver les ressources écologiques et paysagères tout en maintenant la vitalité urbaine. L'accessibilité présentait également une hétérogénéité spatiotemporelle marquée. Ces observations sont conformes aux études antérieures.^45,46, la proximité en journée présentait une relation positive significative avec la vitalité urbaine, tandis que son influence diminuait du sud vers le nord pendant la nuit. Étant donné que la proximité reflète la connectivité du réseau routier et les coûts de déplacement des résidents, une accessibilité plus élevée favorise des activités fréquentes et aux multiples finalités en réduisant le temps de trajet. Des études antérieures ont également montré que la vitalité nocturne est fortement associée à la densité de population et à la connectivité des transports, particulièrement dans les zones urbaines densément construites⁴⁷. Wei Wei et al.⁴⁸ a également démontré à Wuhan que des réseaux routiers fortement connectés et des systèmes de circulation lente bien développés renforcent considérablement la vitalité des quartiers, en particulier pendant la nuit. Ces résultats suggèrent que la planification future des réseaux routiers devrait adopter une stratégie de « petits îlots et réseau dense de rues ». Dans les quartiers anciens situés à proximité de terrains montagneux, notamment Nangou Street–Jinde et Baishi–Hushan, l'amélioration de la connectivité par l'élimination des impasses et le développement des infrastructures piétonnières, cyclables et routières renforcerait l'accessibilité et la vitalité globale. De même, des améliorations des transports dans les zones nord de Xingfu Street permettraient d'accroître davantage la vitalité nocturne. Les conditions socioéconomiques représentées par l'indice DBC ont également montré une hétérogénéité marquée entre jour et nuit. En journée, des valeurs plus faibles de DBC étaient associées à une plus forte concentration de population et à une vitalité urbaine plus élevée, tandis que la vitalité nocturne présentait un schéma inverse, en accord avec les résultats rapportés par Wang et al.⁴⁹ Cette différence reflète l'organisation spatiale contrastée des déplacements et des activités commerciales diurnes par rapport aux activités nocturnes de loisir et résidentielles. Pendant la journée, le centre commercial de la ville constitue la destination principale pour l'emploi et la consommation, entraînant une forte concentration de vitalité. En revanche, la nuit, les activités de loisir deviennent plus dispersées, tandis que les zones résidentielles périphériques connaissent une augmentation de vitalité lorsque les habitants rentrent chez eux. Ce schéma illustre également le déséquilibre entre emplois et logements dans le cadre de la structure commerciale principalement monocentrique de Yantai. Ces observations sont conformes à la théorie de l'économie nocturne de Bianchini.⁵⁰, le développement d'activités commerciales nocturnes diversifiées constitue une stratégie efficace pour renforcer la vitalité des quartiers périurbains. Ainsi, les zones périurbaines telles que le sous-district de Huangwu tireraient profit de la création de centres commerciaux secondaires, de la diversification des offres de consommation nocturne et de l'amélioration des liaisons de transport entre les zones résidentielles périurbaines et le centre-ville, favorisant ainsi une vitalité plus équilibrée sur l'ensemble du territoire urbain. Enfin, la perception humaine, représentée par la marchabilité, exerce de manière constante une influence positive sur la vitalité urbaine, tant de jour que de nuit. Geurs et al.⁵¹ ont démontré qu'une accessibilité piétonne plus élevée augmente la volonté des résidents d'effectuer des déplacements à pied spontanés, favorisant ainsi la vitalité du quartier. Mahmood et al.⁵² ont également souligné que les activités urbaines nocturnes dépendent fortement de l'accessibilité des transports, du confort piétonnier et de la sécurité perçue, ce qui rend les environnements de marche de haute qualité essentiels pour maintenir la vitalité nocturne. Les résultats actuels indiquent de la même manière que l'activité piétonne diurne est principalement influencée par l'accessibilité des équipements, tandis que la vitalité nocturne dépend plus fortement du confort environnemental, de la continuité des itinéraires piétonniers et de la sécurité perçue. Si Rui et al.⁵³ ont également signalé que des environnements piétons plus sûrs favorisent la vitalité nocturne, tandis que des interfaces de rue variées renforcent la vitalité diurne. À Yantai, les aménagements piétons fragmentés et les conflits sévères entre piétons et véhicules restent fréquents dans les quartiers anciens, limitant l'expression d'une vitalité tout au long de la journée. Par conséquent, l'aménagement urbain futur devrait privilégier des trottoirs continus, des équipements piétons accessibles, des passages piétons plus sûrs, des interfaces de rue plus riches, un éclairage amélioré et une qualité environnementale nocturne renforcée afin de prolonger les activités extérieures des résidents, favoriser les interactions sociales et l'activité commerciale, et renforcer la vitalité urbaine diurne et nocturne. Figure 10 résume les stratégies d'optimisation proposées dérivées de ces résultats.

Dans l'ensemble, la présente étude approfondit la compréhension de la vitalité urbaine en intégrant des données géospatiales massives provenant de multiples sources au modèle MGWR, afin de quantifier comment plusieurs dimensions de la structure spatiale urbaine influencent la vitalité à différentes échelles spatiales et périodes temporelles. Contrairement aux modèles de régression globaux classiques, l'approche MGWR permet à chaque variable explicative d'agir à son propre échelon spatial, révélant ainsi une importante non-stationnarité spatiale dans les relations entre fonctionnalité, forme bâtie, accessibilité, conditions socioéconomiques, perception humaine et vitalité urbaine. Ce cadre analytique améliore non seulement l'interprétation des mécanismes sous-jacents à la vitalité urbaine, mais fournit également des orientations pratiques pour une planification et une gouvernance urbaines fondées sur des preuves. Plutôt que d'appliquer des interventions de planification uniformes dans toute la ville, les résultats appuient des stratégies d'optimisation différenciées, adaptées aux caractéristiques fonctionnelles locales, à l'intensité du développement, à l'accessibilité des transports, au contexte socioéconomique et aux environnements piétons. Par conséquent, le cadre proposé présente des applications potentielles dans le renouvellement urbain, la revitalisation de quartiers, l'optimisation des espaces publics, la planification des transports, ainsi que le développement d'économies diurnes et nocturnes durables. En identifiant où et comment différents éléments spatiaux influencent la vitalité, cette étude fournit une base scientifique pour la mise en œuvre de stratégies de planification précises et centrées sur les usagers, visant à améliorer la qualité de l'espace urbain tout en favorisant un développement urbain équilibré et durable.

Bien que la présente étude établisse un cadre analytique pour l'investigation de la vitalité urbaine à l'aide de données géospatiales multisources et du modèle MGWR, plusieurs limites doivent être reconnues. Premièrement, la couverture temporelle de l'analyse était limitée aux données de cartes de chaleur recueillies sur cinq jours ouvrables consécutifs, ce qui ne permet pas de capturer les variations des comportements des résidents pendant les week-ends, les jours fériés ou les différentes saisons, et limite ainsi l'exhaustivité de l'analyse temporelle. Deuxièmement, bien que les données de cartes de chaleur offrent une large couverture spatiale grâce à une vaste base d'utilisateurs, elles contiennent inévitablement un biais d'échantillonnage et ne peuvent pas représenter pleinement l'ensemble de la population urbaine, ce qui limite la représentativité de l'échantillon. Troisièmement, l'étude s'est concentrée exclusivement sur la zone urbaine principale du district de Zhifu, à Yantai ; par conséquent, les résultats sont étroitement liés aux caractéristiques de l'environnement bâti local, et leur applicabilité à d'autres contextes urbains, notamment les villes de montagne, les zones suburbaines, les villes côtières et les mégapoles, nécessite une vérification supplémentaire par des études comparatives. Quatrièmement, l'analyse actuelle a examiné uniquement l'influence de la structure spatiale urbaine sur la vitalité urbaine, tandis que les interactions potentielles bidirectionnelles entre vitalité urbaine et structure spatiale n'ont pas été étudiées. Enfin, bien que le modèle MGWR permette efficacement de capturer la non-stationnarité spatiale, il repose fondamentalement sur des hypothèses linéaires et pourrait donc ne pas caractériser pleinement les relations non linéaires complexes et les effets d'interaction entre la vitalité urbaine, les activités humaines et les éléments spatiaux. Ces limites fournissent des orientations importantes pour un perfectionnement méthodologique ultérieur et une application plus large du cadre analytique proposé.

Les recherches futures pourraient prolonger les travaux actuels dans plusieurs directions. L'intégration de données de cartes thermiques recueillies pendant les week-ends, les jours fériés et différentes saisons permettrait une surveillance dynamique à long terme de la vitalité urbaine et offrirait une compréhension plus complète de son évolution spatiotemporelle. Des analyses comparatives menées dans différents types d'agglomérations—villes de montagne, villes de plaine, villes côtières, zones suburbaines et mégapoles—permettraient de distinguer les mécanismes universels des caractéristiques propres à chaque région et d'améliorer la généralisabilité des résultats. En outre, l'incorporation d'informations socioéconomiques, telles que la structure de la population, la répartition des industries, les caractéristiques de l'emploi et les revenus des habitants, faciliterait une interprétation plus complète des mécanismes sous-jacents à la formation de la vitalité urbaine. Les études futures pourraient également combiner plusieurs sources de données, comme les données de signalisation téléphonique mobile et les relevés de consommation à haute fréquence, avec des approches analytiques non linéaires telles que l'apprentissage automatique, afin de mieux saisir les interactions complexes entre la structure spatiale urbaine, le comportement humain et la vitalité urbaine. Par ailleurs, le cadre analytique développé dans cette étude présente une valeur pratique considérable pour le renouvellement urbain, la revitalisation des quartiers, l'optimisation des espaces publics et une gouvernance urbaine plus fine, notamment dans les quartiers vieillissants, les zones suburbaines et les secteurs à vitalité commerciale relativement faible. En fournissant des preuves quantitatives pour des stratégies de planification différenciées selon les caractéristiques spatiales locales, ce cadre peut soutenir un développement urbain plus précis, centré sur les habitants et durable. Dans l'ensemble, cette étude démontre que l'intégration de données géospatiales massives multisources avec le modèle MGWR constitue une approche efficace pour révéler l'hétérogénéité spatiale de la vitalité urbaine et offre un soutien scientifique précieux en vue d'optimiser la structure spatiale urbaine et de renforcer la vitalité urbaine par une planification et une gouvernance fondées sur des données probantes.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
ArcGIS	Esri	Version 10.4 (RRID : SCR_011081)	Logiciel de système d'information géographique utilisé pour l'analyse spatiale et la visualisation cartographique
Baidu Maps API	Baidu, Inc.	Version 3.0	Utilisé pour obtenir des données de carte thermique, de points d'intérêt (POI) et d'images de vue en ruelle
MGWR	Arizona State University	Version 2.2	Logiciel utilisé pour l'analyse de régression pondérée géographiquement à plusieurs échelles
Jeu de données d'occupation des sols du Centre national d'information géographique de base	Centre national d'information géographique de base	https://www.gscloud.cn/search	Source des données d'occupation des sols
Jeu de données de lumière nocturne NPP-VIIRS	Harvard Dataverse	DOI : 10.7910/DVN/YGIVCD	Utilisé pour valider les schémas de vitalité urbaine dérivés de la carte thermique
OpenCV	OpenCV	Version 4.5.5	Utilisé pour le montage d'images panoramiques et le traitement d'images
OpenStreetMap	Fondation OpenStreetMap	https://www.openstreetmap.org	Source des données d'empreinte bâtie et du réseau routier
Python	Fondation logicielle Python	Version 3.8 (RRID : SCR_008394)	Utilisé pour l'acquisition, le prétraitement et l'analyse des données
SegNet	Université de Cambridge	Implémentation PyTorch (Version 1.0) (RRID : SCR_017042)	Réseau de segmentation sémantique par apprentissage profond utilisé pour l'extraction de caractéristiques du paysage urbain
Analyse du réseau de conception spatiale (sDNA)	Université de Cardiff	Version 4.0	Utilisé pour calculer les métriques d'accessibilité du réseau routier