基于机器学习与多源数据城市声景的预测与分析

参赛院校：深圳大学

指导老师：涂伟

队员姓名：蔡钊悦、余卓怡、叶垚森、陈思琦

作品赏析

声景是指在某一场景下个人或群体所感知、体验或理解的声环境。城市声景展示了城市的自然风貌、社会人文等各个方面，对优化城市规划、改善城市人居环境、提升城市形象具有重要作用。随着城镇化进程加快，噪声污染已成为城市主要环境问题之一，对居民生活质量与身心健康造成负面影响。近年来，城市声景逐渐成为城市可持续发展的关键指标。

传统的声景研究一般采用声测量、声漫步和定性调查问卷等实地研究方法，通过空间插值进行声景预测，但是这些研究成本较高，耗时较长，难以大规模应用。近年来，随着机器学习和计算机视觉算法的发展，一些研究开始结合遥感影像、街景图像等新数据，建立基于机器学习的预测模型，降低了声景预测与评估的成本。但这些研究大多使用单一数据源，未从多个视角考虑影响声景的因素，对城市感知存在一定的偏差。

为此，本作品集成实测声音数据、道路、建筑物、兴趣点、兴趣面、街景图像、遥感影像等城市建成环境数据，进行多源空间数据处理与分析，构建机器学习模型，实现大范围声景精准预测与制图分析，并进行了声景分布格局分析和异常发现，提出城市声景研究新途径，为改善城市声景质量、保护居民健康提供技术支撑。

图1 技术流程图

基础数据

本作品数据包含声级计采样实测数据、来源于高德地图开放平台与百度地图开放平台的POI数据与AOI数据、来源于Open Street Map平台的道路与建筑物数据、来源于百度地图的街景图像数据、来自高分一号卫星的遥感影像数据。

分析过程

1. 预测声音空间分布分析

将预测的声强、声源绘制在地图上，进行空间分布的描述性分析。

图1 声强空间分布                                图2 声源空间分布

2. 热点分析

通过热点分析探究研究区域声强的冷热点分布。

图3 热点分析结果

3. 局部空间自相关分析

通过局部空间自相关分析对研究区域声强的分布特征进一步研究，输出LISA聚类地图进行分析。

图4 LISA聚类地图

4. 空间插值方法与机器学习方法比较分析

使用距离反比权重法进行空间插值得到空间插值的声强地图，并与本作品所使用的机器学习方法得到的声强地图进行对比分析。

图5 空间插值声强地图                          图6 机器学习预测声强地图

表1 空间插值与机器学习RMSE对比

作品亮点及提升方向

作品亮点

1.将多源地理信息数据与实地采集的声音数据密切关联，一定程度上弥补当前在感知城市声音时出现的单一数据源偏差。

2.结合地理信息与人工智能技术，通过机器学习模型，充分利用少样本量，精细预测大范围的声景。这一方法提高了声音预测的准确性、降低预测的成本，为大规模的声景可视分析提供了有力支持。

3.通过声景地图绘制和分析将预测成果可视化，不仅揭示了声景的分布格局，还捕捉到声景的异常区域。有助于规划部门和决策者更好地理解声音对城市环境的影响，支撑噪音控制、交通管理和城市规划等决策。

提升方向

1.数据采集阶段改进：现有样本数据不够充分，将扩大研究范围，进一步推广研究。

2.引入个体感知：先前的研究表明，在复杂环境中，噪声感知受到个体和非声学因素的影响。未来考虑通过问卷调查等方式引入人的感知。

团队合影

从左到右  陈思琦、蔡钊悦、余卓怡、叶垚森