Este protocolo integra dados de mapa de calor do Baidu, pontos de interesse, imagens de vista panorâmica de ruas e regressão geograficamente ponderada em múltiplas escalas para quantificar a vitalidade urbana e avaliar como a estrutura espacial urbana influencia os padrões de vitalidade diurna e noturna em Yantai, China.
Artigo de investigação
Análise Espacial do Impacto da Estrutura Espacial Urbana na Vitalidade Urbana em Yantai, China, Utilizando a Regressão Geograficamente Ponderada Multiescala
Neste artigo
Resumo
Resumo
Compreender como a estrutura espacial urbana influencia a vitalidade urbana é essencial para desenvolver estratégias de planejamento urbano centradas no ser humano. No entanto, a heterogeneidade espacial dessas relações e as contribuições relativas dos diferentes elementos da estrutura espacial urbana para a vitalidade diurna e noturna permanecem insuficientemente compreendidas. Este estudo teve como objetivo quantificar a vitalidade urbana e investigar como a estrutura espacial urbana afeta sua variação espaço-temporal na área urbana principal de Yantai, China. Conjuntos de dados espaciais multissource, incluindo dados de mapa de calor do Baidu, pontos de interesse, imagens de vista frontal de ruas, redes viárias, informações sobre edificações e dados de uso do solo, foram integrados para caracterizar a vitalidade urbana e a estrutura espacial urbana. A estimativa de densidade kernel, análise de autocorrelação espacial e regressão geograficamente ponderada em múltiplas escalas (MGWR) foram empregadas para avaliar a distribuição espacial da vitalidade urbana e os efeitos dependentes de escala das variáveis de estrutura espacial urbana. Os resultados demonstraram que a vitalidade urbana exibe uma acentuada polarização espacial caracterizada por um padrão composto de “centro–periferia” e “um núcleo com múltiplos pontos”, juntamente com autocorrelação espacial positiva significativa. A influência da estrutura espacial urbana variou consideravelmente no espaço e entre o dia e a noite. A diversidade e a proximidade dos pontos de interesse foram os principais fatores impulsionadores da vitalidade diurna, enquanto a função residencial e a diversidade dos pontos de interesse exerceram a maior influência sobre a vitalidade noturna. A caminhabilidade mostrou-se consistentemente associada positivamente à vitalidade urbana em ambos os períodos, destacando a importância de ambientes urbanos voltados ao pedestre. Esses achados demonstram o valor da integração de dados espaciais multissource com MGWR para avaliar a vitalidade urbana e fornecem um arcabouço prático para apoiar o planejamento urbano baseado em evidências e a otimização espacial.
Introdução
A vitalidade urbana é um indicador fundamental para medir o nível de desenvolvimento urbano sustentável, a qualidade de vida dos residentes e a eficácia da construção urbana de alta qualidade. Ela tem atraído há muito tempo considerável atenção de estudiosos da geografia urbana e do planejamento urbano e regional1,2. Durante a fase de urbanização incremental e expansão espacial rápida, problemas associados ao desenvolvimento espacial urbano desequilibrado tornaram-se cada vez mais acentuados. A alocação ineficiente do uso da terra, a poluição ambiental, o congestionamento de tráfego e desafios urbanos persistentes, como a separação entre locais de trabalho e moradia, continuam a enfraquecer a vitalidade dos bairros3. Atualmente, a China entrou em uma nova fase de urbanização, na qual o foco do desenvolvimento urbano está se deslocando da construção extensiva de cidades para uma gestão urbana mais refinada, com o desenvolvimento espacial centrado nas pessoas tornando-se uma prioridade fundamental. A escala centrada no ser humano foca em unidades microespaciais que os residentes podem perceber diretamente e representa uma extensão e refinamento das análises tradicionais em escala de lote e de bairro. Desde o 18º Congresso Nacional do Partido Comunista da China, o desenvolvimento centrado nas pessoas tornou-se um princípio fundamental da governança espacial territorial, e a melhoria da qualidade dos ambientes habitacionais converteu-se em um objetivo primário do planejamento urbano. Nesse contexto, caracterizar com precisão os padrões espaço-temporais da vitalidade urbana e esclarecer os mecanismos heterogêneos pelos quais o ambiente construído centrado no ser humano influencia essa vitalidade pode fornecer uma base científica para práticas de planejamento refinadas, incluindo renovação urbana em nível de rua e melhoria de bairros. Enquanto isso, a cidade de Yantai lançou uma série de iniciativas de renovação urbana no âmbito de seu 14º Plano Quinquenal, foi selecionada em 2021 como uma das primeiras cidades-piloto nacionais de renovação urbana pelo Ministério da Habitação e do Desenvolvimento Urbano-Rural e recebeu apoio financeiro adicional do governo central para renovação urbana em 2026. Essas vantagens políticas e financeiras proporcionam condições favoráveis para melhorar a qualidade dos espaços urbanos existentes em Yantai e explorar estratégias distintivas de renovação urbana para cidades costeiras, promovendo assim o desenvolvimento urbano de alta qualidade.
O conceito de vitalidade urbana foi proposto inicialmente pela pesquisadora norte-americana Jane Jacobs, que argumentou que a diversidade funcional, quarteirões pequenos, edifícios de diferentes idades e alta densidade constituem as quatro condições essenciais para cidades vibrantes4. Estudos iniciais estabeleceram estruturas teóricas baseadas principalmente em investigações de campo e pesquisas por questionários, enquanto pesquisas posteriores passaram gradualmente para uma escala micro, concentrando-se na concentração espacial das atividades humanas5. Evidências crescentes demonstraram que as dinâmicas temporais em escala fina e a variação espacial desempenham um papel importante na compreensão da vitalidade urbana6. O rápido desenvolvimento de grandes volumes de dados geoespaciais de alta resolução criou novas oportunidades para o monitoramento em larga escala e dinâmico da vitalidade urbana. Consequentemente, pesquisadores estão cada vez mais recorrendo a conjuntos de dados multissource, incluindo dados de sinalização de telefones celulares, trajetórias de localização, registros em mídias sociais, dados de mapas de calor e pontos de interesse (POIs), para quantificar a intensidade da atividade humana em diferentes unidades espaciais e investigar a vitalidade urbana em múltiplas escalas7,8,9,10,11,12. Entre essas fontes de dados, os dados de mapas de calor podem capturar com precisão a distribuição espacial e as dinâmicas temporais da concentração populacional e têm sido amplamente aplicados para quantificar a vitalidade urbana nas escalas de lote, quarteirão e cidade13,14,15. Por exemplo, Wang Chenggang et al.16 utilizaram dados de mapas de calor para identificar os padrões de vitalidade do centro de Guangzhou, quantificar as relações não lineares e os efeitos de limiar do ambiente construído e distinguir as diferentes influências dos períodos de dias úteis, fornecendo assim evidências empíricas valiosas para a pesquisa sobre vitalidade urbana.
A vitalidade urbana é fundamentalmente moldada e limitada pela estrutura espacial urbana que acomoda as atividades humanas. Compreender os mecanismos pelos quais a estrutura espacial urbana influencia a vitalidade urbana fornece um importante suporte para um planejamento urbano refinado e uma governança urbana baseada em evidências. Estudos existentes desenvolveram sistemas de avaliação multidimensionais para a estrutura espacial urbana, abrangendo escala urbana, layout funcional, forma espacial, compactação e características socioeconômicas. Esses estudos demonstraram consistentemente que as condições de localização, densidade populacional, forma dos edifícios, uso misto do solo, diversidade de equipamentos, desenvolvimento econômico, diversidade funcional, configuração das ruas, acessibilidade e caminhabilidade estão entre os principais fatores que influenciam a diferenciação espacial da vitalidade urbana17,18,19,20,21,22. Contudo, a maioria dos estudos anteriores concentrou-se em relações em macroescala entre espaços físicos, sociais, baseados em locais e de mobilidade, com atenção relativamente limitada a análises refinadas em escala centrada no ser humano. O paradigma emergente de pesquisa baseado em dados geoespaciais abertos de múltiplas fontes e algoritmos inteligentes de análise oferece novas oportunidades para percepção espacial e análise quantitativa nessa escala mais refinada23. Ao integrar técnicas de aprendizado de máquina com análise de imagens de ruas, essa abordagem combina ampla cobertura espacial com precisão analítica centrada no ser humano, reduzindo ao mesmo tempo a subjetividade e a limitada precisão associadas aos métodos tradicionais de avaliação espacial. Metodologicamente, estudos anteriores empregaram principalmente modelos de mínimos quadrados ordinários e regressão geograficamente ponderada para examinar as relações entre o ambiente construído e a vitalidade urbana24,25. No entanto, essas abordagens geralmente se concentram em características espaciais estáticas e muitas vezes ignoram tanto a heterogeneidade espacial quanto a diferenciação temporal dia-noite nas relações entre estrutura espacial urbana e vitalidade urbana.
Em resumo, a pesquisa sobre vitalidade urbana evoluiu de investigações teóricas tradicionais em larga escala para análises quantitativas espaço-temporais apoiadas por grandes volumes de dados geoespaciais. No entanto, importantes limitações permanecem. Os estudos existentes continuam a enfatizar a quantificação em nível macro das características espaciais físicas, prestando relativamente pouca atenção à heterogeneidade espaço-temporal da forma como a estrutura espacial urbana influencia a vitalidade urbana. Além disso, medições refinadas que incorporam a dimensão da percepção humana ainda são limitadas, restringindo a capacidade das abordagens existentes de apoiar práticas detalhadas de planejamento, como a renovação urbana em nível de rua. Com base nessas lacunas de conhecimento, este estudo propõe as seguintes hipóteses: (1) a estrutura espacial urbana exerce influências significativas e diferenciadas no tempo e no espaço sobre a vitalidade urbana; e (2) os efeitos dos indicadores da estrutura espacial urbana sobre a vitalidade urbana apresentam significativa não estacionaridade espacial.
As principais inovações deste estudo são triplices. Primeiro, ao integrar conjuntos de dados geoespaciais de múltiplas fontes, incluindo dados de mapa de calor do Baidu e imagens de ruas, este estudo quantifica a vitalidade urbana a partir da perspectiva das atividades diárias dos moradores, permitindo uma medição refinada e objetiva em escala centrada no ser humano. Com base na tradicional estrutura "5D", o estudo incorpora uma dimensão de percepção humana e desenvolve um sistema de indicadores de estrutura espacial urbana em seis dimensões, composto por funcionalidade, forma arquitetônica, acessibilidade, características socioeconômicas, espaço ecológico e percepção humana. Essa estrutura supera as limitações de estudos anteriores que enfatizavam principalmente variáveis espaciais físicas e socioeconômicas e permite a integração da análise espacial em macroescala com medições centradas no ser humano em microescala. Segundo, este estudo utiliza o modelo de regressão geograficamente ponderada em múltiplas escalas (MGWR) para superar a suposição de estacionariedade global das abordagens convencionais de regressão. O modelo permite identificar efeitos espaciais locais e relações dependentes da escala entre a estrutura espacial urbana e a vitalidade urbana diurna e noturna, revelando assim o acoplamento espaciotemporal não estacionário entre a estrutura espacial urbana e a vitalidade urbana. Terceiro, utilizando Yantai como uma cidade costeira representativa, este estudo investiga sistematicamente os mecanismos diferenciados que impulsionam a vitalidade urbana diurna e noturna a partir de uma perspectiva centrada no ser humano, no contexto das características espaciais urbanas costeiras. Os resultados fornecem evidências empíricas e uma estrutura metodológica para a otimização espacial, o aumento da vitalidade urbana e a renovação urbana em cidades costeiras comparáveis, além de contribuir com evidências quantitativas para apoiar uma governança espacial urbana centrada no ser humano e refinada.
Protocolo
Este estudo utilizou dados de mapas de calor anonimizados e agregados no nível da grade espacial. Os dados não contêm identificadores pessoais nem informações em nível individual, e nenhum sujeito humano foi diretamente envolvido. Portanto, não foi necessária aprovação ética, isenção ou revisão institucional.
Enquadramento da Pesquisa
Para explorar o mecanismo de influência da estrutura espacial urbana sob a escala centrada no ser humano na diferenciação espaço-temporal da vitalidade urbana, este estudo propõe um enquadramento de pesquisa conforme mostrado na Figura 1. Em primeiro lugar, com base em dados de mapas de calor que medem os atributos espaço-temporais das atividades urbanas diárias e noturnas dos residentes urbanos, são mensuradas as vitalidades urbana diurna e noturna na área urbana principal da cidade de Yantai; em segundo lugar, é construído um sistema multidimensional de índices de estrutura espacial urbana que inclui funcionalidade, acessibilidade, forma arquitetônica, economia social, espaço ecológico e percepção humana; por fim, utiliza-se o modelo MGWR para revelar o mecanismo de influência da estrutura espacial urbana na diferenciação espaço-temporal da vitalidade urbana. Fluxos de trabalho detalhados para aquisição e pré-processamento de dados, cálculo de indicadores, análise de imagens e implementação do modelo são fornecidos nos Arquivos Suplementares 1–4, e os fluxos de trabalho computacionais correspondentes são fornecidos nos Códigos Suplementares 1–4. O objetivo é fornecer uma base teórica e referência para a renovação urbana e a criação de cidades dinâmicas no âmbito da nova estratégia de urbanização.
Figura 1. Diagrama do quadro de pesquisa. Este diagrama resume todo o fluxo de trabalho analítico, incluindo a aquisição de dados espaciais multissource, processamento de dados, construção de indicadores da estrutura espacial urbana, medição da vitalidade urbana, modelagem de regressão geograficamente ponderada em múltiplas escalas (MGWR) e estratégias de otimização da vitalidade. Clique aqui para visualizar uma versão maior desta figura.
Visão Geral da Área de Estudo
A cidade de Yantai está localizada na parte nordeste da Península de Shandong, banhada pelo Mar Amarelo e pelo Mar da China Setentrional. É uma cidade portuária importante na província de Shandong. Possui cinco distritos e seis cidades de nível municipal sob sua jurisdição, com uma área total de 13.930,1 km2. Este estudo seleciona a área urbana principal da cidade de Yantai (Distrito de Zhifu) como área de pesquisa. O distrito abrange 179,18 km2, possui uma população registrada de 707.700 habitantes e é composto por 12 subdistritos (Figura 2).
Figura 2. Diagrama esquemático da área de estudo. Os mapas mostram a localização da cidade de Yantai, a área urbana principal de estudo no Distrito de Zhifu, os limites dos subdistritos e a elevação do terreno. Cores mais escuras indicam maior elevação. Clique aqui para visualizar uma versão maior desta figura.
Dado que este estudo se concentra no núcleo urbano, onde a área de estudo é relativamente pequena e a rede viária é densa, a escala tradicional de quarteirões é insuficiente para caracterizar com precisão a vitalidade urbana. Em contrapartida, a escala de 300 m aproxima-se da extensão espacial do "círculo de vida de 5 minutos" e pode representar melhor a unidade espacial básica das atividades diárias dos residentes. A seleção da escala da grade envolve essencialmente um compromisso entre a granularidade da informação e a estabilidade estatística: uma escala menor preserva mais detalhes espaciais, mas reduz o tamanho da amostra dentro de cada unidade, aumenta o ruído estatístico e pode fragmentar espaços contíguos de atividades de caminhada; por outro lado, uma escala maior tende a suavizar variações locais e ocultar a heterogeneidade espacial. Uma grade de 300 m pode manter características espaciais finamente detalhadas, ao mesmo tempo que melhora a estabilidade estatística e reduz erros analíticos causados pela seleção da escala. Além disso, essa escala é bem compatível com a resolução espacial de dados multissource, incluindo dados de mapa de calor do Baidu, pontos de interesse e imagens de visualização de ruas, aumentando assim a precisão analítica e a confiabilidade dos resultados. Portanto, este estudo dividiu a área de pesquisa em 2.221 células utilizando uma grade de 300 m × 300 m para visualizar os padrões espaço-temporais da vitalidade urbana em uma escala fina e explorar sua relação com a estrutura espacial urbana. A grade foi gerada no ArcGIS 10.4 utilizando a ferramenta Create Fishnet sob o sistema de coordenadas Gauss de três graus CGCS2000. A malha foi ancorada na coordenada XY mínima da área de estudo e recortada até o limite da área de estudo, resultando em 2.221 unidades de análise.
Construção do Sistema de Indicadores
A construção de um sistema de índices para a estrutura espacial urbana é uma parte importante da avaliação da vitalidade urbana. Ele reflete as características abrangentes de uma cidade em termos de disposição espacial, mistura funcional, acessibilidade e características relacionadas. Este estudo baseia-se na teoria dos “5D” — densidade, design, diversidade, distância ao transporte público e acessibilidade a destinos. Amplia o método de representação dos elementos da estrutura espacial urbana com base em pesquisas existentes, dividindo-os em seis categorias e 15 fatores: funcionalidade, forma arquitetônica, acessibilidade, economia social, espaço ecológico e percepção humana. Cada fator é analisado individualmente (Tabela 1). As definições completas, equações de cálculo, configurações de parâmetros, procedimentos de pré-processamento e métodos de normalização para todos os indicadores estão fornecidos no Arquivo Suplementar 2.
Tabela 1: Sistema de indicadores da estrutura espacial urbana. A tabela resume as seis dimensões e 15 indicadores utilizados para caracterizar a estrutura espacial urbana, incluindo funcionalidade, forma arquitetônica, acessibilidade, características socioeconômicas, espaço ecológico e percepção humana. São fornecidas definições e equações computacionais para cada indicador. Abreviações: POI, ponto de interesse; FAR, razão de área construída; NDVI, índice normalizado de diferença de vegetação. Clique aqui para baixar esta tabela.
Dentre eles, a funcionalidade é um dos indicadores importantes para medir a vitalidade do espaço urbano, refletindo o grau de interconexão e integração entre diferentes áreas funcionais. Uma alta mistura funcional significa que as áreas residenciais, econômicas e de convivência estão uniformemente distribuídas e entrelaçadas, promovendo assim as atividades humanas e aumentando a vitalidade urbana26. A evolução da forma arquitetônica está associada à vitalidade, e a densidade de edificações e a taxa de ocupação do solo são indicadores importantes que refletem a compactação urbana. A acessibilidade afeta diretamente a conectividade e a eficiência do transporte no espaço urbano. Este estudo seleciona os indicadores de proximidade e permeabilidade para representar a acessibilidade. A economia social reflete a concentração de atividades econômicas e o nível de desenvolvimento econômico regional. A distância até o centro da cidade e o centro comercial é utilizada para caracterizar a atividade socioeconômica, sendo que distâncias mais curtas geralmente indicam atividades econômicas mais intensas27. O espaço ecológico é um fator importante que afeta a vitalidade econômica, social e cultural da cidade. Este estudo utiliza o índice de proximidade à água e o índice de vegetação por diferença normalizada (NDVI) para representar a qualidade ambiental e a vitalidade ecológica. A percepção humana foca nas formas espaciais urbanas e nas características ambientais associadas que os residentes frequentemente encontram em sua vida diária, incluindo espaços públicos urbanos e as interfaces externas de edificações (como ruas, edifícios, vegetação e parques) e seus impactos econômicos, sociais e ecológicos associados. Neste estudo, a continuidade dos edifícios, o fator de visão do céu e a caminhabilidade são selecionados para representar esta dimensão. Esses indicadores capturam melhor a contribuição da percepção humana para a vitalidade urbana e complementam os sistemas convencionais de indicadores que dependem principalmente de variáveis objetivas.
Notavelmente, a medição de ambientes construídos tradicionais difere fundamentalmente da avaliação orientada ao ser humano da estrutura espacial urbana adotada nesta pesquisa. Os métodos tradicionais utilizam unidades físicas em macroescala, incluindo lotes e distritos, como unidades analíticas. Baseando-se em conjuntos de dados estáticos, como classificação de uso do solo, pegadas de edifícios e dados de rede viária, eles quantificam a intensidade do desenvolvimento e a configuração funcional. Essas avaliações convencionais analisam as condições físicas espaciais a partir de uma perspectiva de planejamento top-down. Embora esses métodos caracterizem com precisão os atributos materiais do espaço urbano, eles não conseguem captar as percepções in loco dos moradores e as experiências de caminhada em microescala. Em contraste, a abordagem orientada ao ser humano desloca o foco da pesquisa dos atributos espaciais inerentes para as interações entre humanos e o ambiente. Essa transformação paradigmática inclui três mudanças principais. Primeiro, em termos de conteúdo da medição, o estudo amplia-se além dos indicadores físicos convencionais, como densidade de edificações e proporção de uso do solo, incorporando dimensões experiências, incluindo percepção visual, caminhabilidade, segurança e conforto. Três indicadores correspondentes são selecionados neste estudo: continuidade dos edifícios, fator de visão do céu e caminhabilidade. Segundo, com relação às fontes de dados, mapas de planejamento e dados de sensoriamento remoto são complementados por imagens de ruas e segmentação semântica baseada em deep learning, que capturam características espaciais a partir da perspectiva ao nível dos olhos dos pedestres. Terceiro, a unidade analítica é ainda mais refinada, passando da escala de quarteirão para segmentos de rua ou campos visuais individuais. Deve-se enfatizar que a medição orientada ao ser humano não substitui a avaliação tradicional do ambiente construído, mas sim a complementa, alterando a perspectiva e a escala espacial da pesquisa. As duas abordagens diferem em foco de pesquisa, sistema de indicadores, escala analítica e objetivos práticos, e juntas fornecem um quadro analítico abrangente para avaliar a estrutura espacial urbana.
Fontes de Dados e Processamento
Dados do Mapa de Calor do Baidu:
Os dados de calor urbano utilizados nesta pesquisa provêm do serviço aberto de localização do Baidu Maps, gerado a partir da mineração de registros anônimos massivos de comportamento de usuários. O conjunto de dados captura a distribuição populacional em tempo real ao agregar informações de localização de usuários de aplicativos móveis e mapear essas coordenadas geográficas em grades espaciais por meio de solicitações de serviço de localização em tempo real.
Obtivemos dados de mapa de calor que cobrem a área urbana central de Yantai de 13 a 17 de junho de 2022 (cinco dias úteis consecutivos) invocando a API da Plataforma Aberta do Baidu Mapa (https://lbsyun.baidu.com/). Os dados foram coletados a cada 2 h entre 07:00 e 24:00 de cada dia. O fluxo de trabalho completo para aquisição de dados, pré-processamento, remoção de ruído, classificação temporal, transformação espacial, estimativa de densidade do kernel e cálculo da vitalidade urbana está fornecido no Arquivo Suplementar 1, e o script correspondente de pré-processamento está fornecido no Código Suplementar 1. Dividimos ainda cada dia em períodos diurno (07:00–18:00) e noturno (18:00–24:00) para quantificar separadamente as variações diárias na vitalidade urbana. As solicitações à API incluíram a chave de acesso do Baidu Mapas (AK) e um limite da área de estudo definido pelo sistema BD09. O nível de zoom do mapa foi fixado em 16, com tamanho de bloco de 256 × 256 pixels, e a interface retornou os dados do mapa de calor em formato JSON. Durante o pós-processamento, todas as coordenadas BD09 foram convertidas para o sistema de coordenadas WGS84 para garantir precisão e consistência espacial nas análises subsequentes. O restante do fluxo de trabalho de pré-processamento está fornecido no Arquivo Suplementar 1 e no Código Suplementar 1. Todas as visualizações espaciais foram concluídas no ArcGIS (v10.4) (RRID: SCR_011081).
Junho representa o início do verão em Yantai, com clima ameno favorável a atividades ao ar livre, e os padrões diários de deslocamento dos moradores neste mês refletem níveis médios regulares de atividade. Todos os dias de amostragem foram ensolarados e sem nuvens, eliminando interferências na mobilidade humana causadas por condições climáticas extremas e tornando os mapas térmicos populacionais adequados para identificar padrões rotineiros de vitalidade urbana.
Para verificar a confiabilidade das medições de vitalidade derivadas do mapa de calor, incorporamos dados de luminosidade noturna NPP-VIIRS para comparação cruzada. O conjunto de dados de luminosidade noturna foi publicado por Chen Zuqi et al. em Earth System Science Data, intitulado Cross-sensor calibrated extended time series of global NPP-VIIRS-like nighttime light data (2000–2018), e está publicamente disponível no repositório Harvard Dataverse (https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/YGIVCD).
Os resultados da comparação espacial demonstraram alta consistência entre os pontos de maior atividade da vitalidade urbana identificados a partir de imagens de luz noturna e as zonas de alta e baixa vitalidade extraídas dos dados do mapa de calor neste estudo. A comparação entre a intensidade da luz noturna e a vitalidade urbana derivada do mapa de calor é apresentada na Figura Suplementar 1. Para avaliar a confiabilidade dos dados, primeiramente foram removidos os valores atípicos e os conjuntos de dados foram normalizados antes de serem reprojetados para o sistema de coordenadas WGS84. Os dados de luz noturna foram então subamostrados para uma grade de 300 m × 300 m utilizando interpolação bilinear, garantindo o alinhamento espacial com os dados do mapa de calor. A concordância entre os dois conjuntos de dados foi avaliada utilizando o coeficiente de correlação de Pearson (r ≥ 0,6) e a taxa de sobreposição espacial dos agrupamentos LISA (≥70%) como critérios de aceitação.
Do ponto de vista das fontes de dados, os dados de sinalização de telefones móveis oferecem cobertura populacional abrangente e informações detalhadas sobre trajetórias, mas são difíceis de obter e exigem pré-processamento complexo, tornando-os menos adequados para estudos de longo prazo e em escala fina. Os dados de check-in e avaliações em redes sociais, por outro lado, capturam principalmente atividades voltadas ao consumo e lazer, com viés comportamental acentuado e estabilidade temporal relativamente baixa. Em contraste, os dados do mapa de calor do Baidu utilizados neste estudo são de fácil acesso, contínuos no tempo e disponíveis em resolução espacial mais alta, tornando-os adequados para o monitoramento em escala de grade das dinâmicas de vitalidade diurna e noturna na área urbana principal. Combinado com dados de POI e imagens de ruas para enriquecer a representação dos atributos espaciais, esse quadro metodológico pode refletir com maior precisão os padrões cotidianos de atividade dos residentes e está bem alinhado à escala de pesquisa e aos objetivos analíticos deste estudo.
Elementos da Estrutura Espacial Urbana:
Dados Espaciais Urbanos Básicos:
Com base na interface de serviço de mapa online, foram coletados um total de 37.851 pontos de interesse (POIs), abrangendo 11 categorias funcionais, incluindo acomodação, comércio, alimentação, áreas residenciais, infraestrutura de transporte, equipamentos de uso diário, locais para esportes e lazer, e instalações de serviços públicos. Procedimentos adicionais de pré-processamento e detalhes computacionais são fornecidos no Arquivo Suplementar 2. Os dados de POI foram obtidos em julho de 2024 por meio da API do Baidu Map, utilizando uma estratégia de busca baseada em grade de 500 m. Durante o pré-processamento, registros duplicados foram removidos e registros inválidos foram excluídos com base nos limites administrativos do Distrito Zhifu, rótulos de atributos ausentes e deslocamentos substanciais de coordenadas, a fim de garantir a precisão espacial e a integridade do conjunto de dados.
As pegadas das edificações urbanas e os dados da rede viária foram obtidos do OpenStreetMap (OSM; RRID: SCR_007854), uma plataforma geoespacial de código aberto (https://www.openstreetmap.org). Os dados de uso da terra foram adquiridos do Centro Nacional de Informações Geográficas Básicas (https://www.gscloud.cn/search).
Conforme apresentado na Tabela 1, a densidade espacial de cada tipo de instalação reflete o caráter funcional de unidades espaciais individuais por meio de padrões de agrupamento; entretanto, os valores de entropia quantificam o grau de diversidade funcional dentro de cada unidade. As equações computacionais completas, procedimentos de pré-processamento, configurações de parâmetros e métodos de normalização são fornecidos no Arquivo Suplementar 2.
Os dados vetoriais de edificações foram analisados tanto sob perspectivas bidimensionais (2D) quanto tridimensionais (3D) para avaliar a intensidade da construção urbana — especificamente, por meio de métricas de densidade de edificações e razão de área construída (FAR). Utilizando os dados da rede viária urbana, a acessibilidade de cada unidade espacial foi calculada com o conjunto de ferramentas de análise de rede de design espacial (sDNA) (RRID: SCR_017646)28, incorporando indicadores de proximidade e centralidade de intermediação.
Ao selecionar um raio de 300 m como escala analítica para este indicador, essa distância é definida com base em segmentos de ruas e engloba todas as vias topologicamente conectadas dentro do raio. Isso permite uma análise estatística abrangente das mudanças na morfologia da rede viária — incluindo densidade de esquinas e conectividade de nós — dentro do limite espacial designado. A abordagem enfatiza deliberadamente os padrões locais de correlação espacial entre ruas, facilitando assim a identificação precisa de ruas altamente conectadas ao nível do quarteirão — uma escolha metodológica alinhada ao arcabouço teórico da vitalidade espacial urbana centrado na escala do quarteirão29,30. Uma rede viária topológica foi construída a partir de dados vetoriais de ruas do OSM mediante o colapso de segmentos viários bidirecionais em uma única linha central. A acessibilidade foi calculada utilizando o plugin sDNA no ArcGIS 10.4 com base nos índices de proximidade e centralidade de intermediação (betweenness), sendo os totais de POIs baseados em grade aplicados como pesos para representar o potencial de atividade espacial. Todos os parâmetros do sDNA foram mantidos em seus valores padrão, exceto por um raio de busca definido pelo usuário de 300 m. Além disso, essa escala espacial corresponde de perto ao conceito de “círculo de convivência de 5 minutos” e está bem ajustada tanto às dimensões físicas dos quarteirões históricos do Distrito de Zhifu, na cidade de Yantai, quanto à distância típica das atividades diárias de caminhada dos residentes.
Dados de Imagens de Vista de Rua:
Combinando dados da rede viária do OSM com tecnologia SIG, foram definidos pontos de amostragem de imagens de vista de rua. Primeiramente, foram extraídas as linhas centrais das vias na área de estudo, e as vias de mão dupla foram simplificadas em linhas únicas. Pontos de amostragem foram distribuídos uniformemente a intervalos de 50 m ao longo das linhas centrais das vias. Em seguida, todos os pontos de amostragem foram atribuídos ao mesmo sistema de coordenadas de projeção utilizado na análise SIG, garantindo assim o correto alinhamento espacial.
Utilizando Python (RRID: SCR_008394), a API Street View Image (http://api.map.baidu.com/lbsapi/) foi usada para coletar imagens. O fluxo completo de aquisição está descrito no Arquivo Suplementar 3 e no Código Suplementar 3. Um total de 1.599 pontos de amostragem foi gerado. Durante a aquisição das imagens, a largura da perspectiva de cada imagem foi definida em 90° e o ângulo de visão horizontal em 0°. As imagens foram coletadas nas direções frontal, traseira, esquerda e direita em cada ponto de amostragem, sendo a aquisição realizada apenas em condições climáticas claras, sem chuva, neve ou nevoeiro denso, para garantir a qualidade das imagens. Por fim, o programa OpenCV foi utilizado para costurar imagens multidirecionais e otimizar as transições entre elas, gerando imagens panorâmicas que proporcionaram cobertura completa do ambiente espacial da rua. A área de estudo abrangeu um total de 3.251 segmentos de rua. Os parâmetros da solicitação à API incluíram a chave de acesso do desenvolvedor (AK), coordenadas dos pontos, ponto de vista da imagem e orientação do disparo. As imagens capturadas foram redimensionadas uniformemente para 480 × 360 pixels (RGB) para análises posteriores. A qualidade das imagens foi assegurada por meio de triagem baseada no clima, aquisição de imagens multidirecionais e segmentação semântica subsequente baseada em SegNet, para verificar a utilizabilidade das imagens e extrair indicadores de visão da rua.
Adotamos a rede de aprendizado profundo SegNet (RRID: SCR_017042), uma rede neural convolucional totalmente conectada, para extrair características de paisagens urbanas. O modelo classifica os pixels da imagem em cinco categorias: céu, calçadas, pistas de trânsito, edifícios e áreas verdes. Os resultados da classificação dos pixels foram então utilizados para calcular a proporção de área de cada elemento espacial dentro de cada imagem de vista panorâmica da rua. A implementação detalhada do modelo, o fluxo de trabalho de segmentação semântica, os procedimentos de validação e o cálculo dos indicadores de percepção humana são fornecidos no Arquivo Suplementar 3, no Código Suplementar 2 e no Código Suplementar 4. O SegNet foi implementado no PyTorch (v1.0) utilizando pesos previamente treinados e de acesso público, treinados no conjunto de dados MIT ADE20K. Durante a inferência, as imagens foram processadas individualmente para gerar mapas de segmentação semântica em nível de pixel, que foram subsequentemente utilizados para calcular a área proporcional de cada elemento da paisagem urbana. O desempenho do modelo foi avaliado utilizando validação cruzada de cinco dobras.
Métodos de Pesquisa
Métodos Quantitativos para Medir a Vitalidade Urbana:
A análise de densidade kernel estima a densidade de feições pontuais ou lineares utilizando uma janela móvel de busca, permitindo uma representação intuitiva e precisa das características de agrupamento espacial dos elementos urbanos e da concentração e dispersão da vitalidade urbana. Este estudo utilizou a estimativa de densidade kernel para realizar a interpolação contínua de dados de mapa de calor, a fim de caracterizar a agregação espacial dos usuários e as dinâmicas espaço-temporais da vitalidade urbana. A estimativa de densidade kernel gaussiana foi aplicada com um raio de busca principal (largura de banda) de 500 m. Para avaliar a robustez dos resultados, oito larguras de banda adicionais (200, 300, 400, 600, 700, 800, 900 e 1.000 m) também foram testadas, e os valores médios de RV resultantes para cada célula de grade de 300 m × 300 m mostraram alta consistência entre as larguras de banda. A interpolação utilizou o campo Valor como variável de ponderação, nenhuma correção de borda foi aplicada, e todas as análises de densidade kernel foram realizadas no ArcGIS 10.4 (RRID: SCR_011081). Sua expressão matemática é dada a seguir (Equação 1):
(1)
Aqui, n representa o número de pontos de dados; h é a largura da banda; e (x − xi) indica a distância do ponto de estimativa x até a amostra xi.
Método de Análise do Padrão Espacial Dinâmico Urbano:
A autocorrelação espacial é utilizada para caracterizar o grau de associação espacial entre valores de atributos idênticos em diferentes unidades espaciais. Ela é dividida em autocorrelação global e autocorrelação local.
Autocorrelação Espacial Global:
A autocorrelação espacial global (Índice I de Moran Global) foi utilizada para avaliar o grau de associação espacial em toda a área de estudo. Ela mede a similaridade ou correlação de variáveis no espaço, quantificando a relação entre o valor de um atributo em uma localização e os valores em localizações vizinhas, representada pelo coeficiente I de Moran Global. Uma matriz de pesos espaciais foi construída utilizando a grade de análise de 300 m × 300 m com contiguidade do tipo Rainha para definir unidades vizinhas, sendo os pesos padronizados por linha. O índice I de Moran Global foi calculado por meio das ferramentas de Estatística Espacial no ArcGIS 10.4 (RRID: SCR_011081), e a significância estatística foi avaliada utilizando a aproximação normal (teste-z) com nível de confiança de 95%. Sua expressão matemática é dada a seguir (Equação 2):
(2)
Aqui, I representa o índice de autocorrelação; n é o número total de unidades de estudo; yi e yj são os indicadores de classificação das regiões i e j, respectivamente; y′ é a média dos indicadores de classificação; e Wij é a matriz de pesos espaciais que representa o grau de associação entre diferentes regiões.
Autocorrelação Espacial Local:
A autocorrelação espacial local (LISA) mede o grau de associação espacial exibido pelo objeto de estudo em nível local, permitindo a identificação de aglomerados locais e valores atípicos espaciais dentro da área de estudo e fornecendo uma compreensão mais detalhada da heterogeneidade espacial31. A estatística local mais comumente utilizada é o Moran’s I Local. Uma matriz de pesos espaciais foi construída utilizando a contiguidade tipo Rainha, na qual as células da grade vizinhas foram definidas como aquelas que compartilham fronteira comum ou vértice. A significância estatística foi avaliada no nível de 0,05 utilizando 999 permutações aleatórias. Nenhuma correção para testes múltiplos foi aplicada, e todas as análises foram realizadas utilizando o ArcGIS 10.4 (RRID: SCR_011081). A expressão matemática é dada a seguir (Equação 3):
(3)
Aqui, xi e xj representam os valores de vitalidade urbana das regiões i e j, respectivamente; x′ é a vitalidade urbana média em todas as regiões; S2 é a variância; e Wij é a matriz de pesos espaciais que representa o grau de associação espacial entre as regiões.
Métodos de Pesquisa para a Heterogeneidade Espacial da Vitalidade Urbana:
Regressão Geograficamente Ponderada em Múltiplas Escalas (MGWR)
O modelo MGWR utiliza o algoritmo de Busca pela Seção Áurea para reduzir iterativamente o intervalo de busca e identificar a largura de banda ótima para cada coeficiente de regressão. Essa abordagem minimiza o ruído durante a estimativa dos parâmetros e melhora o desempenho preditivo do modelo. Informações detalhadas sobre o método de seleção da largura de banda (adaptativa ou fixa), função kernel, intervalo de busca da largura de banda, critérios de convergência, tolerância de parada e procedimentos de padronização dos preditores são fornecidas no Arquivo Suplementar 4. A fórmula de cálculo é a seguinte (Equação 4):
(4)
Aqui, bwj representa a largura de banda utilizada para o coeficiente de regressão da variável j-ésima; k indica o número de variáveis explicativas; xij refere-se ao preditor j-ésimo da grade i-ésima; (ui, vi) representam as coordenadas do centróide da grade i-ésima; β(bwj) é o coeficiente de regressão estimado utilizando a largura de banda correspondente; e εi é o termo de erro aleatório.
A configuração detalhada do modelo, os procedimentos de otimização de largura de banda e o fluxo de trabalho de implementação são fornecidos no Arquivo Suplementar 4, enquanto as saídas completas do modelo para o período diurno e noturno estão disponíveis nos Arquivos Suplementares 5 e 6, respectivamente. Os diagnósticos de regressão por mínimos quadrados ordinários são fornecidos no Arquivo Suplementar 7.
Do ponto de vista da teoria do desenvolvimento urbano, escopo da pesquisa e aplicabilidade prática, a RMGE (Regressão Geograficamente Ponderada Multiescalar) oferece vantagens distintas em comparação com a regressão linear múltipla pelos mínimos quadrados ordinários (MQO) e com a regressão geograficamente ponderada (RGP) convencional. O MQO utiliza uma estrutura de modelagem global, assumindo efeitos uniformes de todas as variáveis explicativas em toda a área de estudo. Essa suposição ignora a heterogeneidade espacial inerente aos sistemas urbanos, gerando estimativas médias de parâmetros que frequentemente não conseguem captar as realidades locais e, portanto, oferecem apoio limitado à formulação de políticas sensíveis ao contexto. Embora a RGP tradicional leve em conta a não estacionariedade espacial, ela impõe uma única largura de banda — ou seja, uma escala espacial uniforme — para todas as variáveis. Essa restrição contraria evidências empíricas que indicam que diferentes elementos urbanos (por exemplo, infraestrutura de transporte, mistura de usos do solo ou espaços verdes) exercem influência em extensões espaciais claramente distintas. Consequentemente, essa simplificação excessiva pode introduzir viés no modelo e comprometer a validade analítica. A RMGE supera essa limitação ao estimar larguras de banda individuais e específicas para cada variável, com base no alcance espacial de influência observado empiricamente para cada preditor. Como resultado, ela captura de forma mais fiel os mecanismos dependentes de escala pelos quais a estrutura espacial urbana molda a vitalidade urbana. Esse avanço não apenas enriquece a compreensão teórica das interações entre seres humanos e ambiente nas cidades, mas também aumenta a utilidade prática ao permitir a priorização diferenciada de intervenções espaciais e ao fornecer suporte quantitativo baseado em evidências para o aprimoramento da vitalidade urbana. Os fluxos de trabalho computacionais estão disponíveis em Códigos Suplementares 1–4.
Resultados
Análise do Padrão Espacial da Vitalidade Urbana
Características da Distribuição Espacial da Vitalidade Urbana:
Para examinar melhor a evolução espaço-temporal da vitalidade urbana na área urbana principal de Yantai durante o dia e a noite, realizamos uma análise de densidade kernel com base em dados de mapa de calor, combinada aos padrões diários de atividade dos residentes, e utilizamos software de sistema de informações geográficas (SIG) para visualizar a vitalidade urbana em diferentes períodos. Conforme mostrado na Figura 3, a vitalidade urbana na área urbana principal de Yantai exibe uma dinâmica espaço-temporal distinta, caracterizada por um padrão de agregação–dispersão–agregação entre 07:00 e 23:00. A distribuição espacial das áreas de alta e baixa vitalidade durante o dia e à noite é altamente semelhante, indicando que as flutuações da vitalidade urbana entre esses períodos são relativamente estáveis.
Figura 3. Distribuição espaço-temporal da vitalidade urbana na área urbana principal de Yantai. Os mapas periféricos mostram a vitalidade urbana em diferentes momentos, e os mapas centrais resumem os padrões de vitalidade diurna e noturna. Cores mais quentes indicam maior vitalidade. Clique aqui para visualizar uma versão maior desta figura.
Do ponto de vista espacial, a vitalidade urbana na área urbana principal de Yantai é geralmente mais alta no nordeste e mais baixa no sudoeste, exibindo uma estrutura espacial complexa caracterizada tanto por um padrão de "centro-periferia" quanto por uma configuração "multinúcleo". As áreas com alto nível de vitalidade urbana concentram-se principalmente na seção nordeste, incluindo as ruas Tongshen, Yuhuangding e Xiangyang, bem como ao longo das avenidas Dahaiyang e Airport Road. Além disso, a vitalidade é relativamente alta na parte leste da Rua Zhichu e na parte central da Rua Fenghuangtai. A vitalidade urbana na área urbana principal de Yantai também é fortemente influenciada pelas condições topográficas. Áreas montanhosas na região central, como Huangjinding, Zhenshan e Jinkuangding, são classificadas como zonas de baixa vitalidade. Durante o dia, a vitalidade nessas áreas é um pouco aumentada por atividades como caminhadas e lazer, enquanto a vitalidade noturna é extremamente baixa. Esse padrão indica uma disparidade espacial acentuada na distribuição da vitalidade urbana, que tende a se concentrar em áreas residenciais de alta densidade, destinos recreativos e locais com forte acessibilidade de transporte. Essa estrutura espacial composta confirma a relação de acoplamento entre a zonificação funcional urbana e a mobilidade populacional. Além disso, os importantes papéis do relevo e do transporte reforçam a hipótese de que múltiplas estruturas espaciais urbanas atuam conjuntamente na conformação da vitalidade urbana.
Do ponto de vista temporal, a vitalidade urbana na área urbana principal de Yantai é moldada principalmente pelas atividades de trabalho e lazer dos residentes. O período das 07:00 às 18:00 abrange o horário de pico matinal e as horas diurnas de trabalho e estudo, durante as quais os residentes normalmente se deslocam de casa para seus locais de trabalho, fazendo com que o padrão espacial da vitalidade urbana passe da agregação para a dispersão. O período das 18:00 às 23:00 inclui o horário de pico noturno e as horas de lazer. Em particular, após as 22:00, a distribuição espacial da vitalidade urbana torna-se mais concentrada, enquanto os níveis gerais de vitalidade diminuem. Isso reflete o fato de que, por um lado, os residentes retornam para casa após o trabalho e atividades de lazer e, por outro lado, os espaços urbanos anteriormente ativos desaceleram gradualmente para a noite. De modo geral, a variação entre dia e noite na vitalidade urbana é claramente impulsionada pelas rotinas diárias de trabalho e descanso dos residentes. As horas diurnas (07:00–18:00) representam o período de pico da vitalidade urbana, caracterizado por níveis mais elevados de vitalidade, cobertura espacial mais ampla e pouquíssimas áreas de baixa vitalidade. Em contraste, as horas noturnas (18:00–23:00) são marcadas pela redução gradual da extensão das atividades, com a vitalidade concentrando-se cada vez mais nas áreas residenciais. Esses resultados demonstram claramente a influência dependente do tempo das atividades de trabalho e descanso sobre a vitalidade urbana na área urbana principal de Yantai, revelam suas características de evolução diurna, cumprem o objetivo principal de identificar o padrão espaço-temporal da vitalidade urbana e apoiam a hipótese de que os ritmos diários de atividade dos residentes estão estreitamente relacionados à vitalidade urbana.
Características de Agrupamento Espacial da Vitalidade Urbana:
O índice global de Moran’s I foi utilizado para examinar a autocorrelação espacial da vitalidade urbana na área urbana principal da cidade de Yantai. Os resultados mostram que os valores de Moran’s I para a vitalidade urbana diurna e noturna são 0,722 e 0,736, respectivamente. O teste de significância indica que a vitalidade urbana na área urbana principal da cidade de Yantai exibe agrupamento significativo tanto durante o dia quanto à noite, com um efeito de agrupamento mais acentuado à noite do que durante o dia.
Conforme mostrado na Figura 4, a vitalidade urbana na área urbana principal de Yantai segue principalmente dois padrões de agrupamento: agrupamento "alto–alto" e agrupamento "baixo–baixo". Embora a distribuição espacial geral apresente um padrão composto irregular que combina "centro–periferia" e "um núcleo com múltiplos pontos", o "centro" e a "periferia" estão espacialmente separados, e as zonas de transição entre eles contêm um grande número de áreas sem agrupamento significativo. Os resultados da análise de autocorrelação espacial identificam claramente os padrões de agrupamento e a diferenciação espacial da vitalidade urbana, cumprindo assim o objetivo de pesquisa de reconhecimento de padrões. Esses achados também apoiam as hipóteses de pesquisa relevantes, alinham-se estreitamente ao quadro analítico geral deste estudo e fornecem uma base para análises adicionais dos efeitos diferenciados da estrutura espacial.
Figura 4. Agregação espacial local diurna e noturna da vitalidade urbana. Os mapas de indicadores locais de associação espacial (LISA) mostram agrupamentos espaciais alto-alto, alto-baixo, baixo-alto, baixo-baixo e não significativos para a vitalidade diurna e noturna. Clique aqui para visualizar uma versão maior desta figura.
Efeitos da heterogeneidade espacial baseada no MGWR na estrutura espacial urbana sobre a vitalidade urbana
Para evitar o viés de estimativa causado pela influência mútua entre os diversos fatores da estrutura espacial urbana, o fator de inflação da variância (VIF) foi utilizado para testar todas as variáveis explicativas. Quanto maior o valor do VIF, maior a multicolinearidade. Geralmente, um valor de VIF superior a 7,5 indica que a variável explicativa é redundante³². Os resultados do teste são apresentados em Tabela 2. Todos os valores de VIF são menores que 7,5, indicando que os indicadores selecionados não apresentam multicolinearidade. Os indicadores com p > 0,05 foram então removidos por serem considerados sem impacto significativo na vitalidade urbana. Após a seleção de variáveis, os sete fatores finais — diversidade de POI, função de vida, função residencial, densidade de edificações, proximidade, distância ao centro comercial (DBC) e caminhabilidade — foram selecionados como variáveis explicativas para a construção do modelo MGWR (RRID: SCR_017651). Esta etapa concluiu o processo de seleção de variáveis, e os fatores centrais mantidos estão em conformidade com o arcabouço teórico da pesquisa, garantindo que a análise subsequente do modelo possa verificar efetivamente a hipótese de pesquisa.
| Variável | p-valor | Fator de Inflação da Variância (VIF) |
| Diversidade de POI | 0 | 1.946 |
| Função econômica | 0.025 | 3.15 |
| Função vital | 0.004 | 3.834 |
| Função residencial | 0.001 | 1.925 |
| Densidade de edificações | 0 | 3.062 |
| Coeficiente de aproveitamento do solo | 0.084 | 5.723 |
| Proximidade | 0 | 1.732 |
| Centralidade de intermediação | 0.952 | 2.022 |
| Distância até o centro da cidade | 0.458 | 1.407 |
| Distância até o centro empresarial | 0.009 | 1.498 |
| Índice próximo à água | 0.06 | 1.132 |
| Índice de Vegetação por Diferença Normalizada (IVDN) | 0.118 | 1.049 |
| Construindo continuidade | 0.364 | 2.746 |
| Fator de visão do céu | 0.22 | 1.177 |
| Capacidade de locomoção a pé | 0.004 | 2.094 |
Tabela 2: Avaliação de multicolinearidade das variáveis explicativas candidatas. A tabela apresenta a significância estatística (valor de p) e o fator de inflação da variância (VIF) para cada variável explicativa candidata utilizada durante a seleção de variáveis anterior à análise de regressão geograficamente ponderada em múltiplas escalas (MGWR). As variáveis mantidas para a modelagem subsequente atenderam aos critérios pré-definidos de seleção estatística. Abreviação: VIF, fator de inflação da variância.
Efeito do Ajuste do Modelo:
A análise de modelagem foi conduzida utilizando três abordagens: o modelo OLS global, o modelo GWR tradicional e o modelo MGWR. A convergência do modelo baseou-se no critério SOC-f (f de suavização), no qual a mudança absoluta máxima em todos os coeficientes de regressão estimados entre duas iterações sucessivas foi utilizada como critério de convergência. O limiar de convergência foi definido em 1,0 × 10⁻5, e o número máximo de iterações foi fixado em 200. Os modelos diurno e noturno adotaram as mesmas configurações metodológicas, incluindo a função kernel, a regra de busca da largura de banda, o critério de convergência e outras configurações de parâmetros, para garantir a comparabilidade dos resultados; apenas as variáveis dependentes diferiram, e, portanto, as larguras de banda ótimas estimadas e os coeficientes de regressão também diferiram. Os resultados mostram que o modelo diurno convergiu após 28 iterações e o modelo noturno após 34 iterações. Ambos os modelos satisfizeram o limiar de convergência, indicando que os resultados da estimação foram estáveis e confiáveis. Os indicadores para os três modelos são apresentados na Tabela 3.
| Desempenho do modelo | Variável | OLS | GWR | MGWR |
| Desempenho do modelo | AICc | 6703 | 4417 | 3463 |
| R² ajustado | 0,62 | 0,56 | 0,8 | |
| Largura de banda ótima da variável (MGWR) | Diversidade de POI | — | 53 | 239 |
| Função de vida | — | — | 724 | |
| Função residencial | — | — | 256 | |
| Densidade de edifícios | — | — | 237 | |
| Proximidade | — | — | 921 | |
| Distância ao centro comercial | — | — | 2220 | |
| Capacidade de caminhabilidade | — | — | 2220 |
Tabela 3: Comparação do desempenho dos modelos entre mínimos quadrados ordinários (OLS), regressão geograficamente ponderada (GWR) e regressão geograficamente ponderada em múltiplas escalas (MGWR). A tabela compara o desempenho dos modelos de mínimos quadrados ordinários (OLS), regressão geograficamente ponderada (GWR) e regressão geograficamente ponderada em múltiplas escalas (MGWR) utilizando o critério de informação de Akaike corrigido (AICc) e o coeficiente de determinação ajustado (Adjusted R2). Também são apresentadas as larguras de banda ótimas estimadas para cada variável explicativa no modelo MGWR, ilustrando as escalas espaciais específicas para cada variável na análise de regressão. Abreviações: AICc, critério de informação de Akaike corrigido; OLS, mínimos quadrados ordinários; GWR, regressão geograficamente ponderada; MGWR, regressão geograficamente ponderada em múltiplas escalas.
Conforme mostrado na Tabela 3, o modelo MGWR apresenta um valor menor de AICc e um R2 ajustado maior do que os modelos OLS e GWR, demonstrando um ajuste superior do modelo. Além disso, em comparação com os modelos OLS e GWR, o modelo MGWR permite que cada variável explicativa tenha sua própria largura de banda ótima, com larguras de banda variando de 237 a 2.220. Isso indica que os efeitos de diferentes variáveis na vitalidade urbana variam significativamente entre diferentes escalas espaciais.
Entre as variáveis, as larguras de banda de DBC e caminhabilidade estão próximas ao tamanho total da amostra, sugerindo que seus efeitos são principalmente globais e não locais. Isso pode ocorrer porque esses fatores apresentam variação espacial relativamente limitada na maioria das áreas. Como indicadores que representam condições socioeconômicas e características do ambiente urbano intimamente relacionadas à percepção humana, eles exercem uma influência geral sobre a vitalidade urbana. Em contraste, as cinco variáveis diversidade de POI, função de vida, função residencial, densidade de edificações e proximidade possuem larguras de banda relativamente pequenas, indicando que seus efeitos estão concentrados na escala espacial local. Esses fatores refletem as demandas diferenciadas dos residentes por complexidade funcional, ambiente de vida e acessibilidade e, portanto, podem atrair ou restringir diferentes tipos de atividades em espaços locais, moldando assim a vitalidade urbana.
Em particular, as larguras de banda da diversidade de POI, função residencial e densidade de edificações são 239, 256 e 237, respectivamente, correspondendo a 11%, 12% e 11% da amostra completa. As larguras de banda da função vital e da proximidade abrangem uma proporção maior da amostra, correspondendo a 33% e 41%, respectivamente, sugerindo que seus efeitos atuam em uma escala espacial mais ampla. De modo geral, as vantagens do modelo MGWR são evidentes. As escalas de efeito variáveis das variáveis explicativas reforçam ainda mais a hipótese de heterogeneidade espacial e confirmam a adequação do modelo selecionado para este estudo.
Significado do Impacto:
Os resultados estatísticos dos coeficientes de regressão obtidos a partir do modelo MGWR são apresentados na Tabela 4. Com base nos valores absolutos dos coeficientes de regressão médios, as contribuições das variáveis da estrutura espacial urbana durante o dia são classificadas da seguinte forma: diversidade de POI > acessibilidade > densidade de edificações > função de vida > função residencial > caminhabilidade > DBC. À noite, a classificação muda ligeiramente para: diversidade de POI > função de vida = função residencial > densidade de edificações > caminhabilidade > DBC > acessibilidade.
| Variável | Média diurna | DP diurna | Mediana diurna | Média noturna | DP noturna | Mediana noturna |
| Diversidade de POI | 0.226 | 0.126 | 0.196 | 0.322 | 0.096 | 0.315 |
| Função vital | 0.088 | 0.006 | 0.088 | 0.145 | 0.075 | 0.153 |
| Função residencial | 0.019 | 0.158 | 0.004 | 0.145 | 0.173 | 0.123 |
| Densidade de edifícios | 0.132 | 0.029 | 0.131 | 0.070 | 0.126 | 0.053 |
| Proximidade | 0.165 | 0.188 | 0.121 | 0.030 | 0.048 | 0.024 |
| Distância ao centro comercial | −0.010 | 0.004 | −0.010 | 0.032 | 0.003 | 0.031 |
| Caminhabilidade | 0.011 | 0.002 | 0.011 | 0.039 | 0.002 | 0.039 |
Tabela 4: Estatísticas descritivas dos coeficientes de regressão estimados pelo modelo de regressão geograficamente ponderada em múltiplas escalas (MGWR). A tabela resume a distribuição dos coeficientes de regressão estimados pelo modelo de regressão geograficamente ponderada em múltiplas escalas (MGWR) para a vitalidade urbana diurna e noturna. Para cada variável explicativa, são apresentados os coeficientes de regressão médios, desvio padrão (DP) e mediana, permitindo a comparação da magnitude e variabilidade dos efeitos entre os dois períodos. Abreviações: MGWR, regressão geograficamente ponderada em múltiplas escalas; DP, desvio padrão.
Notavelmente, a diversidade de POI demonstra consistentemente a maior contribuição para a vitalidade urbana tanto durante o dia quanto à noite, com um efeito positivo. Isso indica que áreas caracterizadas por uma ampla variedade de equipamentos urbanos e alto grau de mistura funcional são particularmente atrativas para os residentes urbanos, aumentando assim a vitalidade urbana. Durante o dia, as atividades dos residentes são principalmente voltadas ao deslocamento, trabalho em escritórios e serviços públicos; portanto, a proximidade e a densidade de edificações desempenham papéis importantes. À noite, as atividades dos residentes passam a focar-se em moradia, lazer e consumo local, e as contribuições das funções residenciais e de vida aumentam significativamente, enquanto a contribuição da proximidade diminui acentuadamente. Essa diferença entre dia e noite na classificação reflete diretamente a mudança estrutural nos mecanismos que impulsionam a vitalidade urbana conforme os padrões diários de atividade dos residentes se alteram, fornecendo uma base macroscópica para planejamentos posteriores diferenciados por zona e período temporal.
Conforme ilustrado na Figura 5, a análise das variações nos coeficientes de regressão e das diferenças nas zonas de impacto após a triagem dos fatores influentes revela que os efeitos da função de vida, DBC e caminhabilidade são relativamente estáveis durante o dia. A função de vida e a caminhabilidade exercem efeitos positivos, enquanto a distância até o centro comercial apresenta tanto efeitos positivos quanto negativos. As faixas de impacto da diversidade de POI, função residencial e acessibilidade flutuam substancialmente e também exibem efeitos positivos e negativos. A influência da densidade de edificações varia dentro de uma certa faixa, mas permanece positiva. À noite, os efeitos do DBC e da caminhabilidade são mais estáveis e permanecem ambos positivos. Em contraste, os efeitos da diversidade de POI, função residencial e densidade de edificações apresentam variações consideráveis, sendo que a diversidade de POI exibe um efeito positivo, enquanto a função residencial e a densidade de edificações demonstram relações tanto positivas quanto negativas com a vitalidade urbana. Os efeitos da função de vida e da acessibilidade também variam dentro de uma determinada faixa.
Figura 5. Distribuição dos coeficientes de regressão do modelo de regressão geograficamente ponderado em múltiplas escalas. Gráficos de violino comparam as distribuições dos coeficientes diurnos e noturnos para cada fator influente. Regiões mais largas indicam maior densidade de coeficientes; valores positivos indicam efeitos promotores e valores negativos indicam efeitos inibitórios. Clique aqui para visualizar uma versão maior desta figura.
Heterogeneidade Espacial do Impacto
Para analisar mais profundamente a heterogeneidade espacial dos efeitos da estrutura espacial urbana sobre a vitalidade urbana, foram selecionadas amostras com níveis significativos de influência. Os coeficientes de regressão diurnos e noturnos de cada elemento da estrutura espacial urbana foram visualizados (Figuras 6 e 7). Utilizando o método de classificação por quebras naturais, os coeficientes de regressão foram divididos em 10 níveis para ilustrar a extensão espacial, a intensidade e as mudanças direcionais de seus efeitos.
Figura 6. Distribuição espacial diurna dos coeficientes da regressão geograficamente ponderada em múltiplas escalas. Os mapas mostram a variação espacial dos coeficientes de regressão diurnos para diversidade de pontos de interesse, função vital, função residencial, densidade de edifícios, proximidade, S e caminhabilidade. Os gradientes de cor indicam a magnitude dos coeficientes conforme mostrado na legenda de cada painel. Clique aqui para visualizar uma versão maior desta figura.
Figura 7. Distribuição espacial noturna dos coeficientes da regressão geograficamente ponderada em múltiplas escalas. Os mapas mostram a variação espacial dos coeficientes de regressão noturnos para diversidade de pontos de interesse, função vital, função residencial, densidade de edificações, proximidade, distância ao centro comercial e caminhabilidade. Os gradientes de cor indicam a magnitude dos coeficientes conforme mostrado na legenda de cada painel. Clique aqui para visualizar uma versão maior desta figura.
A diversidade de POI mede a diversidade e complexidade das funções urbanas dentro de cada unidade espacial. O mecanismo central por trás da vitalidade urbana reside na diversidade de destinos e nos efeitos sinérgicos das atividades. Quanto maior a diversidade de POI em uma área, melhor ela pode satisfazer as necessidades variadas dos moradores em relação a compras, alimentação, entretenimento e serviços diários no mesmo espaço, reduzindo assim a necessidade de deslocamentos entre regiões, prolongando a duração da permanência de pedestres e aumentando a intensidade de utilização espacial. Os resultados mostram que a diversidade de POI exerce a maior influência sobre a vitalidade urbana e apresenta variação espacial significativa. Especificamente, sua distribuição é relativamente concentrada em áreas com efeitos altos e baixos: influências mais fortes são observadas principalmente no centro urbano, enquanto influências mais fracas ocorrem principalmente na periferia. Os coeficientes de regressão globais são predominantemente positivos, indicando uma relação claramente positiva, com apenas um pequeno número de associações negativas fracas. Isso sugere que, na maioria das áreas, uma maior diversidade de POI está associada a uma vitalidade urbana mais elevada. Além disso, a diferenciação espacial nos efeitos da diversidade de POI sobre a vitalidade urbana é mais acentuada à noite do que durante o dia, tornando-a o fator mais influente nesse período noturno. Essa diferença diurna pode ser atribuída à diferenciação estrutural das demandas de atividade dos moradores entre o dia e a noite. Durante o dia, o uso misto do solo atende principalmente às demandas de deslocamento e de consumo fragmentado e de curta duração durante intervalos, desempenhando um papel relativamente limitado no atrativo de atividades pedestres. À noite, no entanto, as atividades das pessoas se voltam para o lazer, a interação social e o consumo experiencial. Nesse contexto, áreas com alta diversidade de POI podem oferecer cenários variados e contínuos de consumo noturno, prolongando efetivamente o tempo de permanência ao ar livre dos moradores e exercendo, assim, um efeito impulsionador mais acentuado sobre a vitalidade noturna.
As funções de vida abrangem instalações relacionadas à educação, ciência, cultura, saúde, transporte e serviços públicos que atendem às necessidades diárias dos moradores. Seu mecanismo de influência reside na formação de uma rede atividade–destino: essas instalações não apenas atraem fluxos de pedestres por si mesmas, mas também, por meio da sinergia com outras funções, geram fluxos estáveis de atividades. Os resultados da regressão mostram que o efeito positivo das funções de vida sobre a vitalidade diurna permanece estável, com coeficientes variando de 0,078 a 0,098 e apenas pequenas flutuações na intensidade do efeito. Em contraste, a faixa de coeficientes para o período noturno amplia-se para 0,005–0,256, indicando uma influência espacial significativamente mais ampla. Tomando como área central as ruas Zhichu e Xingfu, o grau de influência aumenta gradualmente do centro para as áreas circundantes. Embora esta região se caracterize por uma distribuição populacional concentrada, seu planejamento urbano é relativamente defasado e limitado pelo desenvolvimento econômico, resultando em menor oferta geral de instalações de lazer e outros equipamentos de funções de vida em comparação com a parte oriental da cidade. Como consequência, sua atratividade para os moradores é mais fraca, e sua influência sobre a vitalidade urbana é menos acentuada. Essa variação temporal reflete uma mudança nos propósitos das atividades dos moradores. Durante o dia, as funções de vida voltam-se principalmente para serviços públicos, e os fluxos de pedestres permanecem relativamente estáveis. À noite, no entanto, elas são complementadas pelas demandas de lazer e entretenimento, formando uma relação complementar com funções orientadas ao consumo, como alimentação e compras, o que permite que as funções de vida exerçam um efeito impulsionador mais forte sobre a vitalidade urbana em uma faixa espacial mais ampla.
As funções residenciais constituem a base espacial que acomoda o retorno noturno e a permanência dos moradores. Sua relação com a vitalidade urbana segue padrões marcadamente diferentes durante o dia e a noite. Durante o dia, as áreas residenciais funcionam como ponto de partida do fluxo populacional para fora; portanto, simplesmente aumentar a densidade residencial nem sempre aumenta a vitalidade urbana. Sem instalações comerciais e de serviços complementares, áreas residenciais de alta densidade podem tornar-se "cidades dormitório" com vitalidade fraca. À noite, no entanto, os moradores retornam para casa, e as áreas residenciais tornam-se a base espacial para as atividades noturnas. Os resultados indicam que, embora a variável função residencial exiba um efeito médio geral relativamente fraco, ainda demonstra heterogeneidade e diferenciação espacial evidentes em determinadas áreas, sendo a distribuição espacial dessa influência amplamente semelhante tanto durante o dia quanto à noite. Em regiões próximas ao Mercado de Materiais Hongrun, ao Mercado Atacadista de Frutas, à Escola Primária Fenghuangtai e a Jinxiu Xincheng, as funções residenciais estão densamente distribuídas, mas sua relação com a vitalidade urbana é negativa. Isso sugere que acrescentar mais funções residenciais nessas áreas não aumenta a vitalidade urbana; ao contrário, a concentração excessiva residencial pode inibir as atividades sociais e de consumo noturnas devido à congestão espacial e à falta de infraestrutura complementar. Em contrapartida, na Rua Shihuiyao, as funções residenciais estão positivamente associadas à vitalidade urbana, indicando que as instalações residenciais nessa área desempenham um papel mais forte no apoio à vitalidade urbana e exercem maior atração sobre os moradores.
A densidade de edificações reflete a intensidade do desenvolvimento dentro de uma área determinada, e seu mecanismo subjacente consiste em fornecer a base física para a agregação populacional: uma maior densidade de edificações indica maior capacidade de suporte populacional, bem como uma concentração mais densa de oportunidades de emprego e estabelecimentos comerciais. Os resultados deste estudo mostram que a densidade de edificações exerce um efeito positivo geral sobre a vitalidade urbana durante o dia, com sua influência enfraquecendo gradualmente de leste para oeste, formando uma estrutura concêntrica clara. Na parte ocidental da cidade, o efeito da densidade de edificações sobre a vitalidade urbana é mais fraco do que na parte oriental, sugerindo que o aumento da densidade de edificações nas áreas ocidentais é menos eficaz para potencializar a vitalidade urbana do que nas áreas orientais. À noite, no entanto, o efeito apresenta um padrão bidirecional. A influência da densidade de edificações sobre a vitalidade urbana é negativamente correlacionada na parte ocidental da Rua Xingfu, próxima ao Rio Jiahe, e nos aglomerados de baixo valor da Rua Zhichu, com variações relativamente pequenas em magnitude. Essa diferença diurna decorre da diferenciação funcional: durante o dia, as áreas construídas de alta densidade concentram funções comerciais e administrativas e atuam como zonas primárias de afluxo populacional; à noite, no entanto, alguns distritos comerciais de alta densidade experimentam uma dispersão da população, e a vitalidade urbana se desloca para áreas residenciais circunvizinhas. Nesse sentido, as áreas construídas de alta densidade funcionam como centros de agregação de vitalidade durante o dia, enquanto à noite tornam-se fontes de difusão da vitalidade, promovendo a vitalidade circundante por meio de efeitos de derramamento para fora.
A proximidade mede a eficiência da conectividade da rede viária e determina com que facilidade os moradores podem alcançar diversos tipos de destinos. Seu mecanismo central reside na redução dos custos de tempo de deslocamento e na ampliação da amplitude espacial das atividades; uma maior proximidade aumenta diretamente a probabilidade e a frequência de visitas a locais. Os resultados deste estudo indicam que a proximidade é o segundo fator motivador mais importante durante o dia, ficando atrás apenas da diversidade de POIs, enquanto sua influência diminui significativamente à noite. Esse contraste acentuado entre dia e noite reflete uma mudança fundamental nos padrões de atividade dos moradores. Durante o dia, atividades como deslocamentos para o trabalho, recados e assuntos comerciais impõem demandas relativamente altas ao transporte e dependem fortemente da acessibilidade. À noite, no entanto, as atividades dos moradores tornam-se mais centradas no lar, o raio de atividade encolhe e os principais objetivos das viagens mudam para lazer e consumo, tornando os moradores significativamente menos sensíveis à acessibilidade da rede viária. Além disso, a proximidade exibe um efeito local bidirecional: apresenta uma forte associação positiva com a vitalidade urbana ao longo do Rio Jiahe, bem como nas ruas Zhichu e Fenghuangtai, enquanto mostra uma fraca associação negativa em áreas pouco povoadas ao norte da Rua Xingfu. Isso sugere que o efeito impulsionador da proximidade sobre a vitalidade depende da existência de demanda suficiente por pedestres.
O DBC mede a proximidade de cada unidade espacial ao distrito comercial central da cidade, refletindo vantagens locacionais em termos de acesso a oportunidades de emprego, ambientes de consumo e externalidades econômicas. Seu mecanismo subjacente reside nas economias de aglomeração e na acessibilidade do consumidor: quanto mais próxima uma área estiver do centro comercial, maior será a densidade de oportunidades de emprego, mais ricas serão as opções de consumo e mais ativas serão as interações socioculturais, atraindo assim maior fluxo de pedestres. Os resultados deste estudo mostram que a influência do DBC na vitalidade urbana diurna diminui de sul para norte e apresenta uma correlação negativa. As áreas ao sul estão mais distantes do centro comercial e, portanto, exercem menor influência sobre a vitalidade urbana, enquanto as áreas ao norte da Rua Kuiyu estão mais próximas do centro comercial e, consequentemente, têm um efeito mais acentuado. À noite, no entanto, a relação torna-se positiva, com a formação de duas zonas anulares nas margens norte e sul da Rua Hongqi, e a influência aumenta gradualmente do centro para as áreas circundantes. Essa inversão entre dia e noite revela a lógica subjacente da estrutura espacial: durante o dia, o centro comercial atua como destino principal para emprego e consumo, impulsionando a concentração populacional para o interior; à noite, os residentes retornam aos lares distribuídos por toda a cidade, e as áreas residenciais mais distantes do centro comercial passam a apresentar maior vitalidade devido ao retorno populacional.
A andabilidade mede a amigabilidade para pedestres do ambiente urbano e atua como uma ponte essencial entre o espaço físico e a percepção humana. Seu mecanismo distintivo reside não em gerar diretamente fluxos de pedestres, mas em melhorar a experiência de caminhada, aumentar a sensação de segurança e conforto, prolongar o tempo de permanência dos pedestres e facilitar a interação social, contribuindo assim para a vitalidade urbana. Neste estudo, a andabilidade demonstra um efeito positivo estável sobre a vitalidade urbana tanto durante o dia quanto à noite, indicando que sua influência é de natureza global e que ambientes urbanos amigáveis a pedestres geralmente potencializam a vitalidade espacial. Durante o dia, a influência da andabilidade sobre a vitalidade urbana forma zonas de baixa vitalidade em Zhujia Village e na Rua Fenghuangtai. Isso pode ocorrer principalmente porque os fluxos de pedestres próximos a Zhujia Village são relativamente limitados e os moradores locais dependem menos das calçadas. Na Rua Fenghuangtai, a distribuição de edifícios é densa e o traçado viário é desatualizado; as calçadas são estreitas e frequentemente invadidas, resultando em apoio limitado à agregação de vitalidade por meio da mobilidade não motorizada. À noite, a influência da andabilidade diminui gradualmente do sudoeste para o norte, com um efeito mais acentuado na parte sul da cidade e um impacto relativamente mais fraco no norte. Esse padrão está relacionado à distribuição dos fluxos de pedestres, às instalações de transporte e às disparidades regionais de desenvolvimento na área urbana principal de Yantai. Além disso, o efeito da andabilidade é relativamente mais forte à noite, refletindo a maior dependência das atividades noturnas em relação à segurança percebida e à qualidade ambiental. Uma boa iluminação, calçadas contínuas e um fechamento viário bem definido podem reduzir efetivamente o senso de insegurança durante o deslocamento noturno, liberando assim o potencial da vitalidade urbana noturna.
Áreas Representativas e Estrutura para Otimização da Vitalidade Urbana
Para ilustrar melhor a heterogeneidade espacial identificada pela análise MGWR, foram selecionados bairros representativos com diferentes características espaciais urbanas para investigação de campo (Figuras 8 e 9). Esses exemplos fornecem evidências visuais das condições espaciais associadas aos resultados analíticos.
Figura 8. Condições existentes dos blocos antigos na Nova Cidade Xingfu. Fotografias representativas mostram as condições das ruas e do ambiente construído, incluindo distribuição irregular dos equipamentos públicos e qualidade ambiental limitada nas vias. Clique aqui para visualizar uma versão maior desta figura.
Figura 9. Condições existentes de comunidades antigas na Rua Nangou: Jinde e Baishi-Huangshan. Fotografias representativas mostram habitações residenciais densas, espaço público aberto limitado e as condições ambientais atuais do bairro. Clique aqui para visualizar uma versão maior desta figura.
Figura 8 mostra a Nova Cidade Xingfu, um bairro mais antigo representativo, caracterizado por uma distribuição desigual de instalações de serviços públicos e qualidade ambiental relativamente baixa nas ruas. Figura 9 apresenta bairros residenciais representativos nas áreas Rua Nangou–Jinde e Baishi–Huangshan, que se caracterizam por um desenvolvimento residencial denso, espaço público aberto limitado e interfaces urbanas relativamente monótonas. Essas características espaciais observadas são consistentes com os resultados analíticos que descrevem as diferenças nos efeitos das funções vitais e das funções residenciais sobre a vitalidade urbana.
Figura 10 resume as relações entre as principais dimensões da estrutura espacial urbana e suas influências na vitalidade urbana. Com base nos resultados da análise MGWR, o modelo integra os fatores determinantes identificados e suas interações para fornecer uma representação conceitual geral dos mecanismos que influenciam a vitalidade urbana diurna e noturna.
Figura 10. Mecanismo de otimização para a estrutura espacial urbana e o aumento da vitalidade. O diagrama resume estratégias de melhoria da vitalidade nos elementos funcionais, forma arquitetônica, acessibilidade, fatores socioeconômicos, espaço ecológico e percepção humana, considerando as diferenças entre vitalidade diurna e noturna. Clique aqui para visualizar uma versão maior desta figura.
Disponibilidade de Dados:
Todos os dados que apoiam as descobertas deste estudo são fornecidos no artigo e nos materiais suplementares. Eles incluem a Figura Suplementar 1; os Arquivos Suplementares 1–7, que descrevem a coleta de dados, pré-processamento, fluxos analíticos, saídas do modelo e diagnósticos de regressão; os Códigos Suplementares 1–4, que contêm os scripts em Python e os notebooks Jupyter utilizados para o pré-processamento dos dados e o processamento de imagens de vista panorâmica de ruas; e os Dados Suplementares 1–3, que fornecem os conjuntos de dados originais, padronizados e processados dos indicadores da estrutura espacial urbana utilizados nas análises.
Figura Suplementar 1. Validação da vitalidade urbana derivada de mapas de calor utilizando a intensidade da luz noturna. Comparação da distribuição espacial da intensidade da luz noturna (esquerda) e da vitalidade urbana noturna derivada de dados de mapa de calor do Baidu (direita). Áreas de ponto quente representativas são destacadas para demonstrar a concordância espacial entre os dois conjuntos de dados, apoiando o uso da intensidade de atividade derivada de mapas de calor como um indicador da vitalidade urbana na área de estudo. Clique aqui para baixar este arquivo.
Arquivo Suplementar 1. Coleta e processamento de dados do mapa de calor do Baidu. Este arquivo descreve o fluxo de trabalho para a aquisição de dados do mapa de calor do Baidu, pré-processamento, remoção de ruído, classificação temporal, transformação espacial, estimativa de densidade por kernel e cálculo da vitalidade urbana diurna e noturna na escala de grade de 300 m × 300 m. Clique aqui para baixar este arquivo.
Arquivo Suplementar 2. Definições e procedimentos de cálculo dos indicadores da estrutura espacial urbana. Este arquivo fornece as definições, equações computacionais, procedimentos de pré-processamento, configurações de parâmetros e métodos de normalização para todos os indicadores da estrutura espacial urbana utilizados na análise, incluindo funcionalidade, forma arquitetônica, acessibilidade, características socioeconômicas, espaço ecológico e percepção humana. Clique aqui para baixar este arquivo.
Arquivo Suplementar 3. Fluxo de trabalho para a aquisição e análise de imagens de vista panorâmica de ruas. Este arquivo descreve a estratégia de amostragem de imagens de vista panorâmica de ruas, os parâmetros de aquisição de imagens, a geração de imagens panorâmicas, a segmentação semântica utilizando o modelo SegNet, a validação do modelo e o cálculo dos indicadores de percepção humana derivados de imagens de vista panorâmica de ruas. Clique aqui para baixar este arquivo.
Arquivo Suplementar 4. Fluxo de trabalho da modelagem por regressão geograficamente ponderada em múltiplas escalas (MGWR). Este arquivo descreve o procedimento de modelagem MGWR, incluindo pré-processamento dos dados, seleção de variáveis, avaliação de multicolinearidade, configuração do modelo, otimização da largura de banda, definições de parâmetros, implementação do modelo e comparação do desempenho dos modelos de mínimos quadrados ordinários (OLS), regressão geograficamente ponderada (GWR) e MGWR. Clique aqui para baixar este arquivo.
Arquivo Suplementar 5. Resultado do modelo de regressão geograficamente ponderada multiescalar (MGWR) diurno. Resultado completo do modelo MGWR diurno, incluindo estatísticas globais de regressão, otimização de largura de banda, métricas diagnósticas, estimativas de parâmetros e estatísticas descritivas utilizadas para avaliar a heterogeneidade espacial da vitalidade urbana diurna. Clique aqui para baixar este arquivo.
Arquivo Suplementar 6. Resultado da regressão geograficamente ponderada multiescalar (MGWR) noturna. Resultado completo do modelo MGWR noturno, incluindo estatísticas globais de regressão, otimização de largura de banda, métricas diagnósticas, estimativas de parâmetros e estatísticas descritivas utilizadas para avaliar a heterogeneidade espacial da vitalidade urbana noturna. Clique aqui para baixar este arquivo.
Arquivo Suplementar 7. Diagnósticos de regressão de mínimos quadrados ordinários (OLS) e avaliação de modelo. Resultados diagnósticos para o modelo OLS, incluindo avaliação de multicolinearidade, diagnósticos de regressão, análises de resíduos e gráficos complementares utilizados para comparação com modelos de regressão ponderada geograficamente. Clique aqui para baixar este arquivo.
Código Suplementar 1. Fluxo de trabalho em Python para pré-processamento de dados de mapa de calor do Baidu. Script em Python utilizado para pré-processar dados brutos de mapa de calor, incluindo remoção de duplicatas, filtragem de valores ausentes, conversão de carimbos de data e hora, classificação entre dia e noite, padronização de coordenadas e exportação dos conjuntos de dados processados para análises espaciais subsequentes. Clique aqui para baixar este arquivo.
Código Suplementar 2. Fluxo de trabalho para montagem de imagens de vista panorâmica de ruas. Caderno Jupyter que implementa o processamento de imagens de vista panorâmica de ruas, incluindo a montagem de imagens e a geração de imagens panorâmicas para análise subsequente da paisagem urbana. Clique aqui para baixar este arquivo.
Código Suplementar 3. Fluxo de trabalho para aquisição de imagens de vista panorâmica. Caderno Jupyter utilizado para recuperar imagens de vista panorâmica por meio da interface de programação de aplicações (API) do Baidu Street View, organizar metadados das imagens e preparar as imagens para segmentação semântica. Clique aqui para baixar este arquivo.
Código Suplementar 4. Fluxo de trabalho para processamento de imagens de vista panorâmica de ruas. Caderno Jupyter utilizado para processar e integrar imagens de vista panorâmica de ruas antes da extração dos indicadores de percepção humana. Clique aqui para baixar este arquivo.
Dados Suplementares 1. Conjunto de dados original do indicador de estrutura espacial urbana. Valores brutos dos indicadores compilados antes do pré-processamento e padronização para todas as unidades espaciais incluídas no estudo. Clique aqui para baixar este arquivo.
Dados Suplementares 2. Conjunto de dados padronizado de indicadores de estrutura espacial urbana. Variáveis preditoras padronizadas utilizadas como entradas para as análises de regressão geograficamente ponderada em múltiplas escalas. Clique aqui para baixar este arquivo.
Dados Suplementares 3. Conjunto de dados filtrados e processados dos indicadores da estrutura espacial urbana. Conjunto de dados com controle de qualidade após pré-processamento e seleção de variáveis, utilizado para análises estatísticas e desenvolvimento de modelos. Clique aqui para baixar este arquivo.
Discussão
A vitalidade urbana na área urbana principal de Yantai exibe padrões variados de agrupamento e influências espaciais heterogêneas que diferem conforme a localização, a extensão espacial e a escala analítica. O presente estudo demonstra que a vitalidade urbana é moldada por uma estrutura espacial composta e aninhada, na qual múltiplas dimensões do ambiente construído influenciam conjuntamente as atividades diurnas e noturnas dos residentes. Utilizando dados geoespaciais multissource em larga escala e o modelo MGWR, este estudo identificou heterogeneidade espacial substancial nos efeitos da funcionalidade, forma construída, acessibilidade, condições socioeconômicas e percepção humana sobre a vitalidade urbana. Em comparação com abordagens tradicionais de regressão global, o modelo MGWR capturou de forma mais eficaz a não estacionariedade espacial dessas relações, proporcionando uma compreensão mais refinada dos mecanismos subjacentes à vitalidade urbana. Esses resultados indicam que as estratégias para fomentar a vitalidade urbana devem basear-se nas necessidades espaciais e temporais das atividades dos residentes e adotar abordagens equitativas e específicas ao contexto, variando conforme as pessoas, o tempo e o local. Além disso, o aumento eficaz da vitalidade exige a otimização coordenada das estruturas espaciais globais e locais, ao mesmo tempo em que se reduzem ineficiências, intervenções ineficazes e efeitos negativos associados à alocação de recursos e às limitações ambientais. Em conjunto, esses achados fornecem um arcabouço baseado em evidências para melhorar a eficácia e a precisão das estratégias de aumento da vitalidade urbana (Figura 10).
Entre os elementos funcionais examinados, a diversidade de POI, as funções vitais e as funções residenciais foram identificadas como os principais determinantes da vitalidade urbana. A diversidade de POI exerceu a maior influência positiva sobre a vitalidade urbana, em consonância com os achados de Ye e Zhuang33 e Cetin et al.34, que demonstraram que funções urbanas mistas promovem a agregação populacional e aumentam a vitalidade espacial. No presente estudo, a diversidade de POI mostrou uma relação positiva significativa com a vitalidade urbana na maior parte do distrito urbano central durante o dia, enquanto apenas associações negativas fracas foram observadas em áreas periféricas. Esse padrão pode ser explicado pela concentração de funções residenciais, comerciais, de lazer e de serviços diversas, que criam cadeias contínuas de atividades humanas e fortalecem tanto a vitalidade temporal quanto a espacial. Em contraste, os distritos periféricos caracterizados por uso de solo de função única exibem cadeias de atividades fragmentadas e redução do uso temporal do espaço urbano. Essa diferenciação concêntrica também é consistente com estudos anteriores de Fang et al.35 e Xu et al.36. Padrões semelhantes foram relatados em Pequim e Wuhan, onde níveis mais altos de integração funcional estão associados a maior vitalidade pedonal e comercial37,38. Diferentemente dos distritos residenciais suburbanos em Pequim, que geralmente possuem instalações complementares relativamente completas, áreas industriais como Huangwu Street e o Parque Industrial Wanhua em Yantai carecem de POIs cotidianos suficientes, tornando os efeitos negativos da monocultura funcional mais acentuados. Assim, aumentar a diversidade funcional por meio de desenvolvimento residencial-comercial misto, serviços comunitários e espaços públicos abertos provavelmente melhoraria a vitalidade nesses distritos, enquanto a expansão de ruas comerciais noturnas e mercados noturnos poderia ainda mais fortalecer a atividade noturna. As funções vitais também mostraram efeitos positivos consistentes sobre a vitalidade urbana tanto durante o dia quanto à noite, especialmente na parte leste da cidade. Instalações relacionadas à educação, saúde, cultura, recreação, transporte e serviços públicos atraem visitas diárias repetidas e servem como destinos importantes para deslocamentos e interações sociais. A sobreposição espacial dessas instalações com serviços comerciais aumenta ainda mais a duração da permanência pedonal e a intensidade de atividade, sustentando assim a vitalidade urbana. Esses achados estão em conformidade com Liu e Ge39, que enfatizaram a importância do fornecimento de serviços públicos para aumentar a vitalidade comunitária, bem como estudos realizados em Nanquim e Wuhan que demonstraram que instalações equilibradas de suporte à vida aumentam significativamente a intensidade de atividade dos residentes ao longo do dia40,41. Consequentemente, uma renovação urbana abrangente deve priorizar melhorias na quantidade e na qualidade das instalações de funções vitais. Como ilustrado na Figura 8, bairros mais antigos, como Xingfu Xincheng e as aldeias urbanas circundantes, continuam enfrentando insuficiência em serviços públicos e qualidade espacial relativamente baixa. A melhoria do acesso à educação, saúde, cuidados para idosos, espaços verdes públicos e infraestrutura de emergência, juntamente com a reutilização adaptativa de antigos sítios industriais, como o Zhichu Park, em parques e praças públicas, contribuiria para uma vitalidade urbana mais forte e sustentável. As funções residenciais exibiram padrões espaciais semelhantes durante o dia e a noite, mostrando geralmente relações negativas fracas em áreas com alta concentração de POIs residenciais. Essas áreas são frequentemente caracterizadas por uso dominante de solo residencial, escassez de espaços públicos abertos, atividades comerciais insuficientes e poucas oportunidades para interação social, resultando em ambientes com fortes atributos residenciais, mas intensidade de atividade relativamente fraca. Chen et al.42 demonstraram igualmente que a infraestrutura urbana aumenta a vitalidade somente quando uma densidade adequada é acompanhada por atualizações e renovações contínuas. Pesquisas realizadas em distritos urbanos de alta densidade em Guangzhou também indicam que o aumento do desenvolvimento residencial isoladamente não melhora necessariamente a vitalidade, a menos que seja apoiado por serviços públicos, instalações comerciais, infraestrutura pedonal e espaços públicos de alta qualidade. Como mostrado na Figura 9, muitos bairros com alta concentração residencial continuam enfrentando escassez de espaços públicos e fachadas de ruas inativas. Portanto, os distritos densamente residenciais se beneficiariam de melhorias direcionadas nas instalações de serviços públicos, otimização das funções residenciais, adoção de tecnologias de construção sustentável, fortalecimento da governança comunitária e planejamento cuidadoso do desenvolvimento residencial futuro para melhorar tanto a qualidade residencial quanto a vitalidade urbana.
Além dos elementos funcionais, o presente estudo demonstra que a forma construída, a acessibilidade, as condições socioeconômicas e a percepção humana contribuem todos para a heterogeneidade espacial da vitalidade urbana. A densidade edificada revelou-se um determinante importante da vitalidade dos bairros. Conforme os achados de Yang et al.43 em Chongqing, uma maior densidade de edificações geralmente promove a agregação populacional e as atividades econômicas, aumentando assim a vitalidade dos bairros. Da mesma forma, o presente estudo mostrou que a influência da densidade de edificações aumenta gradualmente de oeste para leste, refletindo a concentração de desenvolvimento e atividades comerciais na área central nordeste do distrito urbano principal de Yantai. Estudos anteriores em Guangzhou demonstraram ainda que, embora o aumento da densidade de edificações inicialmente promova a vitalidade urbana, essa relação eventualmente atinge um limiar ótimo, além do qual a densidade adicional apresenta retornos decrescentes16Da mesma forma, estudos realizados em Qingdao indicaram que áreas ao redor de espaços ecológicos não são adequadas para um desenvolvimento excessivamente intensivo44 e que disposições espaciais lineares ou livres ao longo do litoral frequentemente oferecem ambientes mais atrativos do que formas urbanas altamente compactas. Esses achados sugerem que a densidade de construção deve ser otimizada, e não maximizada. Assim sendo, a densidade edificada local deve ser reduzida adequadamente em distritos comerciais e residenciais altamente desenvolvidos, incluindo áreas ao redor da Estação Ferroviária de Yantai e do Haishang World, ao mesmo tempo que se ampliam espaços verdes públicos e áreas de lazer. Distritos históricos, como a Rua Chaoyang e o Suochengli, devem priorizar a conservação de edifícios históricos e evitar requalificações excessivas, enquanto a intensidade de desenvolvimento ao longo do cinturão turístico costeiro e nas proximidades do Parque Central da Montanha deve ser cuidadosamente controlada, a fim de preservar os recursos ecológicos e paisagísticos, mantendo ao mesmo tempo a vitalidade urbana. A acessibilidade também apresentou marcada heterogeneidade espaço-temporal. Em consonância com estudos anteriores45,46, a proximidade diurna exibiu uma relação positiva significativa com a vitalidade urbana, enquanto sua influência diminuiu de sul a norte durante as horas noturnas. Como a proximidade reflete a conectividade da rede viária e os custos de deslocamento dos residentes, uma acessibilidade mais elevada facilita atividades frequentes e multifuncionais ao reduzir o tempo de deslocamento. Estudos anteriores também demonstraram que a vitalidade noturna está fortemente associada à densidade populacional e à conectividade de transporte, particularmente em áreas urbanas densamente desenvolvidas47. Wei Wei et al.48 demonstrou ainda em Wuhan que redes viárias altamente conectadas e sistemas bem desenvolvidos de tráfego lento aumentam substancialmente a vitalidade dos bairros, especialmente durante a noite. Esses achados sugerem que o planejamento futuro das redes viárias deveria adotar uma estratégia de "quadras pequenas e rede densa de ruas". Em bairros mais antigos localizados próximos a terrenos montanhosos, como Nangou Street–Jinde e Baishi–Hushan, a melhoria da conectividade por meio da eliminação de ruas sem saída e da expansão da infraestrutura para pedestres, bicicletas e vias motorizadas fortaleceria a acessibilidade e a vitalidade geral. Da mesma forma, melhorias no transporte nas áreas ao norte de Xingfu Street poderiam aumentar ainda mais a vitalidade noturna. As condições socioeconômicas representadas pelo DBC também exibiram clara heterogeneidade entre dia e noite. Durante o dia, valores mais baixos de DBC estavam associados à maior aglomeração populacional e maior vitalidade urbana, enquanto a vitalidade noturna mostrou o padrão oposto, consistente com os achados relatados por Wang et al.49 Essa diferença reflete a organização espacial contrastante entre as atividades diurnas de deslocamento e compras e as atividades noturnas de lazer e residenciais. Durante o dia, o centro comercial da cidade funciona como o principal destino para emprego e consumo, gerando uma forte concentração de vitalidade. À noite, no entanto, as atividades de lazer tornam-se mais dispersas, enquanto as áreas residenciais periféricas experimentam um aumento da vitalidade à medida que os moradores retornam para casa. Esse padrão também reflete o desequilíbrio entre empregos e moradias sob a estrutura comercial predominantemente monocêntrica de Yantai. Em consonância com a teoria de Bianchini sobre a economia noturna50, estabelecer atividades comerciais noturnas diversificadas representa uma estratégia eficaz para fortalecer a vitalidade em distritos suburbanos. Assim, áreas suburbanas como o Subdistrito Huangwu se beneficiariam do desenvolvimento de centros comerciais secundários, oportunidades diversificadas de consumo noturno e melhorias nas ligações de transporte entre as áreas residenciais suburbanas e o centro da cidade, promovendo, dessa forma, uma vitalidade mais equilibrada em toda a área urbana. Por fim, a percepção humana, representada pela caminhabilidade, exerceu consistentemente uma influência positiva sobre a vitalidade urbana tanto durante o dia quanto à noite. Geurs et al.51 demonstrou que uma maior acessibilidade para caminhada aumenta a disposição dos moradores em realizar caminhadas espontâneas, promovendo assim a vitalidade do bairro. Mahmood et al.52 ressaltaram ainda que as atividades urbanas noturnas dependem fortemente do acesso ao transporte, do conforto para pedestres e da segurança percebida, tornando ambientes de caminhada de alta qualidade essenciais para sustentar a vitalidade noturna. Os presentes achados indicam de forma semelhante que a atividade diurna de caminhada é influenciada principalmente pelo acesso às instalações, enquanto a vitalidade noturna depende mais fortemente do conforto ambiental, da continuidade dos percursos pedonais e da segurança percebida. Si Rui et al.53 relataram igualmente que ambientes pedestres mais seguros promovem a vitalidade noturna, enquanto interfaces de rua diversas aumentam a vitalidade diurna. Em Yantai, instalações para pedestres fragmentadas e graves conflitos entre pedestres e veículos ainda são comuns nos bairros mais antigos, limitando a expressão de vitalidade ao longo do dia. Portanto, o planejamento futuro deve priorizar calçadas contínuas, instalações pedestres acessíveis, travessias mais seguras, interfaces de rua mais ricas, iluminação melhorada e qualidade ambiental noturna aprimorada, com o objetivo de prolongar as atividades ao ar livre dos moradores, fomentar a interação social e a atividade comercial, e fortalecer a vitalidade urbana tanto diurna quanto noturna. Figura 10 resume as estratégias de otimização propostas derivadas desses achados.
No geral, o presente estudo aprofunda a compreensão da vitalidade urbana ao integrar dados geoespaciais abrangentes de múltiplas fontes com o modelo MGWR, quantificando como múltiplas dimensões da estrutura espacial urbana influenciam a vitalidade em diferentes escalas espaciais e períodos temporais. Diferentemente dos modelos de regressão global convencionais, a abordagem MGWR permite que cada variável explicativa atue em sua própria escala espacial, revelando assim uma substancial não estacionariedade espacial nas relações entre funcionalidade, forma construída, acessibilidade, condições socioeconômicas, percepção humana e vitalidade urbana. Esse arcabouço analítico não apenas melhora a interpretação dos mecanismos subjacentes à vitalidade urbana, mas também fornece orientações práticas para o planejamento e a governança urbana baseados em evidências. Em vez de aplicar intervenções de planejamento uniformes em toda a cidade, os resultados apóiam estratégias de otimização diferenciadas, adaptadas às características funcionais locais, intensidade de desenvolvimento, acessibilidade ao transporte, contexto socioeconômico e ambientes pedonais. Consequentemente, o arcabouço proposto possui aplicações potenciais na renovação urbana, regeneração de bairros, otimização de espaços públicos, planejamento de transporte e no desenvolvimento de economias diurnas e noturnas sustentáveis. Ao identificar onde e como diferentes elementos espaciais influenciam a vitalidade, o estudo fornece uma base científica para implementar estratégias de planejamento precisas e centradas nas pessoas, que melhorem a qualidade do espaço urbano enquanto promovem um desenvolvimento urbano equilibrado e sustentável.
Embora o presente estudo estabeleça uma estrutura analítica para investigar a vitalidade urbana utilizando dados geoespaciais multissource e o modelo MGWR, várias limitações devem ser reconhecidas. Primeiramente, a cobertura temporal da análise foi limitada aos dados do Mapa de Calor coletados durante cinco dias úteis consecutivos, o que não capta as variações nos padrões comportamentais dos residentes durante fins de semana, feriados ou diferentes estações do ano, limitando, portanto, a completude da análise temporal. Em segundo lugar, embora os dados do Mapa de Calor ofereçam ampla cobertura espacial por meio de uma grande base de usuários, eles inevitavelmente contêm viés de amostragem e não conseguem representar plenamente toda a população urbana, resultando em limitações quanto à representatividade da amostra. Terceiro, o estudo concentrou-se exclusivamente na área urbana principal do Distrito de Zhifu, em Yantai; consequentemente, os resultados estão estreitamente associados às características do ambiente construído local, e sua aplicabilidade a outros contextos urbanos, incluindo cidades montanhosas, áreas suburbanas, cidades costeiras e megacidades, exige verificação adicional por meio de estudos comparativos. Quarto, a presente análise examinou apenas a influência da estrutura espacial urbana sobre a vitalidade urbana, enquanto as potenciais interações bidirecionais entre vitalidade urbana e estrutura espacial não foram investigadas. Por fim, embora o modelo MGWR capture efetivamente a não estacionariedade espacial, ele permanece fundamentalmente baseado em suposições lineares e, portanto, pode não caracterizar plenamente as complexas relações não lineares e os efeitos de interação entre vitalidade urbana, atividades humanas e elementos espaciais. Essas limitações indicam importantes direções para aprimoramentos metodológicos futuros e para a aplicação mais ampla da estrutura analítica proposta.
Pesquisas futuras podem ampliar o presente trabalho em várias direções. A incorporação de dados de Mapa de Calor coletados durante fins de semana, feriados e diferentes estações permitiria o monitoramento dinâmico de longo prazo da vitalidade urbana e proporcionaria uma compreensão mais abrangente de sua evolução espaço-temporal. Análises comparativas entre diferentes tipos urbanos — incluindo cidades montanhosas, cidades planas, cidades costeiras, áreas suburbanas e megacidades — ajudariam a distinguir mecanismos universais de características específicas de cada região e melhorariam a generalização dos achados. Além disso, a integração de informações socioeconômicas, como estrutura populacional, distribuição industrial, características de emprego e renda dos moradores, facilitaria uma interpretação mais completa dos mecanismos subjacentes à formação da vitalidade urbana. Estudos futuros também podem combinar múltiplas fontes de dados, como dados de sinalização de telefones celulares e registros de consumo de alta frequência, com aprendizado de máquina e outras abordagens analíticas não lineares para capturar melhor as interações complexas entre a estrutura espacial urbana, o comportamento humano e a vitalidade urbana. Além disso, o arcabouço analítico desenvolvido neste estudo possui valor prático considerável para a renovação urbana, regeneração de bairros, otimização de espaços públicos e governança urbana refinada, especialmente em comunidades envelhecidas, distritos suburbanos e áreas com vitalidade comercial relativamente fraca. Ao fornecer evidências quantitativas para estratégias de planejamento diferenciadas com base nas características espaciais locais, esse arcabouço pode apoiar um desenvolvimento urbano mais preciso, centrado nas pessoas e sustentável. No geral, este estudo demonstra que a integração de grandes dados geoespaciais de múltiplas fontes com o modelo MGWR fornece uma abordagem eficaz para revelar a heterogeneidade espacial da vitalidade urbana e oferece suporte científico valioso para otimizar a estrutura espacial urbana e aprimorar a vitalidade urbana por meio de planejamento e governança baseados em evidências.
Divulgações
Conflito de Interesse:
Os autores declaram que não têm conflitos de interesse relacionados à pesquisa, autoria ou publicação deste artigo.
Agradecimentos
Esta pesquisa foi apoiada pelo Projeto de Equipe de Inovação Jovem nas Universidades da Província de Shandong (número do convênio: 2022RW026); pela Fundação Nacional Natural de Ciências da China (número do convênio: 42377207); pelo Projeto de Humanidades e Ciências Sociais da Província de Shandong (número do convênio: 2022-YYGL-31); pelo Programa Jovem Especialista Taishan Scholar de Shandong (número do convênio: tsqn202306240); pelo Projeto Geral de Reforma do Ensino de Graduação na Província de Shandong (número do convênio: Z2021177); pelo Programa Chave de Pesquisa e Desenvolvimento da Província de Shandong (número do convênio: 2022RKY07006); pela Fundação de Desenvolvimento Integrado Universidade-Território em Yantai (número do convênio: 2021XDRHXMQT18); pela Fundação Aberta do Laboratório de Estado de Ciência e Meio Ambiente de Lagos (número do convênio: 2022SKL005); pela Fundação Aberta do Laboratório de Estado de Geologia do Lóesso e do Quaternário, Instituto de Meio Ambiente Terrestre, Academia Chinesa de Ciências (número do convênio: SKLLQG2024); e pelo Projeto de Equipe de Inovação Jovem para Introdução e Formação de Talentos nas Universidades da Província de Shandong (número do convênio: SKLLQG2024).
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| ArcGIS | Esri | Version 10.4 (RRID: SCR_011081) | Software de sistema de informações geográficas utilizado para análise espacial e visualização de mapas |
| Baidu Maps API | Baidu, Inc. | Version 3.0 | Utilizado para obter dados de mapa de calor, pontos de interesse (POI) e imagens de vista panorâmica |
| MGWR | Arizona State University | Version 2.2 | Software utilizado para análise de regressão geograficamente ponderada em múltiplas escalas |
| Conjunto de Dados de Uso do Solo do Centro Nacional de Informações Geográficas Básicas | Centro Nacional de Informações Geográficas Básicas | https://www.gscloud.cn/search | Fonte dos dados de uso do solo |
| Conjunto de Dados de Luz Noturna NPP-VIIRS | Harvard Dataverse | DOI: 10.7910/DVN/YGIVCD | Utilizado para validar padrões de vitalidade urbana derivados de mapas de calor |
| OpenCV | OpenCV | Version 4.5.5 | Utilizado para montagem de imagens panorâmicas e processamento de imagens |
| OpenStreetMap | OpenStreetMap Foundation | https://www.openstreetmap.org | Fonte de dados de área construída e rede viária |
| Python | Python Software Foundation | Version 3.8 (RRID: SCR_008394) | Utilizado para aquisição, pré-processamento e análise de dados |
| SegNet | University of Cambridge | Implementação PyTorch (Version 1.0) (RRID: SCR_017042) | Rede de segmentação semântica baseada em aprendizado profundo utilizada para extração de características do cenário urbano |
| Análise de Rede de Design Espacial (sDNA) | Cardiff University | Version 4.0 | Utilizado para calcular métricas de acessibilidade da rede viária |
Referências
- Jin X, et al. Evaluating cities' vitality and identifying ghost cities in China with emerging geographical data. Cities. 2017;63:98-109.
- Montgomery J. Making a city: Urbanity, vitality and urban design. J Urban Des. 1998;3(1):93-116.
- Zhang W. Theoretical basis and methods of city health examination evaluation in China. Sci Geogr Sin. 2021;41(10):1687-1696.
- Jacobs J. The Death and Life of Great American Cities. Random House; New York; 1992.
- Maas PR. Towards a Theory of Urban Vitality. University of British Columbia; Vancouver; 1984.
- Sulis P, Manley E, Zhong C, Batty M. Using mobility data as proxy for measuring urban vitality. J Spat Inf Sci. 2018;16:137-162.
- Jia C, et al. Evaluation of urban vibrancy and its relationship with the economic landscape: A case study of Beijing. ISPRS Int J Geo-Inf. 2021;10(2):72.
- Kim YL. Seoul's Wi-Fi hotspots: Wi-Fi access points as an indicator of urban vitality. Comput Environ Urban Syst. 2018;72:13-24.
- Yue H, Zhu X. Exploring the relationship between urban vitality and street centrality based on social network review data in Wuhan, China. Sustainability. 2018;11(16):4356.
- Zhang L, Chiaradia A. Three-dimensional spatial network analysis and its application in a high-density city area, Central Hong Kong. Urban Plan Int. 2019;34(1):46-53.
- Feng D, Tu L, Sun Z. Research on population spatiotemporal aggregation characteristics of a small city: A case study of Shehong County based on Baidu Heat Maps. Sustainability. 2019;11(22):6276.
- Ye Y, Li D, Liu X. How block density and typology affect urban vitality: An exploratory analysis in Shenzhen, China. Urban Geogr. 2018;39(4):631-652.
- Liu M, Jiang Y, He J. Quantitative evaluation on street vitality: A case study of Zhoujiadu Community in Shanghai. Sustainability. 2021;13(6):3027.
- Wang B, et al. Elaborating spatiotemporal associations between the built environment and urban vibrancy: A case of Guangzhou City, China. Chin Geogr Sci. 2022;32:480-492.
- Hu C, et al. Research on the spatiotemporal pattern and influencing mechanism of coastal urban vitality: A case study of Bayuquan. Buildings. 2024;14(7):2173.
- Wang C, Wang B, Wang Q, Lei Y. Nonlinear associations between urban vitality and built environment factors and threshold effects: A case study of central Guangzhou City. Prog Geogr. 2023;42(1):79-88.
- Huang LS, Han Y, Ye Y. Coastal waterfront vibrancy: An exploration from the perspective of quantitative urban morphology. Buildings. 2022;12(10):1585.
- Yue W, Chen Y, Zhang Q, Liu Y. Spatially explicit assessment of urban vitality using multi-source data: A case of Shanghai, China. Sustainability. 2019;11(3):638.
- Pan J, Zhu X, Zhang X. Urban vitality measurement and influence mechanism detection in China. Int J Environ Res Public Health. 2022;20(1):46.
- Zeng Z, Li Y, Tang H. Multidimensional spatial driving factors of urban vitality evolution at the subdistrict scale of Changsha City, China, based on the time series of human activities. Buildings. 2023;13(10):2448.
- Xia X, Zhang Y, Zhang Y, Rao T. The spatial pattern and influence mechanism of urban vitality: A case study of Changsha, China. Front Environ Sci. 2022;10:942577.
- Ye Y, Zhuang Y, Zhang L, Nes A. Designing urban spatial vitality from a morphological perspective: A study based on quantified urban morphology and activities' testing. Urban Plan Int. 2016;31(1):26-33.
- Long Y, Ye Y. Human-scale urban form: Measurements, performances, and urban planning and design interventions. South Architecture. 2016;(5):41-47.
- Shen T, Li F, Chen Z. The evaluation of urban vitality and spatial correlation based on multi-source data: A case study of the main urban area of Changzhou. Resour Environ Yangtze Basin. 2022;31(5):1006-1015.
- Liu Y, Zhao P, Liang J. A study of urban vitality based on location-based service data: A case study of the area within the Sixth Ring Road of Beijing. Areal Res Dev. 2018;37(6):64-69.
- Zhang F, Liu Q, Zhou X. Vitality evaluation of public spaces in historical and cultural blocks based on multi-source data: A case study of Suzhou Changmen. Sustainability. 2022;14(21):14040.
- Gong Z, Ma Q, Kan C, Qi Q. Classifying street spaces with street view images for a spatial indicator of urban functions. Sustainability. 2019;11(22):6424.
- Ye Y, Zhang L, Yan W, Zeng W. Measuring street greening quality from a humanistic perspective: A large-scale analysis based on Baidu street view images and machine learning algorithms. Landscape Architecture. 2018;25(8):24-29.
- Penn A, Hillier B, Banister D, Xu J. Configurational modelling of urban movement networks. Environ Plann B Plan Des. 1998;25(1):59-84.
- Ye Y, et al. Measuring daily accessed street greenery: A human-scale approach for informing better urban planning practices. Landsc Urban Plan. 2019;191:103434.
- Moran PAP. Notes on continuous stochastic phenomena. Biometrika. 1950;37(1-2):17-23.
- Yang L, Jiao H. Spatiotemporal changes in ecosystem services value and its driving factors in the Karst region of China. Sustainability. 2022;14(11):6695.
- Ye Y, Zhuang Y. A hypothesis of urban morphogenesis and urban vitality in newly built-up areas: Analyses based on street accessibility, building density and functional mixture. Urban Plan Int. 2017;32(2):43-49.
- Cetin M, et al. Evaluation of thermal climatic region areas in terms of building density in urban management and planning for Burdur, Turkey. Air Qual Atmos Health. 2019;12(9):1103-1112.
- Fang C, He S, Wang L. Spatial characterization of urban vitality and the association with various street network metrics from the multi-scalar perspective. Front Public Health. 2021;9:677910.
- Xu Q, Zhou X, Zhou S. Identifying urban fringe boundaries and evaluating urban vitality using multi-source data: A case study of Hangzhou's central urban area. Urban Dev Stud. 2024;31(1):80-88.
- Hao X, Long Y, Shi M, Wang P. Street vibrancy of Beijing: Measurement, impact factors and design implication. Shanghai Urban Plan Rev. 2016;(3):9.
- Zeng C, Song Y, He Q, Shen F. Spatially explicit assessment on urban vitality: Case studies in Chicago and Wuhan. Sustain Cities Soc. 2018;40:296-306.
- Liu S, et al. Urban vitality assessment at the neighborhood scale with geo-data: A review toward implementation. J Geogr Sci. 2023;33(7):1482-1504.
- Tang L, Xu H, Ding Y. Comprehensive vitality evaluation of urban blocks based on multi-source geographic big data. J Geo-Inf Sci. 2022;24(8):1575-1588.
- Yang W, Ren Z, He J. Analysis of spatial disparity based on supply and demand service level of life service facilities: A case of Jianghan District in Wuhan City. Geomat Inf Sci Wuhan Univ. 2024;49(3):473-481.
- Chen Z, Dong B, Pei Q, Zhang Z. The impacts of urban vitality and urban density on innovation: Evidence from China's Greater Bay Area. Habitat Int. 2022;119:102490.
- Yang FF, et al. Understanding urban vitality from the economic and human activities perspective: A case study of Chongqing, China. Chin Geogr Sci. 2024;34(1):52-66.
- Sun X, Yuan Y, Wang J, Dong Q. Research on the influence factors and spatial characteristics of urban coastal space vitality via multi-scale geographically weighted regression: A case study of Tsingtao East Coast. J Qingdao Agric Univ (Soc Sci). 2024;36(1):50-58.
- De Vries S, et al. Local availability of green and blue space and prevalence of common mental disorders in the Netherlands. BJPsych Open. 2016;2(6):366-372.
- Chen Y, et al. Emerging social media data on measuring urban park use. Urban For Urban Green. 2018;31:130-141.
- Li Z, Zhao G. Revealing the spatiotemporal heterogeneity of the association between the built environment and urban vitality in Shenzhen. ISPRS Int J Geo-Inf. 2023;12(10):433.
- Wei W, Zhang Y, Hong M, Xia J. Influence of the built environment on outdoor space fitness vitality and its heterogeneity: A case study of the Wuhan urban area. Prog Geogr. 2024;43(1):93-109.
- Wang B, Lei Y, Wang C, Wang L. The spatiotemporal impacts of the built environment on urban vitality: A study based on big data. Sci Geogr Sin. 2022;42(2):274-283.
- Bianchini F. Night cultures, night economies. Plan Pract Res. 1995;10(2):121-126.
- Geurs KT, Krizek KJ, Reggiani A. Accessibility Analysis and Transport Planning. Edward Elgar Publishing; Cheltenham; 2012.
- Mahmood A, et al. A photovoice documentation of the role of neighborhood physical and social environments in older adults' physical activity in two metropolitan areas in North America. Soc Sci Med. 2012;74(8):1180-1192.
- Si R, Lin Y, Xiao Z, Ye Y. Spatiotemporal analysis of the relationship between the built environment and street vitality based on street-level imagery: A case study of Futian District, Shenzhen. Sci Geogr Sin. 2021;41(9):1536-1545.