人群分布情景设定及公园活力测度
1.1研究范围及对象选取
天津市作为京津冀协同发展的超大城市之一，正在加快建成以津城核心区环网交织为目标的全域多层级、多类型公园体系①。本研究以和平、南开等中心六区及津南等外围四区为研究范围（图1）；选取该范围内面积大于1hm2且被基站覆盖的公园绿地为研究对象。其中按照公园分级的建设规模标准[10]，截至2022年12月，研究范围内综合公园、社区公园分别为38、106个。
1.2基于物联网技术的人群分布感知
1.2.1人群分布的感知类型及数据来源
公园活力由人群动态分布数据进行表征。随着通信技术发展与传感器大规模应用，利用物联网实时采集并分享对象的位置、声音及光热等信息[19]成为可能。其中，传感器主要通过物体使用及社会行为来感知人群的分布特征，采集方式分为主动式监测、被动式获取。
1）主动式监测：利用多个传感单元覆盖大范围的物体或室内外空间以分析其占用情况[20]，如对人流数据、交通路况等的连续采集。
2）被动式获取：通过智能手机、穿戴设备等识别用户在选择满足自身需求的活动空间时，所产生的移动轨迹及生理体征等，进而监测个人乃至群体的动态特征[21]。
1）主动式监测：利用多个传感单元覆盖大范围的物体或室内外空间以分析其占用情况[20]，如对人流数据、交通路况等的连续采集。
2）被动式获取：通过智能手机、穿戴设备等识别用户在选择满足自身需求的活动空间时，所产生的移动轨迹及生理体征等，进而监测个人乃至群体的动态特征[21]。
具体而言，两者均能识别人群的分布规模，其中主动式监测对传感设备数量及质量等要求较高；被动式获取则以人为感知中心[22]，利用相对普及的智能设备来反映行为与环境的时空关系，因此实践意义更大。
本研究利用高普及度的智能手机作为传感器，获取由移动通信运营商提供的各时刻下研究范围网格内停留的总用户数量，以此作为实时人口分布规模。该数据利用用户手机自带的全球定位系统（globalpositioningsystem,GPS）获取并基于100m×100m空间分辨率的基础单元统计，因此可以避免特定平台带来的人群覆盖有限等问题[16]，并能以较高精度获取较小尺度公园内的人群规模[13]。
1.2.2差异化行为下的人群分布情景
人群分布位置数据的实时采集，便于形成以各级公园为主体的不同时段下活动规模的面板数据[8]。这不仅将研究范畴从静态表征推至动态时序，也对分析不同人群行为情景下的公园活力演化意义重大。一般而言，行为系统[5]除固定的出发及目的地外，还包括时间、活动内容及交通方式，并且后者不同程度地受到主观因素的影响。因此，本研究从是否受主观影响出发，设置2种典型的情景条件：情景一为客观的时间影响，即一天内不同时段；情景二为主观的管控影响，如疫情等重大卫生事件对人群自由流动的限制。
限于数据的可获取性等原因，本研究采集了2022年8月22日每隔1h共24次瞬时时刻的全市人口数量作为情景一的数据来源；在情景二中，考虑到疫情严重性差异对管控措施的影响，采集了8月22日和9月19日的数据进行对比，前者保持了2周以上无疫情病例记录，人群活动相对自由，而后者在紧接一轮疫情中存在较多封控的街道单元，人群活动受到一定限制，除此之外，二者均为周一，且天气情况、气温等客观因素相近。
1.3人群动态分布下的公园活力测度
1.3.1活力强度及波动性计算
1）活力强度（vitalityintensity）：采用某时段下公园内部的活动人群密度表达。相较于利用人口规模，该指标不仅可以代表人群的聚集性，也可用于不同面积公园的对比。具体计算式如下：
式中：Pit为公园绿地i于某一时刻t的瞬时人口数量（单位：人）；M为公园范围内对应的基础网格总数（单位：个）；Ptm为时刻t下编号m网格采集到的用户数量（单位：人）；Sm为编号m网格的面积（单位：hm2）；Sim为编号m网格中公园i所占网格部分的面积（单位：hm2）；Vit为公园绿地i于某时刻t的活力强度（单位：人·hm?2）；ViT为公园绿地i于某时刻n至n+T这一时段内的平均活力强度（单位：人·hm?2）；T表示时段长度；Si表示公园i除水域外的用地面积（单位：hm2）。
2）活力波动性（vitalityfluctuation）：采用某一时段内公园人群密度数值的离散程度表达，即从整体时段视角反映人群聚集的波动特征。其数值越高，说明强度值的变化程度越高。本研究采用无量纲的变异系数（coefficientofvariation）表达，不仅避免了标准差值存在数据量纲的问题，也有助于不同类型公园的对比。具体计算式如下：
Cv,iTσiT式中：表示公园绿地i于时段T内的活力波动性；表示公园i于时段T内各时刻活力强度Vit这一数据集的样本标准差（单位：人·hm?2）。
1.3.2动态活力模式划分
为进一步归纳公园差异化的动态使用规律，本研究剔除夜间数据并以06：00—22：00作为日间时段Ta，计算得到日间活力强度、波动性，以此为依据将各级公园内人群的动态聚集特征[23]归纳为4种活力模式：高强度-高波动类（HH）、高强度-低波动类（HL）、低强度-高波动类（LH）、低强度-低波动类（LL）。
区别于既有研究使用平均数作为活力模式的划分界限[17]，本研究考虑到平均数会受极端值影响，因此利用SPSS25.0软件中的柯尔莫戈洛夫-斯米诺夫（Kolmogorov-Smirnov）检验、夏皮洛-威尔克（Shapiro-Wilk）检验对日间活力强度、波动性数据集进行检验：若结果符合正态检验（即呈对称分布），则采用平均数作为划分界限；若为左偏或右偏分布则采用中位数。
区别于既有研究使用平均数作为活力模式的划分界限[17]，本研究考虑到平均数会受极端值影响，因此利用SPSS25.0软件中的柯尔莫戈洛夫-斯米诺夫（Kolmogorov-Smirnov）检验、夏皮洛-威尔克（Shapiro-Wilk）检验对日间活力强度、波动性数据集进行检验：若结果符合正态检验（即呈对称分布），则采用平均数作为划分界限；若为左偏或右偏分布则采用中位数。
