Analisi spaziale dell'impatto della struttura spaziale urbana sulla vitalità urbana a Yantai, Cina, mediante regressione geograficamente pesata multiscala

Sommario

Questo protocollo integra dati di heatmap di Baidu, punti di interesse, immagini a livello stradale e una regressione geograficamente ponderata multiscala per quantificare la vitalità urbana e valutare in che modo la struttura spaziale urbana influisce sui modelli di vitalità diurna e notturna a Yantai, in Cina.

Abstract

Comprendere in che modo la struttura spaziale urbana influenza la vitalità urbana è essenziale per sviluppare strategie di pianificazione urbana centrate sull'uomo. Tuttavia, l'eterogeneità spaziale di queste relazioni e i contributi relativi dei diversi elementi della struttura spaziale urbana alla vitalità diurna e notturna rimangono insufficientemente compresi. Questo studio ha avuto lo scopo di quantificare la vitalità urbana e di indagare come la struttura spaziale urbana ne influenzi la variazione spaziotemporale nell'area urbana principale di Yantai, in Cina. Sono stati integrati set di dati spaziali multisorgente, inclusi dati della mappa termica di Baidu, punti di interesse, immagini a livello stradale, reti stradali, informazioni sugli edifici e dati sull'uso del suolo, per caratterizzare la vitalità urbana e la struttura spaziale urbana. Sono state utilizzate stime di densità kernel, analisi di autocorrelazione spaziale e regressione geograficamente ponderata multiscala (MGWR) per valutare la distribuzione spaziale della vitalità urbana e gli effetti, dipendenti dalla scala, delle variabili della struttura spaziale urbana. I risultati hanno dimostrato che la vitalità urbana presenta una marcata polarizzazione spaziale caratterizzata da un modello composito di tipo “centro–periferia” e “un nucleo con più punti”, insieme a una significativa autocorrelazione spaziale positiva. L'influenza della struttura spaziale urbana ha mostrato ampie variazioni nello spazio e tra il giorno e la notte. La diversità e la vicinanza dei punti di interesse si sono rivelate i principali fattori trainanti della vitalità diurna, mentre la funzione residenziale e la diversità dei punti di interesse hanno esercitato il maggiore impatto sulla vitalità notturna. La percorribilità a piedi ha mostrato costantemente un'associazione positiva con la vitalità urbana in entrambi i periodi, sottolineando l'importanza di ambienti stradali centrati sull'uomo. Questi risultati dimostrano il valore dell'integrazione di dati spaziali multisorgente con l'analisi MGWR per la valutazione della vitalità urbana e forniscono un quadro pratico per sostenere una pianificazione urbana basata su evidenze e l'ottimizzazione dello spazio urbano.

Introduzione

La vitalità urbana è un indicatore fondamentale per misurare il livello di sviluppo urbano sostenibile, la qualità della vita dei residenti e l'efficacia della costruzione urbana di alta qualità. Ha da tempo attirato notevole attenzione da parte degli studiosi di geografia urbana e di pianificazione urbana e regionale^1,2. Durante la fase di urbanizzazione incrementale e di rapida espansione spaziale, i problemi legati allo sviluppo urbano spaziale squilibrato sono diventati sempre più evidenti. L'allocazione inefficiente del suolo, l'inquinamento ambientale, la congestione del traffico e sfide urbane persistenti, come la separazione tra luoghi di lavoro e abitazioni, continuano a indebolire la vitalità dei quartieri³. Attualmente, la Cina è entrata in una nuova fase di urbanizzazione, in cui l'attenzione dello sviluppo urbano si sta spostando da una crescita estensiva basata sulla "costruzione della città" a una gestione più accurata della "gestione della città", con lo sviluppo spaziale centrato sull'uomo che diventa una priorità fondamentale. La scala centrata sull'uomo si concentra su unità micro-spaziali direttamente percepibili dai residenti e rappresenta un'estensione e un affinamento delle analisi tradizionali a livello di parcello e di quartiere. A partire dal 18^° Congresso Nazionale del Partito Comunista Cinese, lo sviluppo centrato sull'uomo è diventato un principio fondamentale della governance dello spazio territoriale, e il miglioramento della qualità degli ambienti abitativi è divenuto un obiettivo primario della pianificazione urbana. In questo contesto, caratterizzare con precisione i modelli spazio-temporali della vitalità urbana e chiarire i meccanismi eterogenei attraverso cui l'ambiente costruito centrato sull'uomo influenza tale vitalità può fornire una base scientifica per pratiche di pianificazione accurata, inclusi il rinnovo urbano a livello di strada e il miglioramento dei quartieri. Nel frattempo, la città di Yantai ha avviato una serie di iniziative di rinnovo urbano nel quadro del suo 14^° Piano Quinquennale, è stata selezionata nel 2021 come una delle prime città pilota nazionali per il rinnovo urbano da parte del Ministero dell'Edilizia e dello Sviluppo Urbano-Rurale e ha ricevuto nel 2026 un ulteriore sostegno finanziario centrale per il rinnovo urbano. Questi vantaggi politici e finanziari offrono condizioni favorevoli per migliorare la qualità degli spazi urbani esistenti a Yantai ed esplorare strategie di rinnovo urbano caratteristiche per le città costiere, promuovendo così uno sviluppo urbano di alta qualità.

Il concetto di vitalità urbana è stato proposto per la prima volta dalla studiosa americana Jane Jacobs, la quale sosteneva che la diversità funzionale, i blocchi di piccole dimensioni, gli edifici di età differente e l'elevata densità costituiscono le quattro condizioni essenziali per città vivaci⁴. Gli studi iniziali hanno stabilito quadri teorici basati principalmente su indagini sul campo e sondaggi tramite questionari, mentre le ricerche successive si sono gradualmente spostate verso una scala microscopica, concentrandosi sulla concentrazione spaziale delle attività umane⁵. Un numero crescente di evidenze ha dimostrato che le dinamiche temporali su scala fine e le variazioni spaziali svolgono un ruolo importante nella comprensione della vitalità urbana⁶. Il rapido sviluppo dei big data geospaziali ad alta risoluzione ha creato nuove opportunità per il monitoraggio su larga scala e in tempo dinamico della vitalità urbana. Di conseguenza, i ricercatori si affidano sempre più a dataset multiscientifici, inclusi dati di segnalazione da telefoni cellulari, traiettorie di posizione, check-in sui social media, dati di mappa termica e punti di interesse (POI), per quantificare l'intensità delle attività umane in diverse unità spaziali e analizzare la vitalità urbana a più scale^{7,8,9,10,11,12}. Tra queste fonti di dati, i dati di mappa termica possono catturare con precisione la distribuzione spaziale e le dinamiche temporali della concentrazione della popolazione e sono stati ampiamente utilizzati per quantificare la vitalità urbana a scala di isolato, di quartiere e di città^13,14,15. Ad esempio, Wang Chenggang et al.¹⁶ hanno utilizzato dati di mappa termica per identificare i modelli di vitalità del centro di Guangzhou, quantificare le relazioni non lineari e gli effetti soglia dell'ambiente costruito e distinguere gli effetti differenziati dei diversi periodi della giornata lavorativa, fornendo così prove empiriche preziose per la ricerca sulla vitalità urbana.

La vitalità urbana è fondamentalmente modellata e vincolata dalla struttura spaziale urbana che ospita le attività umane. Comprendere i meccanismi attraverso cui la struttura spaziale urbana influenza la vitalità urbana fornisce un supporto importante per una pianificazione urbana più accurata e per un governo urbano basato su evidenze. Studi esistenti hanno sviluppato sistemi di valutazione multidimensionali per la struttura spaziale urbana, comprendenti scala urbana, disposizione funzionale, forma spaziale, compattezza e caratteristiche socioeconomiche. Questi studi hanno dimostrato in modo coerente che le condizioni di localizzazione, la densità di popolazione, la forma degli edifici, l'uso misto del suolo, la diversità delle strutture, lo sviluppo economico, la diversità funzionale, la configurazione delle strade, l'accessibilità e la percorribilità a piedi sono tra i principali fattori che influenzano la differenziazione spaziale della vitalità urbana^{17,18,19,20,21,22}. Tuttavia, la maggior parte degli studi precedenti si è concentrata su relazioni a scala macroscopica tra spazi fisici, sociali, legati al luogo e alla mobilità, con relativamente scarsa attenzione rivolta ad analisi più dettagliate a scala centrata sull'uomo. Il paradigma di ricerca emergente basato su dati geospaziali aperti multifornitori e algoritmi analitici intelligenti offre nuove opportunità per la percezione spaziale e l'analisi quantitativa a questa scala più fine²³. Integrando tecniche di apprendimento automatico con l'analisi di immagini panoramiche stradali, questo approccio combina un'ampia copertura spaziale con una precisione analitica centrata sull'uomo, riducendo al contempo la soggettività e la limitata accuratezza associate ai metodi tradizionali di valutazione spaziale. Da un punto di vista metodologico, gli studi precedenti hanno impiegato principalmente modelli di regressione ai minimi quadrati ordinari e modelli di regressione geograficamente pesati per esaminare le relazioni tra ambiente costruito e vitalità urbana^24,25. Tali approcci, tuttavia, si concentrano generalmente su caratteristiche spaziali statiche e spesso trascurano sia l'eterogeneità spaziale sia la differenziazione temporale giorno-notte nelle relazioni tra struttura spaziale urbana e vitalità urbana.

In sintesi, la ricerca sulla vitalità urbana si è evoluta da indagini teoriche tradizionali su scala macro verso analisi quantitative spaziotemporali sostenute da grandi dati geospaziali. Tuttavia, permangono limitazioni importanti. Gli studi esistenti continuano a enfatizzare la quantificazione a livello macro delle caratteristiche spaziali fisiche, prestando relativamente poca attenzione all'eterogeneità spaziotemporale con cui la struttura spaziale urbana influenza la vitalità urbana. Inoltre, misurazioni più raffinate che incorporano la dimensione della percezione umana rimangono limitate, restringendo la capacità degli approcci esistenti di supportare pratiche di pianificazione dettagliate, come il rinnovo urbano a livello stradale. Sulla base di queste lacune conoscitive, questo studio propone le seguenti ipotesi: (1) la struttura spaziale urbana esercita influenze significative e differenziate spaziotemporalmente sulla vitalità urbana; e (2) gli effetti degli indicatori della struttura spaziale urbana sulla vitalità urbana mostrano una significativa non stazionarietà spaziale.

Le principali innovazioni di questo studio sono tre. In primo luogo, integrando set di dati geospaziali provenienti da più fonti, inclusi i dati delle heatmap di Baidu e immagini a livello stradale, lo studio quantifica la vitalità urbana dal punto di vista delle attività quotidiane dei residenti, consentendo una misurazione oggettiva e dettagliata su scala antropocentrica. Sulla base del tradizionale schema “5D”, lo studio introduce una dimensione relativa alla percezione umana e sviluppa un sistema di indicatori a sei dimensioni della struttura spaziale urbana, comprendente funzionalità, forma architettonica, accessibilità, caratteristiche socioeconomiche, spazio ecologico e percezione umana. Questo schema supera i limiti degli studi precedenti, incentrati principalmente su variabili dello spazio fisico e socioeconomico, e permette l’integrazione tra analisi spaziale su larga scala e misurazione dettagliata centrata sull’uomo. In secondo luogo, lo studio impiega il modello di regressione geograficamente ponderata multiscala (MGWR) per superare l’ipotesi di stazionarietà globale tipica degli approcci di regressione convenzionali. Il modello consente di identificare effetti spaziali locali e relazioni dipendenti dalla scala tra struttura spaziale urbana e vitalità urbana diurna e notturna, rivelando così l’accoppiamento spaziotemporale non stazionario tra struttura urbana e vitalità urbana. In terzo luogo, utilizzando Yantai come esempio di città costiera rappresentativa, lo studio analizza sistematicamente i diversi meccanismi che guidano la vitalità urbana diurna e notturna da una prospettiva centrata sull’uomo, nel contesto delle caratteristiche spaziali delle aree urbane costiere. I risultati forniscono evidenze empiriche e un quadro metodologico per l’ottimizzazione dello spazio urbano, il potenziamento della vitalità urbana e il rinnovo urbano in città costiere simili, offrendo nel contempo dati quantitativi a sostegno di una governance urbana spaziale antropocentrica e dettagliata.

Protocollo

Questo studio ha utilizzato dati di mappa termica anonimizzati e aggregati a livello di griglia spaziale. I dati non contengono identificatori personali né informazioni a livello individuale, e non sono stati coinvolti direttamente soggetti umani. Pertanto, non è stata richiesta approvazione etica, esenzione o revisione istituzionale.

Quadro della ricerca
Per esplorare il meccanismo d'influenza della struttura spaziale urbana su scala antropocentrica sulla differenziazione spaziotemporale della vitalità urbana, questo studio propone un quadro di ricerca illustrato in Figura 1. In primo luogo, sulla base dei dati delle mappe termiche che misurano gli attributi spaziotemporali delle attività urbane quotidiane e notturne degli abitanti urbani, viene misurata la vitalità urbana diurna e notturna dell'area urbana principale della città di Yantai; in secondo luogo, viene costruito un sistema multidimensionale di indicatori della struttura spaziale urbana comprendente funzionalità, accessibilità, forma architettonica, economia sociale, spazio ecologico e percezione umana; infine, il modello MGWR viene utilizzato per rivelare il meccanismo d'influenza della struttura spaziale urbana sulla differenziazione spaziotemporale della vitalità urbana. I flussi di lavoro dettagliati per l'acquisizione dei dati, la pre-elaborazione, il calcolo degli indicatori, l'analisi delle immagini e l'implementazione del modello sono forniti nei File Supplementari 1–4, mentre i corrispondenti flussi di lavoro computazionali sono disponibili nei Codici Supplementari 1–4. L'obiettivo è fornire una base teorica e un riferimento per il rinnovo urbano e la creazione di città dinamiche nell'ambito della nuova strategia di urbanizzazione.

Figura 1. Diagramma del quadro di ricerca. Questo diagramma riassume l'intero flusso di lavoro analitico, inclusi l'acquisizione di dati spaziali multisorgente, l'elaborazione dei dati, la costruzione di indicatori della struttura spaziale urbana, la misurazione della vitalità urbana, la modellizzazione mediante regressione geograficamente pesata multiscala (MGWR) e le strategie di ottimizzazione della vitalità. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Panoramica dell'area di studio
La città di Yantai si trova nella parte nord-orientale della penisola dello Shandong, affacciata sul Mare Giallo e sul Mar Bohai. È una città portuale importante nella provincia dello Shandong. Comprende cinque distretti e sei città a livello di contea sotto la sua giurisdizione, con una superficie totale di 13.930,1 km². Questo studio seleziona l'area urbana principale della città di Yantai (distretto di Zhifu) come zona di ricerca. Il distretto si estende per 179,18 km², ha una popolazione registrata di 707.700 abitanti e comprende 12 sottodistretti (Figura 2).

Figura 2. Diagramma schematizzato dell'area di studio. Le mappe mostrano la posizione della città di Yantai, l'area urbana principale nel distretto di Zhifu, i confini dei sottodistretti e l'elevazione del terreno. Colori più scuri indicano un'elevazione maggiore. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Poiché questo studio si concentra sul nucleo urbano, dove l'area di studio è relativamente piccola e la rete stradale è densa, la tradizionale scala del blocco non è sufficiente per caratterizzare con precisione la vitalità urbana. Al contrario, la scala di 300 m corrisponde strettamente all'estensione spaziale del «cerchio vitale di 5 minuti» e può rappresentare meglio l'unità spaziale di base delle attività quotidiane dei residenti. La scelta della scala della griglia implica essenzialmente un compromesso tra granularità delle informazioni e stabilità statistica: una scala più piccola conserva maggiori dettagli spaziali, ma riduce la dimensione del campione all'interno di ciascuna unità, aumenta il rumore statistico e può frammentare gli spazi contigui di attività pedonale, mentre una scala più grande tende a smussare le variazioni locali e a nascondere l'eterogeneità spaziale. Una griglia di 300 m può mantenere caratteristiche spaziali ad alta risoluzione migliorando al contempo la stabilità statistica e riducendo gli errori analitici causati dalla scelta della scala. Inoltre, questa scala si adatta bene alla risoluzione spaziale dei dati multisorgente, inclusi i dati della mappa termica di Baidu, i punti di interesse e le immagini a livello stradale, aumentando così l'accuratezza analitica e l'affidabilità dei risultati. Pertanto, questo studio ha suddiviso l'area di ricerca in 2.221 celle utilizzando una griglia di 300 m × 300 m per visualizzare i modelli spaziotemporali della vitalità urbana su scala fine ed esplorarne la relazione con la struttura spaziale urbana. La griglia è stata generata in ArcGIS 10.4 utilizzando lo strumento Crea griglia (Create Fishnet) nel sistema di coordinate Gauss a tre gradi CGCS2000. La griglia è stata ancorata alle coordinate XY minime dell'area di studio e ritagliata lungo il confine dell'area di studio, ottenendo 2.221 unità di analisi.

Costruzione del sistema di indicatori
La costruzione di un sistema di indici per la struttura spaziale urbana rappresenta una parte importante della valutazione della vitalità urbana. Esso riflette le caratteristiche complessive di una città in termini di disposizione spaziale, miscelazione funzionale, accessibilità e caratteristiche correlate. Questo studio si basa sulla teoria “5D” della densità, progettazione, diversità, distanza dai trasporti pubblici e accessibilità alle destinazioni. Tale teoria amplia il metodo di rappresentazione degli elementi della struttura spaziale urbana rispetto alla ricerca esistente, suddividendoli in sei categorie e 15 fattori: funzionalità, forma architettonica, accessibilità, economia sociale, spazio ecologico e percezione umana. Ogni fattore viene analizzato singolarmente (Tabella 1). Le definizioni complete, le equazioni di calcolo, le impostazioni dei parametri, le procedure di pre-elaborazione e i metodi di normalizzazione per tutti gli indicatori sono forniti nel File Supplementare 2.

Tabella 1:  Sistema di indicatori della struttura spaziale urbana. La tabella riassume le sei dimensioni e i 15 indicatori utilizzati per caratterizzare la struttura spaziale urbana, inclusi funzionalità, forma architettonica, accessibilità, caratteristiche socioeconomiche, spazio ecologico e percezione umana. Per ciascun indicatore sono fornite definizioni ed equazioni di calcolo. Abbreviazioni: POI, punto di interesse; FAR, rapporto di superficie utile; NDVI, indice normalizzato della differenza della vegetazione. Cliccare qui per scaricare questa tabella.

Tra questi, la funzionalità è uno degli indicatori importanti per misurare la vitalità spaziale urbana, riflettendo il grado di interconnessione e integrazione tra diverse aree funzionali. Un'elevata miscela funzionale indica che le aree residenziali, economiche e di vita quotidiana sono distribuite in modo uniforme e intrecciate tra loro, promuovendo così le attività umane e potenziando la vitalità urbana²⁶. L'evoluzione della forma architettonica è associata alla vitalità, e la densità edilizia e il rapporto di occupazione del suolo sono indicatori importanti che riflettono la compattezza urbana. L'accessibilità influisce direttamente sulla connettività e sull'efficienza dei trasporti nello spazio urbano. Questo studio seleziona gli indicatori di prossimità e permeabilità per rappresentare l'accessibilità. L'aspetto socioeconomico riflette la concentrazione delle attività economiche e il livello di sviluppo economico regionale. La distanza dal centro della città e dal centro commerciale viene utilizzata per caratterizzare l'attività socioeconomico, con distanze più brevi che generalmente indicano attività economiche più intense²⁷. Lo spazio ecologico è un fattore importante che influenza la vitalità economica, sociale e culturale della città. Questo studio utilizza l'indice di vicinanza all'acqua e l'indice di vegetazione normalizzato (NDVI) per rappresentare la qualità ambientale e la vitalità ecologica. La percezione umana si concentra sulle forme spaziali urbane e sulle caratteristiche ambientali correlate che i residenti incontrano frequentemente nella vita quotidiana, inclusi gli spazi pubblici urbani e le interfacce esterne degli edifici (come strade, edifici, vegetazione e parchi) e i relativi impatti economici, sociali ed ecologici. In questo studio, la continuità degli edifici, il fattore di visibilità del cielo e la percorribilità a piedi sono selezionati per rappresentare questa dimensione. Questi indicatori catturano meglio il contributo della percezione umana alla vitalità urbana e integrano i sistemi convenzionali di indicatori basati principalmente su variabili oggettive.

È importante notare che la misurazione degli ambienti costruiti tradizionali differisce in modo fondamentale dalla valutazione della struttura spaziale urbana orientata alla persona adottata nella presente ricerca. I metodi tradizionali utilizzano unità fisiche su scala macroscopica, come parcelle fondiarie e distretti, come unità analitiche. Basandosi su set di dati statici quali la classificazione dell'uso del suolo, l'ingombro degli edifici e i dati della rete stradale, quantificano l'intensità dello sviluppo e la disposizione funzionale. Queste valutazioni convenzionali analizzano le condizioni fisiche spaziali da una prospettiva pianificatoria top-down. Sebbene tali metodi descrivano accuratamente gli attributi materiali dello spazio urbano, non riescono a cogliere le percezioni in loco dei residenti e le esperienze pedonali su scala microscopica. Al contrario, il quadro orientato alla persona sposta l'attenzione della ricerca dagli attributi spaziali intrinseci alle interazioni tra esseri umani e ambiente. Questa trasformazione paradigmatica comprende tre cambiamenti principali. In primo luogo, per quanto riguarda il contenuto della misurazione, lo studio va oltre gli indicatori fisici convenzionali come la densità edilizia e la proporzione di uso del suolo, incorporando dimensioni esperienziali quali la percezione visiva, la percorribilità, la sicurezza e il comfort. In questo studio vengono selezionati tre indicatori corrispondenti: continuità degli edifici, fattore di visuale del cielo e percorribilità. In secondo luogo, per quanto riguarda le fonti dati, le mappe urbanistiche e i dati telerilevati vengono integrati con immagini a livello stradale e segmentazione semantica basata su apprendimento profondo, che catturano le caratteristiche spaziali dalla prospettiva pedonale all'altezza degli occhi. In terzo luogo, l'unità analitica viene ulteriormente affinata, passando dalla scala del blocco a quella dei tratti stradali o dei singoli campi visivi. Va sottolineato che la misurazione orientata alla persona non sostituisce la valutazione tradizionale dell'ambiente costruito, ma piuttosto la integra, modificando la prospettiva e la scala spaziale della ricerca. I due approcci differiscono per focus di ricerca, sistema di indicatori, scala analitica e obiettivi pratici, e insieme forniscono un quadro analitico completo per la valutazione della struttura spaziale urbana.

Fonti dei dati ed elaborazione
Dati della mappa termica di Baidu:
I dati termici urbani utilizzati in questa ricerca provengono dal servizio di localizzazione aperto di Baidu Maps, generati attraverso l'analisi di massicci record anonimi sul comportamento degli utenti. Il dataset cattura la distribuzione della popolazione in tempo reale aggregando le informazioni di localizzazione degli utenti di applicazioni mobili e mappando tali coordinate geografiche su griglie spaziali mediante richieste di servizi di localizzazione in tempo reale.

Abbiamo recuperato i dati della mappa termica relativi all'area urbana centrale di Yantai dal 13 al 17 giugno 2022 (cinque giorni lavorativi consecutivi) richiamando l'API della piattaforma Baidu Map Open Platform (https://lbsyun.baidu.com/). I dati sono stati raccolti ogni 2 ore dalle 07:00 alle 24:00 di ogni giorno. L'intero flusso di lavoro per l'acquisizione dei dati, la pre-elaborazione, la riduzione del rumore, la classificazione temporale, la trasformazione spaziale, la stima della densità kernel e il calcolo della vitalità urbana è fornito nel File Supplementare 1, mentre lo script corrispondente per la pre-elaborazione è disponibile nel Codice Supplementare 1. Inoltre, abbiamo suddiviso ogni giornata in un periodo diurno (07:00–18:00) e notturno (18:00–24:00) per quantificare separatamente le variazioni diurne della vitalità urbana. Le richieste all'API includevano la chiave di accesso (AK) di Baidu Maps e un'area di studio definita secondo il sistema BD09. Il livello di zoom della mappa è stato fissato a 16 con dimensione dei tile pari a 256 × 256 pixel, e l'interfaccia restituiva i dati della mappa termica in formato JSON. Durante la post-elaborazione, tutte le coordinate BD09 sono state convertite nel sistema di coordinate WGS84 per garantire accuratezza e coerenza spaziale nelle analisi successive. Il resto del flusso di lavoro di pre-elaborazione è descritto nel File Supplementare 1 e nel Codice Supplementare 1. Tutte le visualizzazioni spaziali sono state realizzate con ArcGIS (v10.4) (RRID: SCR_011081).

Giugno rappresenta l'inizio dell'estate a Yantai, con un clima mite favorevole alle attività all'aperto, e i modelli di spostamento quotidiano degli abitanti in questo mese riflettono livelli medi di attività regolari. Tutti i giorni di campionamento sono stati sereni e senza nuvole, eliminando perturbazioni alla mobilità umana causate da condizioni meteorologiche estreme e rendendo le mappe termiche della popolazione adatte all'individuazione di schemi abituali di vitalità urbana.

Per verificare l'affidabilità delle misurazioni della vitalità derivate dalla mappa termica, abbiamo integrato i dati della luminosità notturna NPP-VIIRS per un confronto incrociato. Il set di dati sulla luminosità notturna è stato pubblicato da Chen Zuqi et al. in Earth System Science Data, con il titolo Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018), ed è accessibile pubblicamente tramite il repository Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).

I risultati del confronto spaziale hanno dimostrato un'elevata coerenza tra gli hot spot di vitalità urbana identificati a partire dalle immagini della luce notturna e le zone ad alta e bassa vitalità estratte dai dati della mappa termica in questo studio. Il confronto tra l'intensità della luce notturna e la vitalità urbana derivata dalla mappa termica è riportato nella Figura supplementare 1. Per valutare l'affidabilità dei dati, sono stati innanzitutto rimossi gli outlier e i set di dati sono stati normalizzati prima di essere riproiettati nel sistema di coordinate WGS84. I dati della luce notturna sono stati quindi ricampionati su una griglia di 300 m × 300 m mediante interpolazione bilineare, al fine di garantire l'allineamento spaziale con i dati della mappa termica. La concordanza tra i due set di dati è stata valutata utilizzando il coefficiente di correlazione di Pearson (r ≥ 0,6) e la percentuale di sovrapposizione spaziale dei cluster LISA (≥70%) come criteri di accettazione.

Dal punto di vista delle fonti di dati, i dati di segnalazione dei telefoni cellulari offrono una copertura completa della popolazione e informazioni dettagliate sulle traiettorie, ma sono difficili da ottenere e richiedono un preelaborazione complessa, risultando meno adatti per studi a lungo termine e su scala fine. I dati di check-in e recensioni dei social media, invece, catturano principalmente attività legate al consumo e al tempo libero, con un evidente bias comportamentale e una stabilità temporale relativamente scarsa. Al contrario, i dati della mappa di calore di Baidu utilizzati in questo studio sono facilmente accessibili, temporalmente continui e disponibili con una risoluzione spaziale più elevata, risultando particolarmente adatti per il monitoraggio su scala di griglia delle dinamiche di vitalità giorno-notte nell'area urbana principale. Combinati con dati POI e dati di vista stradale per arricchire la rappresentazione degli attributi spaziali, questo framework può riflettere in modo più accurato gli schemi di attività quotidiane dei residenti ed è ben allineato con la scala di ricerca e gli obiettivi analitici dello studio.

Elementi della Struttura Spaziale Urbana:
Dati Spaziali Urbani di Base:
Sulla base dell'interfaccia del servizio cartografico online, sono stati raccolti complessivamente 37.851 punti di interesse (POI), appartenenti a 11 categorie funzionali, tra cui alloggi, negozi, ristorazione, aree residenziali, infrastrutture di trasporto, servizi per la vita quotidiana, impianti sportivi e ricreativi e strutture per i servizi pubblici. Ulteriori dettagli sulle procedure di preelaborazione e sui calcoli sono forniti nel File Supplementare 2. I dati sui POI sono stati ottenuti nel luglio 2024 utilizzando l'API di Baidu Map con una strategia di ricerca basata su una griglia di 500 m. Durante il preelaborazione, sono stati rimossi i record duplicati ed esclusi quelli non validi in base ai confini amministrativi del Distretto di Zhifu, alle etichette degli attributi mancanti e agli scostamenti significativi delle coordinate, al fine di garantire l'accuratezza spaziale e l'integrità del dataset.

Le impronte degli edifici urbani e i dati sulla rete stradale sono stati ottenuti da OpenStreetMap (OSM; RRID: SCR_007854), una piattaforma geospaziale open-source (https://www.openstreetmap.org). I dati sull'uso del suolo sono stati acquisiti dal National Basic Geographic Information Center (https://www.gscloud.cn/search).

Come presentato nella Tabella 1, la densità spaziale di ciascun tipo di struttura riflette il carattere funzionale delle singole unità spaziali attraverso modelli di raggruppamento; nel frattempo, i valori di entropia quantificano il grado di diversità funzionale all'interno di ciascuna unità. Le equazioni computazionali complete, le procedure di preelaborazione, le impostazioni dei parametri e i metodi di normalizzazione sono forniti nel File Supplementare 2.

I dati vettoriali degli edifici sono stati analizzati sia da una prospettiva bidimensionale (2D) che tridimensionale (3D) per valutare l'intensità della costruzione urbana, in particolare attraverso metriche come la densità degli edifici e il rapporto di superficie utile (FAR). Utilizzando i dati della rete stradale urbana, l'accessibilità per ciascuna unità spaziale è stata calcolata mediante il toolkit di analisi della progettazione spaziale delle reti (sDNA) (RRID: SCR_017646)²⁸, integrando indicatori di prossimità e di centralità (betweenness).

Scegliendo un raggio di 300 m come scala analitica per questo indicatore, questa distanza è definita in base ai segmenti stradali ed include tutte le strade topologicamente collegate entro il raggio. Ciò consente un'analisi statistica completa dei cambiamenti nella morfologia della rete stradale—compresa la densità degli angoli e la connettività dei nodi—all'interno dell'estensione spaziale designata. L'approccio enfatizza deliberatamente i modelli locali di correlazione spaziale tra le strade, facilitando così l'identificazione precisa delle strade ad alta connettività a livello di isolato—una scelta metodologica allineata al quadro teorico della vitalità spaziale urbana focalizzata sulla scala dell'isolato^29,30. Una rete stradale topologica è stata costruita a partire dai dati vettoriali stradali di OSM, unificando i segmenti stradali bidirezionali in un'unica linea centrale. L'accessibilità è stata calcolata utilizzando il plugin sDNA in ArcGIS 10.4, basandosi sugli indici di prossimità e di betweenness, con i totali di POI su griglia applicati come pesi per rappresentare il potenziale di attività spaziale. Tutti i parametri sDNA sono stati mantenuti ai valori predefiniti, fatta eccezione per un raggio di ricerca definito dall'utente di 300 m. Inoltre, questa scala spaziale corrisponde strettamente al concetto di «cerchio vitale di 5 minuti» ed è ben adatta sia alle dimensioni fisiche degli isolati storici del Distretto di Zhifu, nella città di Yantai, sia al raggio tipico delle attività pedonali quotidiane dei residenti.

Dati delle immagini di Street View:
Combinando i dati della rete stradale di OSM con la tecnologia GIS, sono stati disposti punti di campionamento delle immagini a livello stradale. In primo luogo, sono state estratte le linee centrali delle strade nell'area di studio, e le strade a doppio senso sono state semplificate in linee singole. I punti di campionamento sono stati posizionati a intervalli regolari di 50 m lungo le linee centrali delle strade. Successivamente, tutti i punti di campionamento sono stati assegnati allo stesso sistema di coordinate proiettate utilizzato per l'analisi GIS, per garantire una corrispondenza precisa delle posizioni spaziali.

Utilizzando Python (RRID: SCR_008394), l'API Street View Image (http://api.map.baidu.com/lbsapi/) è stata utilizzata per raccogliere le immagini. L'intero flusso di acquisizione è fornito nel File Supplementare 3 e nel Codice Supplementare 3. È stato generato un totale di 1.599 punti di campionamento. Durante l'acquisizione delle immagini, l'ampiezza prospettica di ciascuna immagine è stata impostata a 90° e l'angolo di visione orizzontale a 0°. Le immagini sono state raccolte nelle direzioni anteriore, posteriore, sinistra e destra presso ciascun punto di campionamento, e l'acquisizione è stata effettuata esclusivamente in condizioni meteorologiche serene, senza pioggia, neve o nebbia fitta, al fine di garantire la qualità delle immagini. Infine, il programma OpenCV è stato utilizzato per unire le immagini multidirezionali e ottimizzare le transizioni tra di esse, generando immagini panoramiche che coprono completamente l'ambiente spaziale stradale. L'area di studio comprendeva un totale di 3.251 tratti stradali. I parametri della richiesta all'API includevano la chiave di accesso per lo sviluppatore (AK), le coordinate dei punti, il punto di vista dell'immagine e l'orientamento della ripresa. Le immagini acquisite sono state ridimensionate uniformemente a 480 × 360 pixel (RGB) per le analisi successive. La qualità delle immagini è stata garantita mediante selezione basata sulle condizioni meteorologiche, acquisizione di immagini multidirezionali e successiva segmentazione semantica basata su SegNet per verificare l'idoneità delle immagini ed estrarre gli indicatori della vista stradale.

Abbiamo adottato la rete di apprendimento profondo SegNet (RRID: SCR_017042), una rete neurale convoluzionale completamente connessa, per estrarre le caratteristiche degli ambienti stradali. Il modello classifica i pixel dell'immagine in cinque categorie: cielo, marciapiedi, corsie stradali, edifici e spazi verdi. I risultati della classificazione dei pixel sono stati quindi utilizzati per calcolare la proporzione di area di ciascun elemento spaziale all'interno di ogni immagine a vista laterale della strada. I dettagli sull'implementazione del modello, sul flusso di lavoro di segmentazione semantica, sulle procedure di validazione e sul calcolo degli indicatori di percezione umana sono forniti in File Supplementare 3, Codice Supplementare 2 e Codice Supplementare 4. SegNet è stato implementato in PyTorch (v1.0) utilizzando pesi preaddestrati disponibili pubblicamente, addestrati sul dataset MIT ADE20K. Durante l'inferenza, le immagini sono state elaborate singolarmente per generare mappe di segmentazione semantica a livello di pixel, che sono state successivamente utilizzate per calcolare la proporzione di area di ciascun elemento dell'ambiente stradale. Le prestazioni del modello sono state valutate mediante una validazione incrociata a cinque ripetizioni.

Metodi di ricerca
Metodi quantitativi per la misurazione della vitalità urbana:
L'analisi della densità kernel stima la densità di elementi puntiformi o lineari mediante una finestra mobile di ricerca, consentendo una rappresentazione intuitiva e accurata delle caratteristiche di raggruppamento spaziale degli elementi urbani e della concentrazione e dispersione della vitalità urbana. In questo studio è stata utilizzata la stima della densità kernel per eseguire un'interpolazione continua dei dati della mappa termica al fine di caratterizzare l'aggregazione spaziale degli utenti e la dinamica spaziotemporale della vitalità urbana. È stata applicata una stima della densità kernel gaussiana con un raggio di ricerca principale (banda passante) di 500 m. Per valutare la robustezza dei risultati, sono state testate anche otto ulteriori bande passanti (200, 300, 400, 600, 700, 800, 900 e 1.000 m), e i valori medi di RV risultanti per ogni cella della griglia di 300 m × 300 m hanno mostrato un'elevata coerenza tra le diverse bande passanti. Per l'interpolazione è stato utilizzato il campo Valore come variabile di peso, non è stata applicata alcuna correzione del bordo, e tutte le analisi della densità kernel sono state eseguite con ArcGIS 10.4 (RRID: SCR_011081). La sua espressione matematica è la seguente (Equazione 1):

(1)

Qui, n rappresenta il numero di punti dati; h è la larghezza di banda; e (x − x_i) indica la distanza dal punto di stima x al campione xⁱ.

Metodo di Analisi per il Modello Spaziale Dinamico Urbano:
La correlazione spaziale viene utilizzata per caratterizzare il grado di associazione spaziale tra valori di attributi identici in diverse unità spaziali. Essa si suddivide in autocorrelazione globale e autocorrelazione locale.

Autocorrelazione Spaziale Globale:
L'autocorrelazione spaziale globale (I di Moran globale) è stata utilizzata per valutare il grado di associazione spaziale in tutta l'area di studio. Essa misura la somiglianza o la correlazione delle variabili nello spazio quantificando la relazione tra il valore dell'attributo in una posizione e quelli delle posizioni adiacenti, rappresentata dal coefficiente I di Moran globale. È stata costruita una matrice di pesi spaziali utilizzando una griglia di analisi di 300 m × 300 m con contiguità di tipo Queen per definire le unità adiacenti, e i pesi sono stati standardizzati per riga. L'I di Moran globale è stato calcolato mediante gli strumenti di Statistica Spaziale in ArcGIS 10.4 (RRID: SCR_011081), e la significatività statistica è stata valutata utilizzando l'approssimazione normale (test z) al livello di confidenza del 95%. La sua espressione matematica è la seguente (Equazione 2):

(2)

In questo caso, I rappresenta l'indice di autocorrelazione; n è il numero totale di unità di studio; y_i e y_j sono gli indicatori di classificazione delle regioni i e j, rispettivamente; y′ è la media degli indicatori di classificazione; e W_ij è la matrice dei pesi spaziali che rappresenta il grado di associazione tra le diverse regioni.

Autocorrelazione Spaziale Locale:
L'autocorrelazione spaziale locale (LISA) misura il grado di associazione spaziale mostrato dall'oggetto di studio a livello locale, consentendo l'identificazione di aggregati locali e valori anomali spaziali all'interno dell'area studiata e fornendo una comprensione più dettagliata dell'eterogeneità spaziale³¹. La statistica locale più comunemente utilizzata è l'Indice di Moran Locale. È stata costruita una matrice di pesi spaziali utilizzando la contiguità di tipo Queen, in cui le celle adiacenti della griglia sono definite come quelle che condividono un confine o un vertice. La significatività statistica è stata valutata al livello di 0,05 mediante 999 permutazioni casuali. Non è stata applicata alcuna correzione per test multipli, e tutte le analisi sono state eseguite utilizzando ArcGIS 10.4 (RRID: SCR_011081). L'espressione matematica è la seguente (Equazione 3):

(3)

In questo caso, x_i e x_j rappresentano rispettivamente i valori di vitalità urbana delle regioni i e j; x′ è la vitalità urbana media in tutte le regioni; S² è la varianza; e W_ij è la matrice dei pesi spaziali che rappresenta il grado di associazione spaziale tra le regioni.

Metodi di ricerca per l'eterogeneità spaziale della vitalità urbana:
Regressione geograficamente pesata multiscala (MGWR)
Il modello MGWR utilizza l'algoritmo di ricerca della sezione aurea per ridurre iterativamente l'intervallo di ricerca e identificare la larghezza di banda ottimale per ciascun coefficiente di regressione. Questo approccio riduce al minimo il rumore durante la stima dei parametri e migliora le prestazioni predittive del modello. Informazioni dettagliate sui metodi di selezione della larghezza di banda (adattiva o fissa), sulla funzione del kernel, sull'intervallo di ricerca della larghezza di banda, sui criteri di convergenza, sulla tolleranza di arresto e sulle procedure di standardizzazione dei predittori sono fornite nel File Supplementare 4. La formula di calcolo è la seguente (Equazione 4):

(4)

Qui, bw_j rappresenta la larghezza di banda utilizzata per il coefficiente di regressione della j-esima variabile; k indica il numero di variabili esplicative; x_ij si riferisce al j-esimo predittore per la i-esima griglia; (u_i, v_i) rappresentano le coordinate del baricentro della i-esima griglia; β_(bwj) è il coefficiente di regressione stimato utilizzando la larghezza di banda corrispondente; e ε_i è il termine di errore casuale.

La configurazione dettagliata del modello, le procedure di ottimizzazione della larghezza di banda e il flusso di lavoro di implementazione sono fornite nel Supplementary File 4, mentre gli output completi del modello per il periodo diurno e notturno sono disponibili rispettivamente nel Supplementary Files 5 e 6. I risultati della diagnostica della regressione ai minimi quadrati ordinari sono forniti nel Supplementary File 7.

Dal punto di vista della teoria dello sviluppo urbano, dell’ambito di ricerca e dell’applicabilità pratica, la MGWR offre vantaggi distinti rispetto alla regressione lineare classica (OLS) e alla regressione geograficamente pesata convenzionale (GWR). L’OLS utilizza un modello globale, assumendo effetti uniformi di tutte le variabili esplicative su tutta l’area di studio. Tale assunzione trascura l’intrinseca eterogeneità spaziale dei sistemi urbani, producendo stime parametriche medie che spesso non riescono a cogliere le specificità locali, fornendo quindi un supporto limitato alla formulazione di politiche sensibili al contesto. Sebbene la GWR tradizionale tenga conto della non stazionarietà spaziale, impone un’unica ampiezza di banda, ovvero una scala spaziale uniforme, per tutte le variabili. Tale vincolo contrasta con le evidenze empiriche che indicano come diversi elementi urbani (ad esempio, infrastrutture di trasporto, mix di uso del suolo o spazi verdi) esercitino influenza su estensioni spaziali sensibilmente differenti. Di conseguenza, tale eccessiva semplificazione può introdurre distorsioni nel modello e compromettere la validità dell’analisi. La MGWR supera questa limitazione stimando ampiezze di banda distinte e specifiche per ciascuna variabile, basate sull’effettivo raggio di influenza spaziale osservato empiricamente per ogni predittore. Di conseguenza, riesce a rappresentare in modo più fedele i meccanismi dipendenti dalla scala attraverso i quali la struttura spaziale urbana modella la vitalità urbana. Questo progresso non solo arricchisce la comprensione teorica delle interazioni tra esseri umani e ambiente nelle città, ma aumenta anche l’utilità pratica, consentendo un’attribuzione differenziata delle priorità negli interventi spaziali e offrendo un supporto quantitativo basato su evidenze per il potenziamento della vitalità urbana. I flussi di lavoro computazionali sono forniti in Supplementary Codes 1–4.

Risultati

Analisi del Modello Spaziale della Vitalità Urbana
Caratteristiche della Distribuzione Spaziale della Vitalità Urbana:
Per analizzare meglio l'evoluzione spaziotemporale della vitalità urbana nell'area principale di Yantai durante il giorno e la notte, è stata effettuata un'analisi della densità kernel basata sui dati delle mappe termiche, combinata con i modelli di attività quotidiana dei residenti, utilizzando un software di sistema informativo geografico (GIS) per visualizzare la vitalità urbana nei diversi periodi temporali. Come mostrato in Figura 3, la vitalità urbana nell'area principale di Yantai mostra una dinamica spaziotemporale distinta, caratterizzata da un modello di aggregazione–dispersione–aggregazione compreso tra le 07:00 e le 23:00. La distribuzione spaziale delle aree ad alta e bassa vitalità durante il giorno e la notte è altamente simile, indicando che le fluttuazioni della vitalità urbana tra questi periodi sono relativamente stabili.

Figura 3. Distribuzione spaziotemporale della vitalità urbana nell'area urbana principale di Yantai. Le mappe periferiche mostrano la vitalità urbana in diversi momenti temporali, mentre le mappe centrali riassumono i modelli di vitalità diurna e notturna. Colori più caldi indicano una vitalità maggiore. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Da una prospettiva spaziale, la vitalità urbana nell'area urbana principale di Yantai è generalmente più elevata nel settore nord-orientale e più bassa nel sud-ovest, mostrando una struttura spaziale complessa caratterizzata sia da un modello "centro-periferia" che da una configurazione "multinucleo". Le aree con elevati livelli di vitalità urbana sono principalmente concentrate nella sezione nord-orientale, inclusi Tongshen Street, Yuhuangding Street e Xiangyang Street, nonché lungo Dahaiyang Road e Airport Road. Inoltre, la vitalità risulta relativamente alta nella parte orientale di Zhichu Street e nella parte centrale di Fenghuangtai Street. La vitalità urbana nell'area urbana principale di Yantai è fortemente influenzata anche dalle condizioni topografiche. Le zone montuose della regione centrale, come Huangjinding, Zhenshan e Jinkuangding, sono classificate come aree a bassa vitalità. Durante il giorno, la vitalità in queste zone è in parte potenziata da attività come escursionismo e tempo libero, mentre la vitalità notturna è estremamente ridotta. Questo schema indica una marcata disparità spaziale nella distribuzione della vitalità urbana, che tende ad aggregarsi in aree residenziali ad alta densità, destinazioni ricreative e località con elevata accessibilità ai trasporti. Questa struttura spaziale complessa conferma la relazione di accoppiamento tra zonizzazione funzionale urbana e mobilità della popolazione. Inoltre, il ruolo importante del terreno e dei trasporti sostiene ulteriormente l'ipotesi secondo cui molteplici strutture spaziali urbane concorrono insieme a modellare la vitalità urbana.

Da una prospettiva temporale, la vitalità urbana nell'area urbana principale di Yantai è plasmata principalmente dalle attività lavorative e ricreative dei residenti. Il periodo compreso tra le 07:00 e le 18:00 comprende il picco mattutino e le ore diurne dedicate al lavoro e allo studio, durante le quali i residenti si spostano tipicamente dalle proprie abitazioni ai luoghi di lavoro, determinando uno spostamento del modello spaziale della vitalità urbana da una configurazione aggregata a una dispersa. Il periodo compreso tra le 18:00 e le 23:00 include il picco serale e le ore dedicate al tempo libero. In particolare, dopo le 22:00, la distribuzione spaziale della vitalità urbana diventa più concentrata, mentre i livelli complessivi di vitalità diminuiscono. Ciò riflette il fatto che, da un lato, i residenti tornano a casa dopo le attività lavorative e ricreative e, dall'altro, gli spazi urbani precedentemente attivi si spengono gradualmente durante la notte. Nel complesso, la variazione giorno-notte della vitalità urbana è chiaramente guidata dalle abitudini quotidiane di lavoro e riposo dei residenti. Le ore diurne (07:00–18:00) rappresentano il periodo di massima vitalità urbana, caratterizzato da livelli elevati di vitalità, un'ampia copertura spaziale e pochissime aree a bassa vitalità. Al contrario, le ore notturne (18:00–23:00) sono contraddistinte da una progressiva riduzione dell'area di attività, con la vitalità che si concentra sempre più nelle zone residenziali. Questi risultati dimostrano chiaramente l'influenza temporale delle attività di lavoro e riposo sulla vitalità urbana nell'area urbana principale di Yantai, ne rivelano le caratteristiche di evoluzione diurna, soddisfano l'obiettivo principale di identificare il modello spaziotemporale della vitalità urbana e supportano l'ipotesi secondo cui i ritmi quotidiani delle attività dei residenti sono strettamente correlati alla vitalità urbana.

Caratteristiche di Clustering Spaziale della Vitalità Urbana:
L'indice globale di Moran I è stato utilizzato per analizzare l'autocorrelazione spaziale della vitalità urbana nell'area urbana principale della città di Yantai. I risultati mostrano che i valori di Moran I per la vitalità urbana diurna e notturna sono rispettivamente 0,722 e 0,736. Il test di significatività indica che la vitalità urbana nell'area urbana principale della città di Yantai presenta un raggruppamento significativo sia di giorno che di notte, con un effetto di clustering più pronunciato durante la notte rispetto al giorno.

Come mostrato nella Figura 4, la vitalità urbana nell'area urbana principale di Yantai segue principalmente due modelli di aggregazione: aggregazione “alta–alta” e aggregazione “bassa–bassa”. Sebbene la distribuzione spaziale complessiva presenti un modello composito irregolare che combina “centro–periferia” e “un nucleo con più punti”, il “centro” e la “periferia” sono spazialmente separati, e le zone di transizione tra loro contengono un gran numero di aree senza aggregazione significativa. I risultati dell'analisi di autocorrelazione spaziale identificano chiaramente i modelli di aggregazione e la differenziazione spaziale della vitalità urbana, soddisfacendo così l'obiettivo della ricerca relativo al riconoscimento dei modelli. Questi risultati supportano inoltre le ipotesi di ricerca pertinenti, si allineano strettamente al quadro analitico generale di questo studio e forniscono una base per ulteriori analisi sugli effetti differenziati della struttura spaziale.

Figura 4. Aggregazione spaziale locale della vitalità urbana diurna e notturna. Le mappe degli indicatori locali di associazione spaziale (LISA) mostrano cluster spaziali di tipo alto-alto, alto-basso, basso-alto, basso-basso e non significativi per la vitalità diurna e notturna. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Effetti di eterogeneità spaziale basati sul MGWR della struttura spaziale urbana sulla vitalità urbana
Per evitare bias di stima causati dall'influenza reciproca tra i vari fattori della struttura spaziale urbana, il fattore di inflazione della varianza (VIF) è stato utilizzato per verificare tutte le variabili esplicative. Maggiore è il valore del VIF, maggiore è la multicollinearità. In generale, un valore di VIF superiore a 7,5 indica che la variabile esplicativa è ridondante32. I risultati del test sono mostrati in Tabella 2. Tutti i valori VIF sono inferiori a 7,5, il che indica che gli indicatori selezionati non presentano multicollinearità. Gli indicatori con p > 0,05 sono stati successivamente rimossi poiché considerati privi di un impatto significativo sulla vitalità urbana. Dopo la selezione delle variabili, i sette fattori finali—diversità dei POI, funzione della vita quotidiana, funzione residenziale, densità edilizia, prossimità, distanza dal centro commerciale (DBC) e percorribilità a piedi—sono stati selezionati come variabili esplicative per costruire il modello MGWR (RRID: SCR_017651). Questo passaggio ha completato il processo di selezione delle variabili e i fattori principali mantenuti risultano coerenti con il quadro di ricerca, garantendo che l'analisi del modello successiva possa verificare efficacemente l'ipotesi di studio.

Variabile	p-valore	Fattore di inflazione della varianza (VIF)
Diversità del POI	0	1.946
Funzione economica	0.025	3.15
Funzione vitale	0.004	3.834
Funzione residenziale	0.001	1.925
Densità edilizia	0	3.062
Rapporto di copertura	0.084	5.723
Prossimità	0	1.732
Centralità di intermediazione	0.952	2.022
Distanza dal centro della città	0.458	1.407
Distanza dal centro commerciale	0.009	1.498
Indice di vicinanza all'acqua	0.06	1.132
Indice di Vegetazione a Differenza Normalizzata (NDVI)	0.118	1.049
Costruire continuità	0.364	2.746
Fattore di visibilità del cielo	0.22	1.177
Pedonabilità	0.004	2.094

Tabella 2: Valutazione della multicollinearità delle variabili esplicative candidate. La tabella presenta la significatività statistica (valore p) e il fattore di inflazione della varianza (VIF) per ciascuna variabile esplicativa candidata utilizzata durante la selezione delle variabili prima dell'analisi di regressione geograficamente pesata multiscala (MGWR). Le variabili mantenute per la modellizzazione successiva soddisfano i criteri predefiniti di selezione statistica. Abbreviazione: VIF, fattore di inflazione della varianza.

Effetto dell'adeguamento del modello:
L'analisi modellistica è stata condotta utilizzando tre approcci: il modello OLS globale, il modello GWR tradizionale e il modello MGWR. La convergenza del modello si basava sul criterio SOC-f (smoothing f), in cui il massimo cambiamento assoluto di tutti i coefficienti di regressione stimati tra due iterazioni successive veniva utilizzato come criterio di convergenza. La soglia di convergenza è stata fissata a 1,0 × 10⁻⁵, mentre il numero massimo di iterazioni è stato impostato a 200. I modelli diurni e notturni hanno adottato le stesse impostazioni metodologiche, comprese la funzione kernel, la regola di ricerca della larghezza di banda, il criterio di convergenza e altre impostazioni dei parametri, al fine di garantire la confrontabilità dei risultati; solo le variabili dipendenti differivano, e pertanto anche le larghezze di banda ottimali stimate e i coefficienti di regressione risultavano diversi. I risultati mostrano che il modello diurno ha raggiunto la convergenza dopo 28 iterazioni e quello notturno dopo 34 iterazioni. Entrambi i modelli soddisfano la soglia di convergenza, indicando che i risultati delle stime sono stabili e affidabili. Gli indicatori per i tre modelli sono riportati in Tabella 3.

Categoria	Variabile	OLS	GWR	MGWR
Prestazione del modello	AICc	6703	4417	3463
	R² aggiustato	0.62	0.56	0.8
Larghezza di banda ottimale della variabile (MGWR)	Diversità dei POI	—	53	239
	Funzione vitale	—	—	724
	Funzione residenziale	—	—	256
	Densità edilizia	—	—	237
	Prossimità	—	—	921
	Distanza dal centro commerciale	—	—	2220
	Percorribilità a piedi	—	—	2220

Tabella 3: Confronto delle prestazioni del modello tra i quadrati minimi ordinari (OLS), la regressione geograficamente pesata (GWR) e la regressione geograficamente pesata multiscala (MGWR). La tabella confronta le prestazioni dei modelli a quadrati minimi ordinari (OLS), regressione geograficamente pesata (GWR) e regressione geograficamente pesata multiscala (MGWR) utilizzando il criterio corretto di informazione di Akaike (AICc) e il coefficiente di determinazione aggiustato (Adjusted R²). Viene inoltre riportata la larghezza di banda ottimale stimata per ciascuna variabile esplicativa nel modello MGWR, illustrando le scale spaziali specifiche per ogni variabile nell'analisi di regressione. Abbreviazioni: AICc, criterio corretto di informazione di Akaike; OLS, quadrati minimi ordinari; GWR, regressione geograficamente pesata; MGWR, regressione geograficamente pesata multiscala.

Come mostrato nella Tabella 3, il modello MGWR presenta un valore di AICc inferiore e un valore di R² aggiustato superiore rispetto ai modelli OLS e GWR, dimostrando un adattamento del modello migliore. Inoltre, rispetto ai modelli OLS e GWR, il modello MGWR consente a ciascuna variabile esplicativa di avere la propria banda ottimale, con bande che variano da 237 a 2.220. Ciò indica che gli effetti delle diverse variabili sulla vitalità urbana variano significativamente a seconda delle scale spaziali.

Tra le variabili, le ampiezze di banda di DBC e camminabilità sono prossime alla dimensione totale del campione, suggerendo che i loro effetti sono principalmente globali piuttosto che locali. Ciò potrebbe dipendere dal fatto che questi fattori mostrano una variazione spaziale relativamente limitata nella maggior parte delle aree. In quanto indicatori rappresentativi delle condizioni socioeconomiche e delle caratteristiche dell'ambiente stradale strettamente correlate alla percezione umana, essi esercitano un'influenza complessiva sulla vitalità urbana. Al contrario, le cinque variabili diversità dei POI, funzione vitale, funzione residenziale, densità edilizia e prossimità presentano ampiezze di banda relativamente ridotte, indicando che i loro effetti sono concentrati a scala spaziale locale. Questi fattori riflettono le esigenze differenziate dei residenti riguardo alla complessità funzionale, all'ambiente abitativo e all'accessibilità e possono quindi attrarre o limitare diversi tipi di attività negli spazi locali, modellando così la vitalità urbana.

In particolare, le ampiezze di banda della diversità dei POI, della funzione residenziale e della densità edilizia sono rispettivamente 239, 256 e 237, corrispondenti all'11%, al 12% e all'11% del campione completo. Le ampiezze di banda della funzione vitale e della prossimità coprono una proporzione maggiore del campione, pari rispettivamente al 33% e al 41%, suggerendo che i loro effetti agiscono su una scala spaziale più ampia. Nel complesso, i vantaggi del modello MGWR sono evidenti. Le diverse scale di effetto delle variabili esplicative supportano ulteriormente l'ipotesi di eterogeneità spaziale e confermano l'adeguatezza del modello selezionato per questo studio.

Significato dell'impatto:
I risultati statistici dei coefficienti di regressione ottenuti dal modello MGWR sono presentati nella Tabella 4. In base ai valori assoluti dei coefficienti di regressione medi, i contributi delle variabili della struttura spaziale urbana durante il giorno sono ordinati come segue: diversità dei POI > accessibilità > densità edilizia > funzione della vita > funzione residenziale > percorribilità > DBC. Di notte, l'ordine cambia leggermente in: diversità dei POI > funzione della vita = funzione residenziale > densità edilizia > percorribilità > DBC > accessibilità.

Variabile	Media diurna	DS diurna	Mediana diurna	Media notturna	DS notturna	Mediana notturna
Diversità dei POI	0.226	0.126	0.196	0.322	0.096	0.315
Funzione vitale	0.088	0.006	0.088	0.145	0.075	0.153
Funzione residenziale	0.019	0.158	0.004	0.145	0.173	0.123
Densità edilizia	0.132	0.029	0.131	0.070	0.126	0.053
Prossimità	0.165	0.188	0.121	0.030	0.048	0.024
Distanza dal centro commerciale	−0.010	0.004	−0.010	0.032	0.003	0.031
Percorribilità a piedi	0.011	0.002	0.011	0.039	0.002	0.039

Tabella 4: Statistiche riassuntive dei coefficienti di regressione stimati dal modello di regressione geograficamente pesata multiscala (MGWR). La tabella riassume la distribuzione dei coefficienti di regressione stimati dal modello di regressione geograficamente pesata multiscala (MGWR) per la vitalità urbana diurna e notturna. Per ogni variabile esplicativa, vengono riportati i coefficienti di regressione medi, la deviazione standard (SD) e la mediana, consentendo un confronto tra l'entità e la variabilità degli effetti nei due periodi temporali. Abbreviazioni: MGWR, regressione geograficamente pesata multiscala; SD, deviazione standard.

È degno di nota che la diversità dei POI dimostri costantemente il contributo maggiore alla vitalità urbana sia durante il giorno che di notte, con un effetto positivo. Ciò indica che le aree caratterizzate da una varietà di strutture urbane e da un elevato grado di miscelazione funzionale risultano particolarmente attrattive per i residenti urbani, aumentando così la vitalità urbana. Durante il giorno, le attività dei residenti sono principalmente orientate verso gli spostamenti pendolari, il lavoro d'ufficio e i servizi pubblici; pertanto, la vicinanza e la densità edilizia svolgono un ruolo importante. Di notte, le attività dei residenti si spostano verso la residenza, il tempo libero e il consumo locale, e i contributi delle funzioni abitative e ricreative aumentano in modo significativo, mentre il contributo della vicinanza diminuisce notevolmente. Questa differenza tra giorno e notte nell'ordine di importanza riflette direttamente il cambiamento strutturale nei meccanismi che guidano la vitalità urbana al variare dei modelli di attività quotidiane dei residenti, fornendo una base macroscopica per una successiva pianificazione differenziata per zona e periodo temporale.

Come illustrato nella Figura 5, l'analisi delle variazioni nei coefficienti di regressione e delle differenze nelle zone di impatto dopo la selezione dei fattori influenti rivela che gli effetti della funzione vitale, della DBC e della percorribilità sono relativamente stabili durante il giorno. La funzione vitale e la percorribilità hanno effetti positivi, mentre la distanza dal centro commerciale presenta sia effetti positivi che negativi. Gli intervalli di impatto della diversità dei POI, della funzione residenziale e dell'accessibilità fluttuano notevolmente e mostrano anch'essi effetti sia positivi che negativi. L'influenza della densità edilizia varia entro un certo intervallo ma rimane positiva. Di notte, gli effetti della DBC e della percorribilità sono più stabili e rimangono entrambi positivi. Al contrario, gli effetti della diversità dei POI, della funzione residenziale e della densità edilizia mostrano una notevole variabilità: la diversità dei POI presenta un effetto positivo, mentre la funzione residenziale e la densità edilizia mostrano relazioni sia positive che negative con la vitalità urbana. Anche gli effetti della funzione vitale e dell'accessibilità variano entro un certo intervallo.

Figura 5. Distribuzione dei coefficienti di regressione ottenuti dal modello di regressione geograficamente pesato multiscala. I grafici a violino confrontano le distribuzioni dei coefficienti diurni e notturni per ciascun fattore influente. Le regioni più larghe indicano una maggiore densità dei coefficienti; i valori positivi indicano effetti promotori, mentre i valori negativi indicano effetti inibitori. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Eterogeneità Spaziale dell'Impatto
Per analizzare ulteriormente l'eterogeneità spaziale degli effetti della struttura spaziale urbana sulla vitalità urbana, sono stati selezionati campioni con livelli di influenza significativi. I coefficienti di regressione di ciascun elemento della struttura spaziale urbana durante il giorno e la notte sono stati visualizzati (Figure 6 e 7). Utilizzando il metodo di classificazione per intervalli naturali, i coefficienti di regressione sono stati suddivisi in 10 livelli per illustrare l'estensione spaziale, l'intensità e i cambiamenti direzionali dei loro effetti.

Figura 6. Distribuzione spaziale diurna dei coefficienti di regressione geograficamente ponderati su più scale. Le mappe mostrano la variazione spaziale dei coefficienti di regressione diurni per la diversità dei punti di interesse, la funzione vitale, la funzione residenziale, la densità degli edifici, la vicinanza, S e la percorribilità a piedi. I gradienti di colore indicano l'entità dei coefficienti, come mostrato nella legenda di ciascun pannello. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 7. Distribuzione spaziale notturna dei coefficienti di regressione geograficamente ponderati multiscala. Le mappe mostrano la variazione spaziale dei coefficienti di regressione notturni per la diversità dei punti di interesse, la funzione vitale, la funzione residenziale, la densità degli edifici, la prossimità, la distanza dal centro commerciale e la percorribilità a piedi. I gradienti di colore indicano l'entità dei coefficienti, come mostrato nella legenda di ciascun pannello. Cliccare qui per visualizzare una versione ingrandita di questa figura.

La diversità dei POI misura la diversità e la complessità delle funzioni urbane all'interno di ciascuna unità spaziale. Il meccanismo fondamentale alla base della vitalità urbana risiede nella varietà delle destinazioni e negli effetti sinergici delle attività. Maggiore è la diversità dei POI in un'area, migliore sarà la sua capacità di soddisfare le esigenze diversificate dei residenti in termini di acquisti, ristorazione, intrattenimento e servizi quotidiani all'interno dello stesso spazio, riducendo così la necessità di spostamenti tra diverse zone, prolungando la durata del soggiorno pedonale e aumentando l'intensità di utilizzo dello spazio. I risultati mostrano che la diversità dei POI ha l'influenza più forte sulla vitalità urbana e presenta una significativa variazione spaziale. In particolare, la sua distribuzione è relativamente concentrata in aree con effetti elevati e bassi: influenze maggiori si osservano principalmente nel centro urbano, mentre influenze minori si riscontrano prevalentemente nella periferia urbana. I coefficienti di regressione complessivi sono prevalentemente positivi, indicando una chiara relazione positiva, con solo un numero ridotto di associazioni negative deboli. Ciò suggerisce che, nella maggior parte delle aree, una maggiore diversità dei POI è associata a una vitalità urbana più elevata. Inoltre, la differenziazione spaziale degli effetti della diversità dei POI sulla vitalità urbana è più pronunciata di notte rispetto al giorno, rendendola il fattore più influente durante la notte. Tale differenza tra giorno e notte può essere attribuita alla differenziazione strutturale delle esigenze di attività dei residenti tra il periodo diurno e quello notturno. Durante il giorno, l'uso misto del suolo soddisfa principalmente le esigenze di spostamento e di consumo a breve termine e frammentato durante le pause, e il suo ruolo nell'attirare attività pedonali è relativamente limitato. Di notte, tuttavia, le attività delle persone si orientano maggiormente verso il tempo libero, l'interazione sociale e il consumo esperienziale. In questo contesto, le aree con elevata diversità di POI possono offrire scenari di consumo notturno vari e continui, estendendo efficacemente il tempo di permanenza all'aperto dei residenti e esercitando così un effetto propulsivo più evidente sulla vitalità notturna.

Le funzioni vitali comprendono servizi legati all'istruzione, alla scienza, alla cultura, alla salute, ai trasporti e ai servizi pubblici che soddisfano le esigenze quotidiane dei residenti. Il loro meccanismo d'influenza risiede nella formazione di una rete attività-destinazione: tali servizi non solo attraggono flussi pedonali di per sé, ma generano anche, grazie alla sinergia con altre funzioni, flussi di attività stabili. I risultati delle regressioni mostrano che l'effetto positivo delle funzioni vitali sulla vitalità diurna rimane stabile, con coefficienti compresi tra 0,078 e 0,098 e solo lievi fluttuazioni nell'intensità dell'effetto. Al contrario, l'intervallo dei coefficienti per il periodo notturno si amplia a 0,005–0,256, indicando un'influenza spaziale significativamente più ampia. Prendendo come area centrale Zhichu Street e Xingfu Street, il grado di influenza aumenta gradualmente dal centro verso le zone circostanti. Sebbene questa zona si caratterizzi per una distribuzione concentrata della popolazione, la sua pianificazione urbana è relativamente obsoleta e limitata dallo sviluppo economico, con una dotazione complessiva di strutture ricreative e altri servizi a funzionalità vitale inferiore rispetto alla parte orientale della città. Di conseguenza, la sua attrattività per i residenti è più debole e il suo impatto sulla vitalità urbana risulta meno marcato. Questa variazione temporale riflette un cambiamento nelle finalità delle attività dei residenti. Durante il giorno, le funzioni vitali sono principalmente orientate ai servizi pubblici e i flussi pedonali rimangono relativamente stabili. Di notte, tuttavia, si integrano con le esigenze di svago e intrattenimento, instaurando una relazione complementare con funzioni orientate al consumo come ristorazione e acquisti, consentendo così alle funzioni vitali di esercitare un effetto propulsivo più forte sulla vitalità urbana su un'area spaziale più ampia.

Le funzioni residenziali costituiscono la base spaziale che accoglie il ritorno notturno e la permanenza dei residenti. La loro relazione con la vitalità urbana segue schemi nettamente diversi durante il giorno e la notte. Durante il giorno, le aree residenziali rappresentano il punto di partenza dell’emigrazione della popolazione; pertanto, un semplice aumento della densità residenziale non migliora necessariamente la vitalità urbana. In assenza di strutture commerciali e di servizio, aree residenziali ad alta densità possono trasformarsi in "città dormitorio" con vitalità debole. Di notte, tuttavia, i residenti fanno ritorno a casa, e le aree residenziali diventano la base spaziale per le attività notturne. I risultati indicano che, sebbene la variabile relativa alla funzione residenziale mostri un effetto medio complessivo relativamente debole, essa presenta comunque una evidente eterogeneità e differenziazione spaziale in alcune zone, e la distribuzione spaziale di questo effetto è ampiamente simile sia di giorno che di notte. Nelle aree intorno al mercato dei materiali Hongrun, al mercato all'ingrosso della frutta, alla scuola primaria Fenghuangtai e a Jinxiu Xincheng, le funzioni residenziali sono densamente distribuite, ma la loro relazione con la vitalità urbana è negativa. Ciò suggerisce che l’aggiunta di ulteriori funzioni residenziali in queste aree non incrementa la vitalità urbana; al contrario, un’eccessiva concentrazione residenziale potrebbe inibire le attività sociali e di consumo notturne a causa della congestione spaziale e della mancanza di infrastrutture di supporto. Al contrario, nella via Shihuiyao, le funzioni residenziali sono positivamente correlate alla vitalità urbana, indicando che le strutture residenziali in questa zona svolgono un ruolo più forte nel sostenere la vitalità urbana ed esercitano un maggiore richiamo sui residenti.

La densità edilizia riflette l'intensità dello sviluppo all'interno di un'area data e il suo meccanismo sottostante consiste nel fornire la base fisica per l'aggregazione della popolazione: una maggiore densità edilizia indica una capacità maggiore di sostentare popolazione, nonché una concentrazione più fitta di opportunità lavorative e attività commerciali. I risultati di questo studio mostrano che la densità edilizia esercita un effetto complessivamente positivo sulla vitalità urbana durante il giorno, con un'influenza che si indebolisce gradualmente da est a ovest, formando una chiara struttura concentrica. Nella parte occidentale della città, l'effetto della densità edilizia sulla vitalità urbana è più debole rispetto alla parte orientale, suggerendo che l'aumento della densità edilizia nelle aree occidentali è meno efficace nel potenziare la vitalità urbana rispetto alle aree orientali. Di notte, tuttavia, l'effetto mostra un andamento bidirezionale. L'influenza della densità edilizia sulla vitalità urbana risulta negativamente correlata nella parte occidentale di Xingfu Street, vicino al fiume Jiahe, e nei cluster a basso valore di Zhichu Street, con variazioni relativamente ridotte in termini di entità. Questa differenza diurna deriva da una differenziazione funzionale: durante il giorno, le aree costruite ad alta densità concentrano funzioni direzionali e commerciali e fungono da zone principali di affluenza della popolazione; di notte, invece, alcuni distretti commerciali ad alta densità sperimentano una dispersione della popolazione, e la vitalità urbana si sposta verso le aree residenziali circostanti. In questo senso, le aree costruite ad alta densità funzionano come centri di aggregazione della vitalità durante il giorno, mentre di notte diventano fonti di diffusione della vitalità, promuovendo la vitalità circostante attraverso un effetto di spill-over verso l'esterno.

La prossimità misura l'efficienza della connettività della rete stradale e determina quanto comodamente i residenti possano raggiungere diverse tipologie di destinazioni. Il suo meccanismo fondamentale consiste nella riduzione dei costi in termini di tempo di viaggio e nell'ampliamento della portata spaziale delle attività; una maggiore prossimità aumenta direttamente la probabilità e la frequenza di visita ai luoghi. I risultati di questo studio mostrano che la prossimità è il secondo fattore trainante più importante durante il giorno, superata soltanto dalla diversità dei POI, mentre il suo impatto diminuisce notevolmente durante la notte. Questo marcato contrasto tra giorno e notte riflette un cambiamento fondamentale nei modelli di attività dei residenti. Durante il giorno, attività come il pendolarismo, le commissioni e gli affari professionali richiedono un trasporto relativamente intenso e dipendono fortemente dall'accessibilità. Di notte, invece, le attività dei residenti diventano più incentrate sulla casa, il raggio di movimento si riduce e le finalità principali degli spostamenti si orientano verso il tempo libero e il consumo, rendendo i residenti significativamente meno sensibili all'accessibilità della rete stradale. Inoltre, la prossimità presenta un effetto locale bidirezionale: mostra una forte associazione positiva con la vitalità urbana lungo il fiume Jiahe, nonché nelle vie Zhichu e Fenghuangtai, mentre evidenzia una debole associazione negativa nelle aree scarsamente popolate a nord della via Xingfu. Ciò suggerisce che l'effetto di stimolo della vitalità da parte della prossimità dipende dalla presenza di una domanda pedonale sufficiente.

DBC misura la vicinanza di ciascuna unità spaziale al distretto commerciale centrale della città, riflettendo vantaggi posizionali in termini di accesso alle opportunità lavorative, alle offerte di consumo e alle esternalità economiche. Il meccanismo sottostante risiede nelle economie di agglomerazione e nell'accessibilità per i consumatori: più un'area è vicina al centro commerciale, maggiore è la densità di posti di lavoro, più ricca è la varietà di scelte di consumo e più intense sono le interazioni socioeconomiche, attirando così un flusso pedonale maggiore. I risultati di questo studio mostrano che l'influenza del DBC sulla vitalità urbana diurna diminuisce da sud a nord ed esibisce una correlazione negativa. Le aree a sud sono più lontane dal centro commerciale e quindi esercitano un'influenza minore sulla vitalità urbana, mentre le zone a nord di Kuiyu Road sono più vicine al centro commerciale ed esercitano pertanto un effetto più forte. Di notte, tuttavia, la relazione diventa positiva, con la formazione di due zone ad anello ai lati nord e sud di Hongqi Road, e l'influenza aumenta gradualmente dal centro verso le aree circostanti. Questo rovesciamento tra giorno e notte rivela la logica sottostante della struttura spaziale: durante il giorno, il centro commerciale funge da destinazione principale per lavoro e consumo, determinando una concentrazione della popolazione verso l'interno; di notte, invece, i residenti fanno ritorno alle loro abitazioni distribuite in tutta la città, e le zone residenziali più lontane dal centro commerciale registrano un aumento della vitalità a causa del rientro della popolazione.

La percorribilità misura la pedonalità dell'ambiente stradale e funge da ponte fondamentale tra lo spazio fisico e la percezione umana. Il suo meccanismo distintivo non consiste nel generare direttamente flussi pedonali, ma nel migliorare l'esperienza di camminata, potenziare le sensazioni di sicurezza e comfort, prolungare il tempo di permanenza dei pedoni e favorire l'interazione sociale, contribuendo così alla vitalità urbana. In questo studio, la percorribilità mostra un effetto positivo stabile sulla vitalità urbana sia di giorno che di notte, indicando che la sua influenza è di natura globale e che ambienti stradali a misura di pedone migliorano generalmente la vitalità spaziale. Durante il giorno, l'influenza della percorribilità sulla vitalità urbana forma zone a bassa vitalità a Zhujia Village e a Fenghuangtai Street. Ciò potrebbe essere principalmente dovuto al fatto che i flussi pedonali vicino a Zhujia Village sono relativamente limitati e i residenti dipendono meno dai marciapiedi. A Fenghuangtai Street, la distribuzione degli edifici è densa e la configurazione stradale è obsoleta; i marciapiedi sono stretti e spesso invasi, con un supporto limitato all'aggregazione della vitalità attraverso la mobilità non motorizzata. Di notte, l'influenza della percorribilità diminuisce gradualmente da sud-ovest verso nord, con un effetto più forte nella parte meridionale della città e uno relativamente più debole nella parte settentrionale. Questo schema è legato alla distribuzione dei flussi pedonali, delle infrastrutture di trasporto e alle disparità di sviluppo regionale nell'area urbana principale di Yantai. Inoltre, l'effetto della percorribilità è relativamente più forte di notte, riflettendo la maggiore dipendenza delle attività notturne dalla percezione di sicurezza e dalla qualità ambientale. Un'illuminazione adeguata, marciapiedi continui e un confine stradale ben definito possono ridurre efficacemente il senso di insicurezza durante gli spostamenti notturni, sbloccando così il potenziale della vitalità urbana notturna.

Aree rappresentative e quadro per l'ottimizzazione della vitalità urbana
Per illustrare ulteriormente l'eterogeneità spaziale identificata dall'analisi MGWR, sono stati selezionati quartieri rappresentativi con diverse caratteristiche spaziali urbane per un'indagine sul campo (Figure 8 e 9). Questi esempi forniscono evidenze visive delle condizioni spaziali associate ai risultati analitici.

Figura 8. Condizioni esistenti dei vecchi quartieri nella Nuova Città di Xingfu. Fotografie rappresentative mostrano le condizioni delle strade e dell'ambiente costruito, inclusa una distribuzione irregolare delle strutture pubbliche e una qualità ambientale stradale limitata. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 9. Condizioni attuali delle vecchie comunità di Nangou Street-Jinde e Baishi-Huangshan. Fotografie rappresentative mostrano abitazioni residenziali dense, spazi aperti pubblici limitati e le attuali condizioni ambientali del quartiere. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Figura 8 mostra Xingfu New Town, un quartiere rappresentativo più vecchio caratterizzato da una distribuzione irregolare delle strutture per i servizi pubblici e da una qualità ambientale stradale relativamente scarsa. Figura 9 presenta quartieri residenziali rappresentativi nelle aree di Nangou Street–Jinde e Baishi–Huangshan, caratterizzati da uno sviluppo residenziale denso, da uno spazio pubblico aperto limitato e da interfacce stradali relativamente monotone. Queste caratteristiche spaziali osservate sono coerenti con i risultati analitici che descrivono le differenze negli effetti delle funzioni vitali e delle funzioni residenziali sulla vitalità urbana.

Figura 10 riassume le relazioni tra le principali dimensioni della struttura spaziale urbana e le loro influenze sulla vitalità urbana. Sulla base dei risultati dell'analisi MGWR, il modello integra i fattori determinanti identificati e le loro interazioni per fornire una rappresentazione concettuale complessiva dei meccanismi che influenzano la vitalità urbana diurna e notturna.

Figura 10. Meccanismo di ottimizzazione per il miglioramento della struttura spaziale urbana e della vitalità. Il diagramma riassume le strategie di miglioramento della vitalità nei diversi elementi funzionali, nella forma architettonica, nell'accessibilità, nei fattori socioeconomici, nello spazio ecologico e nella percezione umana, considerando le differenze tra vitalità diurna e notturna. Cliccare qui per visualizzare una versione ingrandita di questa figura.

Disponibilità dei dati:
Tutti i dati a supporto dei risultati di questo studio sono forniti all'interno dell'articolo e dei materiali supplementari. Questi includono Supplementary Figure 1; Supplementary Files 1–7, che descrivono la raccolta dei dati, la pre-elaborazione, i flussi analitici, gli output del modello e le diagnosi di regressione; Supplementary Codes 1–4, che contengono gli script Python e i notebook Jupyter utilizzati per la pre-elaborazione dei dati e l'elaborazione delle immagini a vista stradale; e Supplementary Data 1–3, che forniscono i set di dati originali, standardizzati ed elaborati relativi agli indicatori della struttura spaziale urbana utilizzati nelle analisi.

Figura supplementare 1. Convalida della vitalità urbana derivata dalla mappa termica mediante l'intensità della luce notturna. Confronto della distribuzione spaziale dell'intensità della luce notturna (a sinistra) e della vitalità urbana notturna derivata dai dati della mappa termica di Baidu (a destra). Aree hotspot rappresentative sono evidenziate per dimostrare l'accordo spaziale tra i due set di dati, sostenendo l'utilizzo dell'intensità dell'attività derivata dalla mappa termica come indicatore della vitalità urbana nell'area di studio. Cliccare qui per scaricare il file.

File supplementare 1. Flusso di lavoro per la raccolta e l'elaborazione dei dati della mappa termica di Baidu. Questo file descrive il flusso di lavoro per l'acquisizione dei dati della mappa termica di Baidu, la pre-elaborazione, la riduzione del rumore, la classificazione temporale, la trasformazione spaziale, la stima della densità del kernel e il calcolo della vitalità urbana diurna e notturna alla scala della griglia 300 m × 300 m. Cliccare qui per scaricare il file.

File Supplementare 2. Definizioni e procedure di calcolo degli indicatori della struttura spaziale urbana. Questo file fornisce le definizioni, le equazioni di calcolo, le procedure di pre-elaborazione, le impostazioni dei parametri e i metodi di normalizzazione per tutti gli indicatori della struttura spaziale urbana utilizzati nell'analisi, inclusi funzionalità, forma architettonica, accessibilità, caratteristiche socioeconomiche, spazio ecologico e percezione umana. Clicca qui per scaricare questo file.

File Supplementare 3. Flusso di lavoro per l'acquisizione e l'analisi delle immagini a vista stradale. Questo file descrive la strategia di campionamento delle immagini a vista stradale, i parametri di acquisizione delle immagini, la generazione di immagini panoramiche, la segmentazione semantica utilizzando il modello SegNet, la validazione del modello e il calcolo degli indicatori della percezione umana derivati da immagini a vista stradale. Cliccare qui per scaricare questo file.

File supplementare 4. Flusso di lavoro per la modellizzazione della regressione geograficamente pesata multiscala (MGWR). Questo file descrive la procedura di modellizzazione MGWR, inclusi il preelaborazione dei dati, la selezione delle variabili, la valutazione della multicollinearità, la configurazione del modello, l'ottimizzazione della larghezza di banda, le impostazioni dei parametri, l'implementazione del modello e il confronto delle prestazioni tra i modelli dei minimi quadrati ordinari (OLS), della regressione geograficamente pesata (GWR) e MGWR. Cliccare qui per scaricare questo file.

File Supplementare 5. Risultati della regressione geograficamente pesata multiscala (MGWR) diurna. Risultati completi del modello MGWR diurno, inclusi statistiche globali di regressione, ottimizzazione della larghezza di banda, metriche diagnostiche, stime dei parametri e statistiche riassuntive utilizzate per valutare l'eterogeneità spaziale della vitalità urbana diurna. Cliccare qui per scaricare questo file.

File Supplementare 6. Risultati della regressione geograficamente ponderata multiscala (MGWR) notturna. Risultati completi del modello MGWR notturno, inclusi statistiche globali di regressione, ottimizzazione della larghezza di banda, metriche diagnostiche, stime dei parametri e statistiche riassuntive utilizzate per valutare l'eterogeneità spaziale della vitalità urbana notturna. Cliccare qui per scaricare il file.

File Supplementare 7. Diagnostica della regressione ai minimi quadrati ordinari (OLS) e valutazione del modello. Risultati diagnostici per il modello OLS, inclusa la valutazione della multicollinearità, diagnosi della regressione, analisi dei residui e grafici di supporto utilizzati per il confronto con modelli di regressione pesata geograficamente. Cliccare qui per scaricare questo file.

Codice supplementare 1. Flusso di lavoro Python per la preelaborazione dei dati della mappa di calore di Baidu. Script Python utilizzato per la preelaborazione dei dati grezzi della mappa di calore, inclusa la rimozione dei duplicati, il filtraggio dei valori mancanti, la conversione dei timestamp, la classificazione giorno/notte, la standardizzazione delle coordinate e l'esportazione dei dataset elaborati per successive analisi spaziali. Cliccare qui per scaricare il file.

Codice Supplementare 2. Flusso di lavoro per l'unione di immagini in vista panoramica stradale. Notebook Jupyter che implementa l'elaborazione di immagini in vista stradale, inclusa l'unione delle immagini e la generazione di immagini panoramiche per l'analisi successiva del paesaggio urbano. Cliccare qui per scaricare il file.

Codice supplementare 3. Flusso di lavoro per l'acquisizione di immagini in vista stradale. Notebook Jupyter utilizzato per recuperare immagini in vista stradale tramite l'interfaccia di programmazione applicativa (API) di Baidu Street View, organizzare i metadati delle immagini e preparare le immagini per la segmentazione semantica. Cliccare qui per scaricare il file.

Codice supplementare 4. Flusso di lavoro per l'elaborazione delle immagini a livello stradale. Notebook Jupyter utilizzato per elaborare e integrare le immagini a livello stradale prima dell'estrazione degli indicatori della percezione umana. Fare clic qui per scaricare il file.

Dati supplementari 1. Set di dati originale degli indicatori della struttura spaziale urbana. Valori grezzi degli indicatori raccolti prima della pre-elaborazione e della standardizzazione per tutte le unità spaziali incluse nello studio. Cliccare qui per scaricare il file.

Dati supplementari 2. Dataset standardizzato di indicatori della struttura spaziale urbana. Variabili predittive standardizzate utilizzate come input per le analisi di regressione geograficamente pesate multiscala. Fare clic qui per scaricare il file.

Dati supplementari 3. Set di dati filtrati ed elaborati sugli indicatori della struttura spaziale urbana. Set di dati controllati per la qualità, ottenuto dopo il preelaborazione e la selezione delle variabili, utilizzato per le analisi statistiche e lo sviluppo dei modelli. Cliccare qui per scaricare il file.

Discussione

La vitalità urbana nell'area urbana principale di Yantai mostra schemi di aggregazione diversificati e influenze spaziali eterogenee che variano in base alla posizione, all'estensione spaziale e alla scala analitica. Il presente studio dimostra che la vitalità urbana è plasmata da una struttura spaziale complessa e gerarchica, all'interno della quale molteplici dimensioni dell'ambiente costruito influenzano congiuntamente le attività diurne e notturne dei residenti. Utilizzando dati geospaziali multiscala e il modello MGWR, questo studio ha identificato una notevole eterogeneità spaziale negli effetti esercitati da funzionalità, forma costruita, accessibilità, condizioni socioeconomiche e percezione umana sulla vitalità urbana. Rispetto ai tradizionali approcci di regressione globale, il modello MGWR ha catturato in modo più efficace la non stazionarietà spaziale di tali relazioni, fornendo una comprensione più dettagliata dei meccanismi alla base della vitalità urbana. Questi risultati indicano che le strategie per promuovere la vitalità urbana dovrebbero basarsi sulle esigenze spaziotemporali delle attività dei residenti e adottare approcci equi e specifici del contesto, variabili in base a persone, tempo e luogo. Inoltre, un potenziamento efficace della vitalità richiede un'ottimizzazione coordinata delle strutture spaziali globali e locali, riducendo inefficienze, interventi inefficaci e effetti negativi associati all'allocazione delle risorse e ai vincoli ambientali. Nel complesso, questi risultati forniscono un quadro basato su evidenze per migliorare l'efficacia e la precisione delle strategie di potenziamento della vitalità urbana (Figura 10).

Tra gli elementi funzionali esaminati, la diversità dei POI, le funzioni vitali e le funzioni residenziali sono stati identificati come i principali determinanti della vitalità urbana. La diversità dei POI ha esercitato l'influenza positiva più forte sulla vitalità urbana, in linea con i risultati di Ye e Zhuang³³ e di Cetin et al.³⁴, che hanno dimostrato come funzioni urbane miste favoriscano l'aggregazione della popolazione e aumentino la vitalità spaziale. Nello studio attuale, la diversità dei POI ha mostrato una relazione positiva significativa con la vitalità urbana nella maggior parte del distretto urbano principale durante il giorno, mentre sono state osservate solo deboli associazioni negative nelle aree periferiche. Questo schema può essere spiegato dalla concentrazione di funzioni residenziali, commerciali, ricreative e di servizio diversificate, che creano catene continue di attività umane e rafforzano sia la vitalità temporale che spaziale. Al contrario, i distretti periferici caratterizzati da un uso del suolo monofunzionale presentano catene di attività frammentate e un uso ridotto nel tempo dello spazio urbano. Questa differenziazione concentrica è inoltre coerente con studi precedenti di Fang et al.³⁵ e Xu et al.³⁶. Schemi simili sono stati riportati a Pechino e Wuhan, dove livelli più elevati di integrazione funzionale sono associati a una vitalità pedonale e commerciale maggiore^37,38. A differenza dei quartieri residenziali suburbani di Pechino, che generalmente dispongono di strutture di supporto relativamente complete, aree industriali come Huangwu Street e il Parco Industriale di Wanhua a Yantai mancano di POI sufficienti per l'uso quotidiano, rendendo più evidenti gli effetti negativi della monocultura funzionale. Di conseguenza, aumentare la diversità funzionale attraverso lo sviluppo misto residenziale-commerciale, servizi comunitari e spazi pubblici aperti potrebbe probabilmente migliorare la vitalità in questi distretti, mentre l'espansione di strade commerciali notturne e mercati notturni potrebbe ulteriormente rafforzare l'attività notturna. Le funzioni vitali hanno mostrato anche effetti positivi costanti sulla vitalità urbana sia di giorno che di notte, in particolare nella parte orientale della città. Le strutture legate a istruzione, sanità, cultura, ricreazione, trasporti e servizi pubblici attirano visite ripetute ogni giorno e fungono da destinazioni importanti per gli spostamenti e le interazioni sociali. L'overlap spaziale di queste strutture con i servizi commerciali aumenta ulteriormente la durata del soggiorno pedonale e l'intensità dell'attività, sostenendo così la vitalità urbana. Questi risultati sono coerenti con Liu e Ge³⁹, che hanno sottolineato l'importanza della fornitura di servizi pubblici per potenziare la vitalità comunitaria, nonché con studi condotti a Nanchino e Wuhan che dimostrano come strutture di supporto alla vita equilibrate aumentino significativamente l'intensità di attività dei residenti durante l'intera giornata^40,41. Di conseguenza, un rinnovamento urbano completo dovrebbe dare priorità a miglioramenti sia nella quantità che nella qualità delle strutture a funzione vitale. Come illustrato nella Figura 8, quartieri più vecchi come Xingfu Xincheng e i villaggi urbani circostanti continuano a soffrire di servizi pubblici insufficienti e di una qualità spaziale relativamente scarsa. Migliorare l'accesso a istruzione, sanità, assistenza agli anziani, spazi verdi pubblici e infrastrutture di emergenza, insieme al riutilizzo adattivo di siti industriali dismessi come Zhichu Park trasformati in parchi e piazze pubbliche, contribuirebbe a una vitalità urbana più forte e sostenibile. Le funzioni residenziali hanno mostrato schemi spaziali simili sia di giorno che di notte, mostrando in generale deboli relazioni negative nelle aree con alta concentrazione di POI residenziali. Queste aree sono spesso caratterizzate da un uso del suolo prevalentemente residenziale, da spazi pubblici aperti limitati, da attività commerciali insufficienti e da relativamente poche opportunità di interazione sociale, risultando in ambienti con forti caratteristiche residenziali ma intensità di attività relativamente debole. Chen et al.⁴² hanno analogamente dimostrato che l'infrastruttura urbana migliora la vitalità solo quando un'adeguata densità è accompagnata da un continuo aggiornamento e rinnovamento. Ricerche condotte in distretti urbani ad alta densità di Guangzhou indicano inoltre che l'aumento dello sviluppo residenziale da solo non migliora necessariamente la vitalità, a meno che non sia sostenuto da servizi pubblici, strutture commerciali, infrastrutture pedonali e spazi pubblici di alta qualità. Come mostrato nella Figura 9, molti quartieri ad alta concentrazione residenziale continuano a soffrire di carenza di spazi pubblici e di fronti stradali inattivi. Pertanto, i distretti densamente residenziali trarrebbero beneficio da interventi mirati per migliorare le strutture di servizio pubblico, ottimizzare le funzioni residenziali, adottare tecnologie edilizie verdi, rafforzare la governance comunitaria e pianificare attentamente lo sviluppo residenziale futuro per migliorare sia la qualità residenziale che la vitalità urbana.

Oltre agli elementi funzionali, il presente studio dimostra che la forma costruita, l'accessibilità, le condizioni socioeconomiche e la percezione umana contribuiscono tutti all'eterogeneità spaziale della vitalità urbana. La densità edilizia si è rivelata un determinante importante della vitalità del quartiere. In linea con i risultati di Yang et al.⁴³ a Chongqing, una maggiore densità edilizia promuove generalmente l'aggregazione della popolazione e le attività economiche, incrementando così la vitalità dei quartieri. Analogamente, lo studio attuale ha mostrato che l'influenza della densità edilizia aumenta gradualmente da ovest a est, riflettendo la concentrazione dello sviluppo e delle attività commerciali nel nucleo nord-orientale del distretto urbano principale di Yantai. Studi precedenti condotti a Guangzhou hanno ulteriormente dimostrato che, sebbene l'aumento della densità edilizia inizialmente promuova la vitalità urbana, questa relazione raggiunge infine una soglia ottimale oltre la quale ulteriori incrementi di densità producono benefici decrescenti¹⁶Allo stesso modo, studi condotti a Qingdao hanno indicato che le aree circostanti gli spazi ecologici non sono adatte a uno sviluppo eccessivamente intensivo44 e che layout spaziali lineari o liberi lungo la costa spesso offrono ambienti più attraenti rispetto a forme urbane altamente compatte. Questi risultati suggeriscono che la densità edilizia dovrebbe essere ottimizzata piuttosto che massimizzata. Di conseguenza, la densità edilizia locale dovrebbe essere adeguatamente ridotta nei distretti commerciali e residenziali altamente sviluppati, inclusi i dintorni della stazione ferroviaria di Yantai e di Haishang World, aumentando al contempo gli spazi verdi pubblici e le aree ricreative. Nei quartieri storici come Chaoyang Street e Suochengli si dovrebbe dare priorità alla conservazione degli edifici storici ed evitare un eccessivo riutilizzo del suolo, mentre l'intensità dello sviluppo lungo la fascia turistica costiera e nei pressi del Central Mountain Park dovrebbe essere attentamente controllata al fine di preservare le risorse ecologiche e paesaggistiche, mantenendo al contempo la vitalità urbana. L'accessibilità ha inoltre mostrato una marcata eterogeneità spaziotemporale. In linea con studi precedenti^45,46, la vicinanza diurna ha mostrato una relazione positiva significativa con la vitalità urbana, mentre il suo effetto è diminuito da sud a nord durante le ore notturne. Poiché la vicinanza riflette la connettività della rete stradale e i costi di spostamento dei residenti, una maggiore accessibilità favorisce attività frequenti e multifunzionali riducendo i tempi di percorrenza. Studi precedenti hanno parimenti dimostrato che la vitalità notturna è fortemente associata alla densità di popolazione e alla connettività dei trasporti, in particolare nelle aree urbane densamente sviluppate⁴⁷Wei Wei et al.⁴⁸ ha ulteriormente dimostrato a Wuhan che reti stradali ad alta connettività e sistemi di traffico lento ben sviluppati aumentano sostanzialmente la vitalità dei quartieri, in particolare durante la notte. Questi risultati suggeriscono che la pianificazione futura delle reti stradali dovrebbe adottare una strategia basata su "isolati piccoli e reti stradali fitte". Nei quartieri più antichi situati in prossimità di terreni montuosi, come Nangou Street–Jinde e Baishi–Hushan, un miglioramento della connettività attraverso l'eliminazione delle strade senza uscita e l'ampliamento delle infrastrutture pedonali, ciclabili e stradali rafforzerebbe l'accessibilità e la vitalità complessiva. Analogamente, interventi di miglioramento del trasporto nelle aree settentrionali di Xingfu Street potrebbero ulteriormente incrementare la vitalità notturna. Le condizioni socioeconomiche rappresentate dal DBC hanno mostrato anche una chiara eterogeneità tra giorno e notte. Durante il giorno, valori più bassi di DBC erano associati a una maggiore aggregazione della popolazione e a una vitalità urbana più elevata, mentre la vitalità notturna presentava un andamento opposto, in linea con i risultati riportati da Wang et al.⁴⁹ Questa differenza riflette l'organizzazione spaziale contrastante tra le attività diurne di pendolarismo e acquisti rispetto alle attività notturne di svago e residenziali. Durante il giorno, il centro commerciale della città funge da destinazione principale per lavoro e consumo, generando una forte concentrazione di vitalità. Di notte, invece, le attività ricreative diventano più diffuse, mentre le aree residenziali periferiche registrano un aumento della vitalità con il rientro a casa degli abitanti. Questo schema rispecchia anche lo squilibrio tra posti di lavoro e abitazioni nella struttura commerciale prevalentemente monocentrica di Yantai. Tale fenomeno è coerente con la teoria dell'economia notturna di Bianchini.⁵⁰, lo sviluppo di attività commerciali notturne diversificate rappresenta una strategia efficace per rafforzare la vitalità nei quartieri periferici. Di conseguenza, aree periferiche come il sottodistretto di Huangwu trarrebbero vantaggio dalla creazione di centri commerciali secondari, da maggiori opportunità di consumo notturno e da un miglioramento dei collegamenti di trasporto tra le zone residenziali periferiche e il centro città, promuovendo così una vitalità più equilibrata in tutta l'area urbana. Infine, la percezione umana, rappresentata dalla percorribilità a piedi, ha esercitato costantemente un'influenza positiva sulla vitalità urbana sia di giorno che di notte. Geurs et al.⁵¹ ha dimostrato che una maggiore accessibilità pedonale aumenta la disponibilità dei residenti a compiere passeggiate spontanee, promuovendo così la vitalità del quartiere. Mahmood et al.⁵² hanno sottolineato ulteriormente che le attività urbane notturne dipendono fortemente dall'accessibilità ai trasporti, dal comfort pedonale e dalla sicurezza percepita, rendendo fondamentali ambienti di camminabilità di alta qualità per sostenere la vitalità notturna. I risultati attuali indicano in modo analogo che l'attività pedonale diurna è influenzata principalmente dall'accessibilità delle strutture, mentre la vitalità notturna dipende in misura maggiore dal comfort ambientale, dalla continuità dei percorsi pedonali e dalla sicurezza percepita. Si Rui et al.⁵³ hanno inoltre riferito che ambienti pedonali più sicuri favoriscono la vitalità notturna, mentre interfacce stradali più diversificate potenziano la vitalità diurna. A Yantai, infrastrutture pedonali frammentate e gravi conflitti tra pedoni e veicoli rimangono comuni nei quartieri più vecchi, limitando l’espressione di una vitalità fruibile durante l’intera giornata. Pertanto, la pianificazione futura dovrebbe dare priorità a marciapiedi continui, infrastrutture pedonali senza barriere, attraversamenti più sicuri, interfacce stradali più ricche, un migliore illuminamento e un’ambientazione notturna di qualità superiore, al fine di prolungare le attività all’aperto dei residenti, promuovere l’interazione sociale e l’attività commerciale, e rafforzare la vitalità urbana sia diurna che notturna. Figura 10 riassume le strategie di ottimizzazione proposte derivate da questi risultati.

Nell'insieme, il presente studio approfondisce la comprensione della vitalità urbana integrando dati geospaziali di grandi dimensioni provenienti da più fonti con il modello MGWR, al fine di quantificare in che modo le diverse dimensioni della struttura spaziale urbana influenzino la vitalità su diverse scale spaziali e periodi temporali. A differenza dei modelli di regressione globale convenzionali, l'approccio MGWR consente a ciascuna variabile esplicativa di operare alla propria scala spaziale, rivelando così una notevole non stazionarietà spaziale nelle relazioni tra funzionalità, forma costruita, accessibilità, condizioni socioeconomiche, percezione umana e vitalità urbana. Questo quadro analitico non solo migliora l'interpretazione dei meccanismi alla base della vitalità urbana, ma fornisce anche indicazioni pratiche per una pianificazione e una gestione urbana basate su evidenze. Piuttosto che applicare interventi pianificatori uniformi in tutta la città, i risultati sostengono strategie di ottimizzazione differenziate, adattate alle caratteristiche funzionali locali, all'intensità dello sviluppo, all'accessibilità dei trasporti, al contesto socioeconomico e agli ambienti pedonali. Di conseguenza, il framework proposto ha potenziali applicazioni nel rinnovamento urbano, nella rigenerazione dei quartieri, nell'ottimizzazione degli spazi pubblici, nella pianificazione dei trasporti e nello sviluppo di economie sostenibili diurne e notturne. Identificando dove e come diversi elementi spaziali influenzino la vitalità, lo studio fornisce una base scientifica per l'attuazione di strategie di pianificazione precise e centrate sulle persone, che migliorano la qualità dello spazio urbano promuovendo al contempo uno sviluppo urbano equilibrato e sostenibile.

Sebbene il presente studio stabilisca un quadro analitico per l'analisi della vitalità urbana mediante dati geospaziali multisorgente e il modello MGWR, è necessario riconoscere diverse limitazioni. In primo luogo, la copertura temporale dell'analisi si è limitata ai dati della Mappa di Calore raccolti in cinque giorni feriali consecutivi, il che non consente di catturare le variazioni nei modelli comportamentali dei residenti durante i fine settimana, le festività o diverse stagioni, riducendo così la completezza dell'analisi temporale. In secondo luogo, sebbene i dati della Mappa di Calore offrano un'ampia copertura spaziale grazie a una vasta base di utenti, inevitabilmente contengono un bias di campionamento e non possono rappresentare pienamente l'intera popolazione urbana, con conseguenti limitazioni nella rappresentatività del campione. In terzo luogo, lo studio si è concentrato esclusivamente sull'area urbana principale del Distretto di Zhifu, Yantai; di conseguenza, i risultati sono strettamente associati alle caratteristiche dell'ambiente costruito locale, e la loro applicabilità ad altri contesti urbani, inclusi centri montani, aree suburbane, città costiere e megalopoli, richiede ulteriori verifiche tramite studi comparativi. In quarto luogo, l'analisi attuale ha esaminato soltanto l'influenza della struttura spaziale urbana sulla vitalità urbana, senza indagare le potenziali interazioni bidirezionali tra vitalità urbana e struttura spaziale. Infine, sebbene il modello MGWR sia efficace nel catturare la non stazionarietà spaziale, si basa fondamentalmente su assunzioni lineari e pertanto potrebbe non caratterizzare pienamente le complesse relazioni non lineari e gli effetti di interazione tra vitalità urbana, attività umane ed elementi spaziali. Queste limitazioni indicano importanti direzioni per un ulteriore perfezionamento metodologico e un'applicazione più ampia del quadro analitico proposto.

Ricerche future possono estendere il presente lavoro in diverse direzioni. L'inclusione di dati provenienti dalle Mappe di Calore raccolti durante fine settimana, festività e diverse stagioni permetterebbe un monitoraggio dinamico a lungo termine della vitalità urbana e fornirebbe una comprensione più completa della sua evoluzione spaziotemporale. Analisi comparative tra diversi tipi di aree urbane—comprese città montane, città di pianura, città costiere, aree suburbane e megalopoli—potrebbero aiutare a distinguere meccanismi universali da caratteristiche specifiche delle singole regioni, migliorando la generalizzabilità dei risultati. Inoltre, l'integrazione di informazioni socioeconomiche, come la struttura demografica, la distribuzione industriale, le caratteristiche occupazionali e il reddito dei residenti, faciliterebbe un'interpretazione più completa dei meccanismi alla base della formazione della vitalità urbana. Studi futuri potrebbero inoltre combinare diverse fonti di dati, come dati di segnalazione telefonica mobile e registrazioni di consumo ad alta frequenza, con approcci analitici non lineari come il machine learning, al fine di cogliere meglio le interazioni complesse tra struttura spaziale urbana, comportamento umano e vitalità urbana. Inoltre, il quadro analitico sviluppato in questo studio ha un notevole valore pratico per il rinnovo urbano, la rigenerazione dei quartieri, l'ottimizzazione degli spazi pubblici e una governance urbana più accurata, in particolare nelle comunità anziane, nei distretti suburbani e nelle aree con vitalità commerciale relativamente debole. Fornendo evidenze quantitative per strategie di pianificazione differenziate in base alle caratteristiche spaziali locali, questo approccio può sostenere uno sviluppo urbano più preciso, orientato alle persone e sostenibile. Nel complesso, questo studio dimostra che l'integrazione di big data geospaziali multisorgente con il modello MGWR rappresenta un approccio efficace per rivelare l'eterogeneità spaziale della vitalità urbana e offre un prezioso supporto scientifico per ottimizzare la struttura spaziale urbana e potenziare la vitalità urbana attraverso una pianificazione e una governance basate su evidenze.

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
ArcGIS	Esri	Versione 10.4 (RRID: SCR_011081)	Software di sistema informativo geografico utilizzato per l'analisi spaziale e la visualizzazione di mappe
Baidu Maps API	Baidu, Inc.	Versione 3.0	Utilizzata per acquisire dati di mappa termica, punti di interesse (POI) e immagini a livello stradale
MGWR	Arizona State University	Versione 2.2	Software utilizzato per l'analisi di regressione geograficamente pesata multiscala
Set di dati sull'uso del suolo del National Basic Geographic Information Center	National Basic Geographic Information Center	https://www.gscloud.cn/search	Fonte dei dati sull'uso del suolo
Set di dati della luce notturna NPP-VIIRS	Harvard Dataverse	DOI: 10.7910/DVN/YGIVCD	Utilizzato per convalidare i modelli di vitalità urbana derivati dalla mappa termica
OpenCV	OpenCV	Versione 4.5.5	Utilizzato per l'unione di immagini panoramiche e per l'elaborazione delle immagini
OpenStreetMap	OpenStreetMap Foundation	https://www.openstreetmap.org	Fonte dei dati su impronta degli edifici e rete stradale
Python	Python Software Foundation	Versione 3.8 (RRID: SCR_008394)	Utilizzato per l'acquisizione, il preelaborazione e l'analisi dei dati
SegNet	University of Cambridge	Implementazione PyTorch (Versione 1.0) (RRID: SCR_017042)	Rete di segmentazione semantica basata su apprendimento profondo utilizzata per l'estrazione di caratteristiche del paesaggio urbano
Analisi della rete di progettazione spaziale (sDNA)	Cardiff University	Versione 4.0	Utilizzata per calcolare le metriche di accessibilità della rete stradale