编辑推荐：
声景研究利用弗拉芒地区3757份日间声景感知数据，结合地理空间数据（如人为活动指标、自然土地利用、交通设施）建立随机森林预测模型，发现交通相关特征显著降低愉悦度，绿化在低交通区可缓解此效应。事件性则与道路密度及人为活动相关，但地理模型仅解释约13%-9.6%的方差，感知模型表现更优。
Ablenya Barros | Timothy Van Renterghem | Jonas J. Lembrechts | Yong Xu | Paulien Decorte | Karolien Couscheir | Cedric Vuye
安特卫普大学应用工程学院，SuPAR研究小组，Groenenborgerlaan 171，2020 安特卫普，比利时
摘要
听觉感知的研究旨在了解哪些因素（尤其是非声学因素）会影响人们对声学环境的个人解读。为此，人们认为时空信息与噪声的产生和传播有关，并且能够塑造听众的感知背景。在这项研究中，通过一次声音漫步活动收集了3757份关于白天声景的现场评估数据，覆盖了比利时弗兰德地区的广泛地理范围。这些数据被用来评估时空背景如何解释听众的体验。首先，利用开源地理空间数据来描述声音漫步的物理环境，包括人类活动、自然/土地使用和交通基础设施等指标。然后，这些特征被用于随机森林模型中，以预测声景的“愉悦度”和“事件性”，分别获得了0.414和0.312的均方根误差（2分制），以及13.4%和9.6%的R2值。同时，也使用感知到的声源来预测愉悦度和事件性，其准确性和解释能力明显高于基于地理特征的模型。通过SHAP值和部分依赖性分析发现，与交通相关的特征是降低愉悦度的关键因素，而绿化可以在低交通区域缓解这种效应。道路密度会增加事件性，同时人类活动和建成环境也与事件性有关。尽管声景维度的很大一部分变异仍无法通过地理特征来解释，但这些模型与感知模型的一致性支持了它们作为识别声景干预优先区域的初步资源的价值。
引言
环境噪声主要是由人类活动产生的，是影响人类健康和生活质量的主要环境风险因素之一[8]。鉴于此，自从2002/49/EC号《环境噪声指令》生效以来，通过战略性噪声映射，在大规模量化环境噪声暴露方面取得了显著进展。然而，与其他形式的污染不同，噪声还通过超出听觉生理范畴的主观维度对个体产生强烈影响[17]。
基于这一理解，减少噪声暴露的策略已经从单纯降低噪声水平转向考虑物理环境以及受影响人群的社会和个人特征。在这方面，出现了一种评估声学环境感知的结构化方法。该方法基于ISO 12913系列标准，提出使用两个基本语义维度——“愉悦度”和“事件性”来量化对听觉刺激的情绪反应[13]。
声景是一种根植于物理声学现象的感知构造。虽然声源在空间和时间上的分布定义了声学环境，但声景指的是人们在特定背景下对这种声学环境的体验[13]。这里的“背景”不仅包括社会和心理因素，还包括声学环境存在的物理环境。评估一个地方的声景通常依赖于个人提供的多次现场主观评估——这一过程需要大量的准备工作。为了简化这一复杂任务，并允许根据人们对声学环境的感知来进行规划和设计，之前的研究开发了声景描述符的预测模型[21]。
最常用的声学和心理声学指标（如LAeq、LCeq - LAeq、LA10 - LA90等）被用作声景维度的预测因子[9,11,24,39]。然而，这些指标单独使用不足以构建性能良好的模型；这一局限性在早期研究中就已经被指出[21]，并且在最近的研究中仍然存在。感知听觉感觉的描述符（如感知到的声源强度或感知到的响度[19,31]，以及评估者的个人和社会人口统计特征（包括年龄、性别和心理幸福感[6,28]）已被证明可以提高声景预测模型的性能。最后，物理环境因素也被探索作为声景的预测变量。这些因素可以是感知性的，也可以来自客观数据。前者包括个体的自我报告（如对视觉环境的评价[19]、声景与景观的一致性[37]，或地点的维护水平和美学特征[9,18]。至于物理环境的客观描述，一些研究使用计算机视觉从街道级图像中获取的视觉特征作为视觉愉悦度或空间布局复杂性的代理指标（Zhao等人，2022年），或专家的现场评估[9]。这些特征包括水体和绿地的存在、与人类活动相关的设施以及交通基础设施，这些都观察到了一个地点的直接周围环境中。除了视觉特征外，物理环境还可以使用地理空间数据来描述——这是当前研究的关键组成部分，将在下文中详细讨论。
环境噪声污染本质上是一个空间现象，因为它根据噪声源和接收器的相对位置以及传输路径上的障碍物（如地形特征、建筑物和植被）在地理空间上有所不同。地理环境不仅影响噪声的产生和传播，还塑造了听众的感知背景。先前的研究已经证明了这种效应：即使声学环境保持不变，自然绿地的视野也能减少道路交通噪声的烦恼[20]，而地点的功能和那里发生的活动会影响城市环境中声景的感知[10]。因此，关于生物声、地质声和人为活动的空间信息为从物理环境数据中广泛绘制声景提供了基础。
遥感和众包技术使得越来越多的地理空间数据变得可用。在声学研究中，这些数据已被用来创建城市道路交通噪声模型[36,23]，甚至是在大陆尺度上的环境噪声模型（Mennitt等人，2014年；[30]）。虽然这些模型通常使用基于物理的声学模拟或噪声测量进行验证，但预测噪声感知需要人工标注的数据集，而这些数据集仍然稀缺且难以扩展。
几项研究探索了从地理空间信息中建模和/或预测声学环境的感知特征。例如，Lavandier等人[19]使用了交通密度和花园、食品店、餐馆、酒吧、学校和市场的存在数据——将其转换为核心密度——通过基于89个地点的线性模型解释了68%的声景愉悦度变异。Sch?ffer等人[33]使用5592份调查回应显示，住宅周围500米范围内的各种地理空间绿化指标可以调节噪声暴露与噪声烦恼之间的关系。Hong和Jeon[11]使用城市形态指数和声学指标预测了122个城市地点的愉悦度和事件性评分，基于八名参与者的评分，分别解释了大约50%和13%的变异。Erfanian等人[6]使用1134个地点的1134项评估中的心理幸福感和人口统计因素来建模愉悦度和事件性。尽管他们的研究没有明确包括地理空间变量，但他们线性混合效应模型中调查地点解释的大部分变异表明物理环境有显著影响。Wang等人[41]利用24个地理空间特征以及声学和个人因素，通过监督机器学习从641个声景评估中预测了“声景舒适度”类别。
尽管使用地理空间信息描述声学环境的感知属性方面取得了明显进展，并且可靠性可接受，但之前的研究通常受到一些因素的限制：地点的数量和多样性、样本大小、由于非现场数据收集而导致的生态有效性降低，或者数据收集方法不符合ISO 12913系列标准。此外，分析方法往往依赖于线性模型，这可能无法捕捉预测因子内部和之间的复杂关系[21]。非线性监督机器学习在预测大规模数据集中的感知声景属性方面显示出潜力[39]，尽管其潜力尚未得到充分探索。
本研究基于一个通过公民科学项目（De Oorzaak项目）在现场收集的声景数据集（N = 3757），该项目覆盖了整个比利时弗兰德地区（13625平方公里）。目标是利用易于获得的地理参考信息来量化声景的情感质量（愉悦度和事件性）在多大程度上可以通过物理环境来描述。这些结果还使用了参与者对噪声源的感知识别来进行建模，以研究感知预测因子的预测能力，作为比较。其基本理念是支持基于证据的声景干预，并能够绘制不同环境中的声景质量。
声音漫步和调查内容
声音漫步调查是公民科学项目De Oorzaak[40]的一项倡议。该调查由一家全国性报纸和安特卫普大学的传播渠道发布，邀请公众按照ISO 12913方法进行单独的声音漫步。数据收集始于2023年10月，通过Qualtrics?调查进行方便抽样，共获得了4665份有效回应。大多数回应是在调查发布后的最初几周内注册的。
在4665份完整回应中，80.5%（3757份）是在白天进行的。图2根据受访者计算出的ISOPleasantness得分进行了颜色编码，以示示例。地图还标出了比利时市镇的边界，根据弗兰德环境部门指定的五个人口密度类别进行了阴影处理[3]。人口密度≥600人/平方公里的定义为城市区域，而低于此阈值的则被分类为
本研究使用地理空间背景数据开发了ISO定义的声景维度（ISOPleasantness和ISOEventfulness）的预测模型。同样的结果也使用了声源主导性进行了建模，提供了一个基于感知特征的基准。
与实验室实验不同，现场户外声音漫步通过在真实环境中捕捉参与者的情绪反应来确保生态有效性，这些反应由多感官和情境线索丰富
本研究的局限性包括样本不平衡。方便抽样数据收集方法吸引了报告较低愉悦度和较高事件性的个体，这可能反映了大多数回应来自主要的城市环境。此外，由于大多数回应是在相对较短的时间内收集的，因此无法评估季节性等时间因素。此外，在初步建模中考虑的一些特征，如降水
地理空间模型预测的ISOPleasantness和ISOEventfulness的均方根误差分别为0.414和0.312（2分制），分别解释了该数据集13.4%和9.6%的变异。尽管准确度中等，但这些结果表明，声景维度的可测量部分编码在来自公开可用地理空间数据源的空间特征中。
相比之下，基于参与者对声源识别的感知模型实现了
[42]
Ablenya Barros：写作——审稿与编辑、撰写原始草稿、可视化、验证、监督、软件、方法论、调查、正式分析、数据管理、概念化。
Timothy Van Renterghem：写作——审稿与编辑、监督、资源管理、调查、概念化。
Jonas J. Lembrechts：写作——审稿与编辑、监督、项目管理、方法论、调查、概念化。
Yong Xu：写作——审稿与编辑、方法论
