基于多源數據的城市住區生態宜居性評價
——以深圳市為例

董軒妍,胡忠文,*,吳金婧,王敬哲,楊 超,張 杰,夏吉喆,鄔國鋒

1 自然資源部大灣區地理環境監測重點實驗室,深圳 518060 2 廣東省城市空間信息工程重點實驗室,深圳 518060 3 深圳大學建筑與城市規劃學院, 深圳 518060

自20世紀50年代以來,我國經歷了歷史上規模最大、速度最快的城鎮化進程,據估計2025年我國的城鎮化率將達到65.5%[1]。盡管這一進程促進了經濟增長并增添了城市發展活力,但同時也帶來綠地面積縮小、空氣污染等一系列問題。在城市生態環境狀況降低的背景下,人民群眾對優良居住環境的需求日益強烈。相應地,城市可持續發展及其內部生態宜居性也愈發受到關注。因此,如何快速、準確地對城市生態宜居性進行評價成為近年來城市研究的熱點。

當前生態宜居性研究多偏重于理論模型設計[2]、指標識別[3]及指標框架構建[4]等。就數據選擇而言,主要來自于問卷調查、土地調研和專家經驗[5—6],獲取過程費時費力且更新速度較慢,難以滿足大規模城市生態宜居性評價。此外,這些研究的評價結果多為定性描述,主觀性較強[7]。近年來,包括遙感數據在內的多源數據由于其真實、快速、準確等特性已廣泛用于城市生態宜居性分析[8]。例如高分二號遙感數據已成功應用于指標獲取并進行了城市環境評價[9]。此外,出租車軌跡數據、興趣點(Point-of-Interest, POI)等地理空間數據也被廣泛應用于生態宜居分析中[9—11]?；谶b感、POI等多源數據開展的城市生態宜居評價成為當前重要的研究趨勢。

就模型選擇而言,合理的評價模型需要對多個指標進行綜合考慮。常用模型包括空間自回歸模型[12]、層次分析法模型[13]以及多準則決策分析模型[14]等。多準則決策分析中的TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)在復雜決策情況下能夠有效地對結果進行量化,是宜居性評價中最常用的模型[15]。在綜合評價中,指標的權重設置對最終的結果至關重要[8]。常用的權重確定方法有主觀賦權法和客觀賦權法兩大類。主觀賦權法是根據人為判定該項指標占相對總比重來確定權重,常用方法包括專家打分法(Delphi法)[16]、環比評分法等。但這些方法過于依賴居民的情感選擇,而情感因人而異會導致評價結果的不確定性較強?？陀^賦權法是根據數據處理所得的信息對各指標進行賦權,例如主成分分析法[17]、熵權重法[11]、BP神經網絡法[5]等。這些方法從評價指標數據出發,避免了主觀因素對結果的影響。

就評價單元的選擇而言,當前宜居性評價多以城市整體或城市中的行政區域為評價對象,所得到的結果較為宏觀,不利于時空量化分析。而住區不僅是城市空間中相對獨立的生活居住用地統稱,也是城市內部生態宜居最為適宜的評價單元[18]。此外,基于住區開展的評價結果對城市管理、規劃等更具實際應用價值,已有研究學者選擇(居)住區作為評價宜居性的基本單元[8, 19—21]。由于傳統的實地調查費時費力,使得準確獲取居民住區的難度極大；相似地,官方法定圖則或城市規劃數據更新較為緩慢,同樣難以反映快速城市化背景下的住區變化。當前,多源時空數據日漸豐富,結合使用機器學習方法,可實現城市功能區的空間分布信息的快速更新,使得獲取真實的住區單元成為可能[22]。雖已有學者結合高空間分辨率遙感影像及POI等社會感知數據對城市進行功能區分類[23—24],但鮮有研究以此為基礎開展住區尺度的生態宜居性評價。

盡管現有生態宜居性研究在各方面均取得了一定進展,但尚未形成基于多源時空數據的精細尺度城市生態宜居性評價方案。針對以上問題,本研究以高分辨率遙感影像、POI數據、道路網等多源數據為基礎,結合主題模型與機器學習對城市功能區進行識別并進行住區提?。贿M一步建立融合多源數據的住區生態宜居性定量評價模型,并以深圳市為例開展了方案驗證及分析。研究結果有望為城市生態宜居整治與改善及城市規劃等提供案例參考和數據支撐。

1 研究區與數據

1.1 研究區概況

深圳市(圖1)地理位置介于113°46′—114°37′E,22°24′—22°52′N之間。從深圳市情角度來看,生態資源豐富,全市森林覆蓋率超40%,綠化覆蓋率超45%,總面積為1997.47 km2,下轄10個行政區域。作為擁有超過2000萬流動人口的特大型城市,如何推進人民“安居”是城市發展的重要難題。從城市定位角度來看,深圳作為粵港澳大灣區的生態城市典范[25],更需在精細的尺度范圍體現生態宜居特質。分析城市住區的生態宜居程度,改善內部居住環境質量,不僅可滿足人民群眾享有宜居的生活環境這一訴求,也能夠進一步提升深圳的城市競爭力[26]。

然而,隨著城市的快速發展,人口、經濟活動在短時間內大量聚集,加之區域生態保護和城市內部生態建設沒有得到足夠重視,導致人居環境日益惡化。作為快速城市化的典型代表,深圳市生態居住環境兩級分化嚴重。例如,2017年深圳共有1877個城中村并容納1100萬人口,占據城市總人口的60%,而城中村用地僅為145 km2,僅占全市面積的7%[27]。

1.2 研究數據

本研究中的采用遙感數據獲取研究區的地表覆蓋圖、地表溫度圖,進一步結合路網數據、興趣點數據、人口密度數據、建筑密度等數據作為評價生態宜居性的基礎數據,所用數據具體如下：

1.2.1遙感數據

熱舒適是人對周圍熱環境所做的主觀滿意度評價,熱舒適的降低會影響居民的身心健康和生產力[28]。在住宅區內部,室內溫度是影響熱舒適最重要的因素[29],而室內溫度很大程度上取決于室外空氣溫度。因此本研究采用覆蓋研究區的兩景Landsat- 8影像的熱紅外數據來獲取室外地表溫度。數據獲取時間為2017年10月23日(平均氣溫為26℃/20℃)和2017年11月1日(28℃/20℃)。此外,采用2017年17景L1A級高分二號(GF- 2)遙感影像,對Landsat- 8 和GF- 2影像分別進行RPC正射校正、Pan sharpening算法圖像融合、圖像鑲嵌、模板勻色處理、幾何精校正等預處理。GF- 2影像經多光譜影像與全色影像融合后,影像空間分辨率為1 m (圖1)。

1.2.2城市多源感知數據

路網數據：為了精準感知區域生態宜居性,本研究以街區為基礎研究單元構建評價指標。深圳路網矢量數據來自Open Street Map官網 (https://www.openstreetmap.org/#map=3/36.96/104.17)。基于研究區域的道路寬度和住房建設部標準,將道路劃分為小于500 m、500—1000 m、1000 m以上3個級別。參照Yuan等的研究,生成寬度10、20和40 m的緩沖區并移除[24],進而獲得了共計2095個街區地塊(圖1)。

圖1 本研究所用的數據集 Fig.1 The employed dataset POI: 興趣點Point-of-interest

建筑物及POI數據：本研究基于高德開放平臺獲取2018年深圳市建筑物輪廓矢量以及2017年覆蓋整市的863043條記錄的POI數據。高德POI包括三級分類系統,本研究結合一級分類與二級分類,將POI手動劃分為17個類別(圖1)。

人口密度數據：騰訊用戶實時密度數據(Real-Time Tencent User Density, RTUD)是基于所有騰訊平臺,如QQ、微信、騰訊地圖等應用上所采集的用戶位置。該數據空間分辨率為25 m,時間分辨率為1 h,以熱度圖的形式展示(圖1)。本研究選取了2016年工作日為4月13日、周末為4月17日深圳各一天的RTUD數據,考慮到居住人口流動模式,選取了3個區間：北京時間21、22、23 h,該時段居家人口較多,手機使用頻率更高,能夠更好地反映住區人口密度,并適合后續指標的建立。

空氣質量數據：隨著人們意識到空氣質量會對人體健康產生不利的影響,空氣質量已成為宜居性評價需要考慮的重要因素。在住宅建筑的通風較好的情況下,主要空氣污染物PM2.5可從室外移動到室內,暴露其中會損害人體健康[30]。深圳市全年空氣質量數據來源于中科院數據下載中心(http://www.resdc.cn/data.aspx?DATAID=289)。數據包括2017年深圳市及周邊13個地面監測站的每小時空氣質量指數(Air Quality Index, AQI),空氣質量指數范圍0—500。

2 技術框架

首先,結合高分影像與高德POI數據進行特征提取,生成特征詞典；隨后,利用面向對象的方法提取城市土地覆蓋結果并生成景觀格局指數作為輔助特征；基于路網數據生成街區單元,利用主題模型將詞典轉換為高級語義特征并與相同街區中的景觀格局指數結合,并利用隨機森林分類器進行訓練與預測,得到深圳市住區和其他功能區類別；最后結合用戶密度數據、年空氣質量、Landsat- 8熱紅外數據、建筑物輪廓數據、土地覆蓋數據構建城市生態宜居性指標,采用基于熵權法的TOPSIS模型測度已得到的住區生態宜居性,分析城市住區生態宜居性的空間分布模式并探索指標間的敏感性。本研究技術流程見圖2。

圖2 技術框架Fig.2 Framework of this study OSM：開源地圖Open Street Map；TOPSIS：優劣解距離法Technique for Order Preference by Similarity to an Ideal Solution

2.1 住區識別

2.1.1特征集構建

特征集是目標屬性的定量表達,在目標識別和分類中起著重要的作用。多源感知數據從不同的角度對城市的特征進行表達,如高分辨率遙感影像細節信息豐富,因此常用于提取城市區域的光譜、結構和紋理信息[31]；POI數據反映人們對城市區域的利用情況,對城市功能類型的劃分起著重要的作用[24]；景觀格局反映城市中不同類型地物的空間分布和利用類型[32]。本研究采用面向對象的影像分類方法[33]獲得地表覆蓋分類圖,并計算用于輔助城市住宅區的分類識別的景觀格局指數。為了降低高分辨率圖像特征提取的計算復雜度,本研究采用了滑動窗口算法與K均值聚類簡化特征。

基于影像、POI等提取的數據僅有低層次的數據特征,難以滿足城市功能區識別等高語義層次的識別問題。研究表明利用語義提升方法可以有效挖掘低層次數據中的語義信息,聚集為高層次特征,提升功能區識別的準確性[23]。詞典(Bag of words, BOW)模型與文檔主題生成模型(Latent Dirichlet Allocation, LDA)來自信息處理與檢索領域,兩者結合對特征進行處理是目前最常用的語義提升方式[23]。特征構建中,每個街區被看作一篇文檔,每個街區中的特征被視作文檔中的詞,統計每個街區中出現的特征詞頻并生成集合。每個街區j的詞典模型表示為：

BOWj={Specj,POIj,Texj,SIFTj}

(1)

LDA模型將詞典中的每一項表示為潛在主題的隨機混合,其中每個主題的特征是單詞的分布,每個街區的“文檔”利用LDA反推其主題預測。具體實現方法參見文獻[23],最終形成訓練特征集(表1)。

表1 研究所用特征

2.1.2隨機森林分類

本研究根據深圳市規劃國土資源委員會土地利用規劃圖、高分遙感圖像、百度街景等確定地塊標簽的真實類型,選擇182個訓練地塊。隨后,采用隨機森林算法訓練模型,并對所有地塊進行功能區預測,Kappa系數和混淆矩陣用于評估其準確性。隨機森林算法在高維數據中效果出眾,已廣泛應用于功能區分類[24, 34],算法參數選擇采用網格搜索方式,使Kappa值最大化。分類結果包括常見用地六類：住宅用地、工業用地、商業用地、公共管理和服務用地、城中村和城市綠地。

2.2 住宅區生態宜居性評價

2.2.1生態宜居性指標體系

根據《中國宜居城市科學評價標準》可知,環境優美是城市是否宜居的決定性因素之一,主要包括生態環境、氣候環境、人文環境、城市景觀等四個方面[35],其中熱舒適度屬于生態環境常用評價指標,空氣質量屬于氣候環境評價指標,人口密度、住宅區建筑物密度城市綠地屬于人文環境指標,城市綠地(園林綠化)屬于城市景觀方面指標。

(1) 熱舒適度指標

本研究利用地表溫度來代表熱舒適度指標。利用新型劈窗算法[36],利用Landsat 8影像數據,結合可見光與熱紅波段反演地表溫度,最終升采樣得到30 m分辨率的深圳市地表溫度數據(Land Surface Temperature, LST),并計算每個住宅區域的平均地表溫度(圖3)。深圳市年平均氣溫在20℃以上,全年大部分時間處于炎熱氣候中[37]。因此,平均氣溫越低的地方即該指標越低,代表區域熱舒適度越好。

圖3 生態評價指標Fig.3 Ecological indicators AQI: 空氣質量指數Air quality index

(2) 空氣質量良好天數指標

本研究使用空氣質量良好天數作為描述住區整體空氣質量的指標。已有研究證實,當使用克里金法時空氣質量插值結果較好[8]。因此,基于深圳市及周邊臨近的13個監測站點,逐小時累加AQI以獲取其日均值并進行克里金插值,獲得日尺度的AQI空間分布(圖3)；利用住宅區矢量求得每個住宅區的日均AQI序列,統計365天AQI小于等于某一閾值的天數,作為空氣質量評價指標,AQI閾值設置為50[8],小于該值即表示當天空氣良好。

(3) 城市綠地占地面積指標

城市綠地對居民的健康福祉具有重要意義,它不僅可以改善空氣質量,減輕噪音污染和極端天氣對人民生活的影響,并且能通過減輕壓力促進心理健康,從而使得社區生態宜居性提高[38]。深圳市自建設以來就對人均公共綠地、綠地率以及綠化覆蓋率有著較高的要求[39]。本研究以地表覆蓋數據為基礎(圖3),計算區域內的植被和水的百分比計算城市綠地覆蓋率,公式如下：

(2)

式中,GSC為綠地覆蓋度,Av、Aw為GF- 2土地覆被分類圖像得到的植被和水體面積,A為區域的總面積。此外,陰影已在土地覆蓋分類時單獨提取為一類,以消除可能產生的干擾。

(4) 人口密度指標

一個住區內的人口密度與居住體驗直接相關。區域內人口過于擁擠的會導致包括環境破壞、噪音污染及溫度升高等在內的一系列問題[40]。本研究通過匯總兩天騰訊實時人口密度的6個時間點數據,取時空平均值以用于計算街區內的平均人口密度。

(5) 建筑物密度指標

建筑物密度是人們選擇居住環境時的必要關注點。不同國家對于不同樓層的建筑密度均有著嚴格的要求[41]。建筑物的密度在一定程度上會對居民的生活質量造成一定的影響。因此,本研究利用建筑物輪廓數據,統計每個街區建筑物密度,該指標的計算公式如下：

(3)

式中,ρR為住宅建筑凈密度,Rb為住宅建筑基底總面積,而Rt是住宅用地。

2.2.2基于TOPSIS模型的生態宜居性評價

TOPSIS模型作為一種多準則決策分析技術,因其對指標、評價對象的數量沒有嚴格限制的優勢被廣泛使用于多指標評價[8]。本研究利用TOPSIS模型,將每個住區內的n項指標(Yij)融合為一個綜合得分,從而對住區進行評價與排序。該方法的關鍵在于準確計算權重[42],客觀賦權中的熵權法已被證實可較好地反映指標間的重要性[11]。本研究采用的生態宜居性指標不含主觀因素,因此該方法被采用。指標權重計算根據信息熵的定義,一組數據的信息熵(Ej)見下式：

(4)

(5)

得出權重(Wi)之后,將其賦予TOPSIS模型矩陣中,最終綜合得分的取值范圍為0—1。住區得分數值越大,生態宜居程度越高。由于權重的影響,使得分數小數點位數過多,為了更方便展現各個住區之間得分的差異性,將最終得分乘以1000。

2.3 空間依賴與敏感性分析

全局空間相關性用來分析研究對象總體的空間關聯和空間差異程度。Moran′sI指數絕對值越大表示空間相關性越明顯。本研究利用單變量Moran′sI對最終綜合得分進行空間依賴度量,分析其空間異質性。由于地塊之間被路網分隔開,本研究基于距離計算莫蘭指數的空間權重矩陣。敏感性分析可用來檢驗各個指標對評價得分的影響,多屬性評價的敏感性分析主要包括屬性權重和屬性值的敏感性分析[43]。由于權重參數已經固定,本研究利用地理探測器[44]中的生態探測分析對五個指標的變化進行相對敏感性分析。生態探測即用于比較兩因子X1和X2對屬性Y的空間分布的影響是否有顯著的差異,以F統計量來衡量,其中屬性Y綜合得分值以自然間斷點方法離散化參與計算[45]。

3 結果與分析

3.1 住區識別

基于LDA與隨機森林方法,本研究得出了深圳市住區(住宅區、城中村)以及其他類功能區,此外,基于實地考察數據驗證深圳市功能區分類結果(圖4),總體精度為82.1%,Kappa為78.5%,其中住宅區精度92.6%,Kappa精度68.8%；城中村精度87.1%,Kappa為84.4%。深圳市南部住宅區較多,多集中于南山、福田、羅湖等區,城中村分布多集中于寶安、龍崗和龍華新區；北部工業占地較多,多集中于龍崗、寶安、坪山新區；城市綠地面積在大鵬新區、鹽田區占比較大(圖4)。

圖4 城市功能分區圖Fig.4 Urban functional map in Shenzhen

3.2 住區生態宜居性分析

3.2.1住區得分空間特征

根據自然間斷點分級法將住區各項指標依據數值從小到大分為5個類別,直觀展示各個指標空間分布情況(圖5)。同時,對深圳市十個行政區的住區生態宜居性綜合得分進行展示(圖6)。

圖5 指標數值空間分布 Fig.5 Spatial distribution of the selected indicators

圖6 深圳市生態宜居性評價綜合得分情況分布Fig.6 Spatial distribution of livability score in Shenzhen

從圖6可見,深圳市住區生態宜居得分具有較為明顯的空間分異特征,整體呈現南高北低、西高東低的分布格局。從圖7箱線圖可知,寶安、光明區得分情況整體偏低。寶安區由于存在較多的城中村,導致建筑環境較為復雜。光明區由于城區建設較為落后,生態宜居性指標分值較低。龍崗中部地區植被覆蓋度較高,空氣質量較好,人口密度偏低,存在得分高值住區,但是該區域整體城中村數量龐大,導致得分差異較大。龍華新區周邊工業區較多,空氣質量與綠地占比不容樂觀,且住區大多數為城中村類型,整體得分情況較差。羅湖區雖中位數得分并不高,但存在較多高分極值點,證明良好的生態宜居住區個數較多。由于舊區新建的原因,導致以上五個行政區存在顯著的離群值。福田區位條件優越,屬于人類活動頻繁區域,土地利用壓力較大。南山區屬于城市核心拓展區,整體分值偏高。鹽田區、坪山新區以及大鵬新區住區個數較少,區域綠地占比大,人煙稀少,且新建房屋較少,這造成了這三區得分差異也相對較小。

圖8給出得分前后十名片區的具體位置信息。其中,前三位區域城市綠地覆蓋面積大,區內人員較少,熱舒適度較好,生態環境得分遠高于其他區域。而排名后十位多為城中村街區,這些區域人口密度大、建筑物密度指標較大,相對空氣較為不流通,導致年內空氣良好天數較少,綜合得分靠后。

圖8 深圳市生態宜居性得分(前后十名)Fig.8 The ecological livability score in Shenzhen City (Top 10 & Last 10)

結合實景數據可知,前十名均是離城市綠地較近的片區且建筑密度較低,其生態宜居性得分較高。后十名中城中村區域占據8位,只有第4、5位所在街區不含城中村。其中第5位 (龍崗區坂田商業廣場) 是錯分的地區,由于該地區存在較為嚴重的商住混合現象,模型無法準確鑒定其功能類別?；陟貦喾ǖ腡OPSIS模型所得出的得分情況表明了城市綠地的維護是后續城市生態環境建設的重點,且城中村的存在對生態居住環境為負影響,政府需要加大力度對其進行改造。

3.2.2空間依賴性分析

計算研究區所有地塊的綜合得分及周邊相鄰地塊得分均值,繪制散點圖(圖9),其斜線斜率即為莫蘭指數。圖9橫坐標為標準化后的住區單元的得分,縱坐標為該空間單元的“滯后”值,即相鄰近單元得分的平均值。

圖9 宜居性綜合得分及Moran′s I指數Fig.9 Moran′s I of livability scores scatter plots

圖9為研究區各地塊綜合得分散點圖。P值檢驗結果符合顯著性檢驗要求,證明了Moran′sI值的有效性(顯著性水平0. 05)。可得全局Moran′sI值為0.31,表明該綜合得分與地域分布存在微弱的空間自相關性,證明了鄰近的住區單元的生態宜居綜合得分存在一定的集聚現象。據散點圖可知,研究區中也存在著大量明顯的負相關的散點(第二、四象限),這是由于深圳城市用地緊張,在發展的過程中不斷推進城市單元更新、危舊房改造等工程,導致更新的部分住區與周邊城中村相鄰。更新單元具有較好的城市規劃、較稀疏的房屋密度、更高的綠化率等,與周邊的老舊小區、城中村等形成明顯的差別。

3.3 生態宜居性指標相對敏感性分析

生態探測用于比較兩兩因子對宜居性得分的空間分布的影響是否有顯著差異。在生態探測中,“Y”表示存在顯著性差異,“N”表示不存在顯著性差異。由指標生態探測結果(表2)可知,城市綠地與人口密度、空氣良好天數指標變量之間對宜居性得分的空間分布存在著顯著差異,建筑物密度與人口密度、空氣質量指標之間也存在顯著性差異。而熱舒適度與其它因子之間均無顯著性差異,可知,熱舒適度指對深圳市生態宜居性得分影響微弱,也間接證明了深圳市住區地表溫度變化較小。在未來的研究中,可利用其他指標,如建筑物內部溫度等代替地表溫度反應城市熱舒適度。

表2 生態探測分析結果

本研究在城市功能區分類與生態宜居性評價方面進行了探索,但仍有一些方面有待進一步探討。數據選擇方面,考慮到多源數據的質量及可獲得性,建筑物輪廓與人口實時密度數據獲取時間與其他數據相差一年。盡管多源數據存在時間年限不一致的現象,但本研究已經在最大程度選取最臨近的時間節點以削弱由此造成的潛在偏差；同時,深圳房屋樓宇在2017—2018年間未有大規模的舊區新建工程,故建筑物輪廓數據對結果影響較小。此外,騰訊人口密度數據所生成的指標也僅為人口分布密度的相對度量,對結果的影響有限；同時,本研究選取了三個夜間高峰時間點數據進行平均,以減少數據所帶來的不確定性。數據的空間分辨率最大為30 m(地表溫度),對基于住區尺度的分析也已足夠精細。盡管多源數據的時空分辨率并不統一,可能會導致結果出現一定的偏差,但本研究旨在提出“基于多源數據提取住區并進行宜居性評價”研究框架并驗證其可行性。因此,在實際應用中需要聯合相關機構,盡可能的應用時空尺度完全一致的數據以最大限度地削弱結果的不確定性。由于多源數據獲取較為困難,較多評價指標無法在精細時空尺度下進行計算,這也是未來在城市內部進行生態宜居性評價亟需解決的關鍵。功能區分類方面,雖分類結果較好(總體精度為82.1%,Kappa為78.5%),但仍有混合商住區的出現,導致最終宜居性評價對象出現混雜現象(例：龍崗區坂田商業廣場)。因此,對商住混合區的精確區分有待進一步研究。指標的評價與分析方面,對空間異質性的度量與分析也有待展開進一步的實驗驗證。

4 結論

城市生態宜居性評價是對于城市住區的定量評價,本研究首先結合遙感與POI數據,利用LDA模型進行特征重表達,采用隨機森林模型提取住區,為后續的生態宜居性評價提供評價單元；其次,依據多源數據生成五個生態宜居性指標,利用TOPSIS方法結合五種指標,構建城市生態宜居評價框架；最后,得出住區的綜合得分并進行空間分析。以深圳市為研究區的結果表明：多源數據與機器學習方法結合可以生產精細的城市功能分區,制圖總體精度可達到82.1%；基于TOPSIS方法構建生態宜居評價框架并對住區生態宜居性進行了量化,綜合得分高的多為城市綠地附近的住區,而排名靠后的主要為城中村等生態環境條件較差的住區,該結果符合客觀事實,城市綠地的維護是后續城市生態環境建設的重點,政府需對城中村加緊改造；深圳不同住區用地類別及得分均存在明顯的空間分異,南山、福田、羅湖區域的住宅小區較多,坪山、鹽田和大鵬區生態宜居得分情況較好,寶安、龍華、龍崗區由于內部同時包含較多的住宅小區與城中村,導致三者內部各評價單元的得分差異較為明顯,生態宜居得分兩級分化嚴重；地表溫度所代表的熱舒適度指標對宜居性得分影響較為微弱,地表溫度不能很好地反映住區內部熱舒適度。

本研究利用遙感與POI數據首先提取了住區,相較于使用規劃數據或者法定圖則,能更真實反映現勢的居民住區,對于快速更新的城市區域具有更好的適用性。此外,本研究提供了“住區識別→多源數據融合→綜合評價指標”的總體框架。由于TOPSIS模型具有較好的可擴展性,今后可以進一步融合其他相關指標以更為精準地評價城市生態宜居性并分析其空間分布。