使用机器学习方法,描述老年人对绿色空间的整体满意度对他们的福祉的关键作用:特征提取和预测建模

科学领域:

• 整合性机器学习 (ML) 框架将环境心理学与数据科学联系起来.
• 在城市绿地 (UGS) 中调查老年人的心理福祉.
• 决策树 (DT),随机森林 (RF) 和人工神经网络 (ANN) 算法的应用.

背景情况:

• 越来越需要了解影响老龄化城市人口心理健康的因素.
• 城市绿地 (UGS) 的传统可访问性指标可能无法完全捕捉其对福祉的影响.
• 有限的研究将数据科学与环境心理学相结合,以评估UGS对老年人的好处.

研究的目的:

• 开发和应用一个ML框架来识别使用UGS的老年人心理健康的关键预测因素.
• 在这种情况下,比较不同ML算法 (DT,RF,ANN) 的性能和稳定性.
• 提供可解释的洞察力,了解UGS特征如何影响老年人的福祉.

主要方法:

• 应用DT,RF和ANN算法对来自中国南京的536名老年人的多维数据.
• 利用SHAP (夏普利添加式解释) 进行模型解释性和关键预测因子的识别.
• 分析了包括UGS满意度,可访问性,安全性和植被多样性的数据.

主要成果:

• 决策树 (DT) 获得了最高的准确性 (92.19%),而随机森林 (RF) 则显示出对超的优越稳定性 (87.07%的准确性).
• 总体而言,UGS满意度成为心理健康的最重要的预测指标,超过了传统的可访问性指标.
• SHAP分析揭示了幸福感增长的非线性值,强调湿地公园的频繁访问 (≥3/周) 和高满意度 (≥4/5),以及安全性和植被多样性作为关键设计因素.

结论:

• 整合性ML框架提供了一个可复制的方法,平衡预测准确性与心理解释性.
• 以感知为中心的策略,优先考虑整体UGS满意度,对于提高老年人的心理和情感健康至关重要.
• 应将UGS视为可扩展的公共卫生基础设施,支持在城市环境中健康老龄化.