原始研究的文章

前面。生态。另一个星球。,26 January 2023
秒。城市生态学
卷11 - 2023 | https://doi.org/10.3389/fevo.2023.1103140

建筑环境的非线性影响老年人行走的倾向

彭藏 ^__,

华龙邱 ^__,

经由郭,

延安邱和

Kaihuai廖 ^*

建筑和城市规划、广东工业大学、广州,中国

人口老龄化的增加对中国是至关重要的和即将到来的挑战。走路是一种最简单和最常见的运动形式对老年人来说,和促进老年人行走对减少医疗压力很重要。街景画绿色的可见性和正常化植被指数(NDVI)是明显的建筑元素,这两种促进步行行为。方法论上我们使用百度街景图片和归一化植被指数提取从街景画绿色的可见性和遥感细看街景画绿色的可见性和归一化植被指数的非线性效应对老年人的步行行为。这项研究采用了随机森林的机器学习模型。的影响研究结果表明,街景画绿色的能见度在老年优于NDVI行走,虽然都有有利影响高级走倾向某一特定范围内但负面影响老年人步行范围内。整体建筑环境非线性的影响老年人的行走倾向。因此,这项研究允许计算物理环境的最优阈值,可由政府和规划者制定政策和选择适当的环境阈值作为指标更新或建立一个社区步行环境,满足当地老年人的需要,根据自己的经济状况。

1。介绍

结果显示中国的第七次全国人口普查相比,到2010年,60岁以上的人口增长了5.44 (统计NBo, 2021)。这些数据表明,60岁以上的人口比例增加,越来越多的中年人进入老年的期望寿命的提高。人口老龄化正成为一个日益严重的问题,迫切需要增加老年人的独立和自理,否则,社会和医疗的负担将会继续增加。

世界卫生组织建议,老年人得到每周至少150分钟的适当的体育活动;步行是最简单的低强度体育活动对于人类来说,和增加老年人走路花的时间有利于改善自己的健康状况(Nordbakke Schwanen, 2014)。鼓励老年人积极在步行旅游是一个重要的保持健康的方法,并确保一个更好的生活质量(Moniruzzaman和部门,2016年;旋度和梅森,2019年)。还走是一种常见的旅游方式。走路还可以帮助人们访问他们的目的地在某些情况下无法访问的汽车和交通程et al ., 2019;陈et al ., 2021;杨et al ., 2022 a,2023年,一个,b)。走路还可以增加老年人的幸福感和幸福通过社会参与(维护他们的独立性Nordbakke Schwanen, 2014)。

研究表明,城市绿化中起着积极作用的步行时间和倾向长老(陆et al ., 2018)。评估城市绿化一直是一个重要的话题,在过去的城市绿化评估往往是平的,现场调查、航空摄影和卫星遥感图像。这些数据图像通常被视作鸟瞰视图和视图;然而,这些方法过于传统和不被人口,忽略了人本身的看法(康et al ., 2020)。图像分析的城市街景在新的研究迅速发展迅速;街道图像一直是近年来迅速发展领域的公共卫生护理,结果表明街道图像更容易被人口和可以提供一个更客观的形象街道的绿化(藏et al ., 2020)。然而,在这种情况下,有缺失数据的街景图片,可以客观、全面的评估与遥感图像。

根据现存的社会经济和人口因素的影响研究和建筑环境特性对老年人的步行行为,环境因素如密度、土地使用混合,和街道连接性是最重要的。相对较少的研究探讨了绿化的影响老年人的步行行为,和那些确实存在假设一个线性行走行为之间的联系和其他环境参数(杨et al ., 2019,2022 b;藏et al ., 2020)。然而,它已经表明,建筑环境之间的联系和老年人的步行行为也可能是非线性(丁et al ., 2019;刘et al ., 2021)。同伴效应可以用来解释非线性之间的联系和散步。主要集中在最近的研究一直在非线性,非线性建筑环境之间的联系和老年人的步行行为进行了分析。只有一个这些研究了绿色意见走的非线性行为,然而。正确理解的实质性影响的非线性的好处,需要更深入研究建筑环境之间的非线性和行走行为。

更深入地探讨上述问题,我们使用了597个有效数据2021年3月从我们的研究小组的调查老年人的年龄在65岁及以上在广州使用国际体能问卷(IPAQ),百度街景(BSV)图像和2021年归一化植被指数图像评估老年人的意愿走,绿色环境,倾向。随机森林模型被用来评估城市绿化和街道绿化的影响老年人的意愿走,而用二元逻辑回归模型并与随机森林模型。

本文的主要研究目标如下:

1。来填补这一缺口的研究非线性对比街景画绿色的可见性和归一化植被指数。

2。检查城市和街区的非线性和阈值影响植被走的行为。

3所示。调查内部环境特征的非线性和阈值的影响(如密度、设计、多样性等。3 ds)对老年人的步行行为。

2。文献综述

许多专家进行了研究建筑环境对老年人的影响。搜索相关文献的科学的网络检索相关文章从2005年到2022年近17。论文首先过滤的话题,然后手动过滤了文摘内容的相关性研究。表1总结了筛选研究建筑环境之间的关系和老年人的步行行为。表不存在社会人口特征,而是主要反映了建成环境主观与客观的措施,如大多数研究关注的变量。

表1

表1。总结研究建筑环境对老年人行走的影响。

建筑环境的某些特征(如人口密度、土地街连接,等等)通常有一致的影响。然而,实践的结果(例如,行人步行设施)的效果需要更多的调查由于预测的差异,控制变量和研究技术。

大部分的地理加权回归模型,研究方法由传统的线性回归和二元逻辑回归,也有局限性。在最近的一篇论文中,陈等人使用一个随机森林模型建模(程et al ., 2020)。与传统地理加权回归模型相比,该模型更准确的预测和确认建筑环境影响老年人以非线性的方式走,但还需要更多的研究来验证和补充理论。

区域研究,北美城市获得更多的学术关注南美城市,可能是因为北美的经济更发达。欧洲城市的研究主要在比利时和荷兰,老化是相对较高的,在澳大利亚和在较小程度上,可能是因为老化是澳大利亚不是一个主要问题。在最近的十年里,亚洲城市(例如,哈尔滨、香港、南京、中山、广州)逐步迁移到主要的研究领域。大多数的亚洲研究是在2010年完成。因此,作为建筑环境的特征,藏et al。(2020)和最近才关注绿色的街道景观。这主要是由于绿色植物测量技术的进步,使准确和有效的估计认为绿色植物在眼睛高度,以及提供免费的街景图像数据从地图上的网站。最值得注意的是,这种非线性影响的建筑环境对老年人的步行行为得到了更少的关注。此外,程et al。(2020)和范Cauwenberg et al。(2011)进行了全面审查,之前的研究对建筑环境的影响老年人的步行行为。

通过上述文献综述和老化的医疗压力的背景下,中国正面临,重要的是要识别的非线性影响绿化的倾向在中国老年人行走10分钟,这将有助于验证先前的研究结果是否适用于在中国,填补研究空白绿化之间的相关性和倾向走。

3所示。数据和方法

3.1。研究项目

本研究是基于随机拦截在社区人口密度,选择反映了各种分区的广州城市规划区域周围的社区。密度区1、2和3对应于低收入,中期,和高密度区域。根据2021年3月价格样本,有六个组:低社会经济地位(SES),高SES、SES低,> 30000元/平方米,SES高。年龄65 - 74、74 - 84年和85年,被认为是。消除季节影响,受访者在春天质疑。调查考虑社会人口变量(如就业、年龄、教育程度)以及旅游信息(例如,旅行,行走的频率等问题广泛步行时间)。我们汇集600年收集的数据的老年人增加样本容量,消除不完整的数据记录后,我们获得一个随机群597老年人在广州图1)。

图1

图1。研究样本筛选图。

12个样本地区的初步分析显示相当大的差距在建筑环境之间的低和高社会经济地位在广州地区。实现适当的公正,避免计算的模型,忽略了特定的环境因素,我们模拟和计算低收入和high-SES区域均匀。总结了选择样本的位置图1。

国际体育活动Questionnaire-Long版本(IPAQ-LC)被用来分类受访者希望走在调查问卷根据面试的目的。所有受访者分为两组:那些有一些愿意走在24 h(是否走= 1)和那些没有(是否走= 0),人均愿意走的预测变量。此外,住宅之外地区的上下文(大于1000)被省略了。

3.2。街道绿化和归一化植被指数

静态360°街景图片覆盖更大的地理区域,有更少的数据错误,更重要的是,那么成本和时间,和由人类超过抽样标准数据源(康et al ., 2020)。谷歌街景(GSV)相比,百度街景(BSV)苏醒,图像数据生成传感器收集的所有主要城市和汽车配备GPS设备保证准确性和及时性。

使用BSV图像、街景画绿色指数与人眼高度相似的角度得到,它反映了绿色度直接通过人类的眼睛。方法如下。首先,坐标是地理编码ArcGIS软件基于老年人抽样样本的细分领域。一个1000米的缓冲区基于样例的界限,和所有主要街道三级采样并记录在1000米范围内,之后,一个固定的50米间距是生成采样点内的所有街道缓冲区。40000 BSV图片下载百度地图开发平台的静态地图API下载。为每一个位置点,四个图像采样在90,180,270,360°每个代表360°全景图像(长et al ., 2015;藏et al ., 2020;看到图2)。BSV-generated景观绿化是计算如下:

G r e e n v 我 e w 我 n d e x = \frac{\sum_{我 = 1}^{4} G r e e n e r y p 我 x e l {年代}_{我}}{\sum_{我 = 1}^{4} T o t 一个 l p 我 x e l {年代}_{我}}

图2

图2。一个随机森林方法的例子。

归一化植被指数NDVI (塔克,1979)可以用作补充绿色植物能见度街景地图覆盖不完全代表叶绿素含量的区域,它位于(Helbich 2019)。在二级和三级道路相对远离主城区,街景画数据丢失;绿色的视觉评估、归一化植被指数,虽然不是最直接的反映了人类的视觉街景画一样的程度,是最好的数据补充缺失的数据。提供更客观的评估环境样本区域,我们使用的地图广州市10米的精度从遥感提取2021年8月作为基础地图和计算叶绿素色素吸收的红带的植被和高反射近红外(NIR)乐队(见图3)。计算归一化植被指数的公式如下:

N D V 我 = \frac{(N 我 R - R)}{(N 我 R + R)}

图3

图3。归一化植被指数归一化植被指数(NDVI)在2021年广州地图。

3.3。变量

使用预测变量是两个最小的社会人口特征和九个变量有关建筑环境,除了街景画和绿色变量,我们专注于七个环境变量下开发的3 d建筑环境评估框架(藏et al ., 2019)。所有环境变量测量在ArcGIS软件使用地理数据SkyMap国家地理信息服务平台。¹

表2提出了预测和预测变量的描述性统计,从中可以看出,75%的老年人至少一些走在24小时期间。另外25%的老年人没有走。

表2

表2。摘要统计信息和描述的预测和预测因素。

3.4。方法

随机森林(或称。,r和o米dec我年代我onfore年代ts) are currently one of the most popular and effective computer learning algorithms in international competitions (Sagi Rokach, 2020),可以执行数据挖掘、分类和回归任务和更好的解释变量之间的相关性。这种优秀的机器学习算法在1995年被首次提出锡(1995)和“随机决定森林”(锡,1998)建造了一个森林组成的几个决策树分类和回归。

随机森林方法所示图4结合了决策树的缓解与限制的一个子集样品的测试和预测变量。随机森林算法减少方差和协调多个决策树优化模型(Breiman 2001),从而解决过度拟合的挑战。目标是最小化损失函数和检验结果的准确性通过迭代评估测试和预测集使用自己的方法,直到损失函数达到最小值或保持稳定。随机森林是由无限数量的决策树和作品,如所示图4。确保各种决策树,两个随机树治疗应用。首先,训练数据是结构化的,每棵树的发展与一个独特的子样品。第二,功能是随机选择产生不同的组的解释性变量划分树的节点。将继续在一个决策树,直到树的最大深度。每个位置的平均答案的基础上,创建一个单一的预测。通过平均所有单个决策树的预测,最终的结果。

图4

图4。描述BSV-based方法估算街景画的绿色植物在眼睛水平。

三个因素明显影响的预测有效性随机森林算法(程et al ., 2019);首先,改善树木和第二个人的准确性,减少每棵树的相似性。最后,我们需要将整个参数化模型中,最引人注目的三个参数(Claesen沼泽,2015):树的最大深度,其总数量的树木,和分裂的数量。随机森林参数是手动的,不断检查,以确定最优值。大多数其他的机器学习方法,包括随机森林,不产生t统计,p值,或其他标记的统计学意义。然而,随机森林可以计算变量的相对重要性,然后想象以下公式变量x的重要性。

V 我_{x 我} = \frac{1}{N} \sum_{t} (O O B_{米 年代 E}^{t} - O O B_{米 年代 E, p e r 米_{我}}^{t})

在哪里 $V 我_{x 我}$ 变量的重要性,决策树的总数在随机森林模型用吗 $N$ , $O O B_{米年代 E}^{t}$ 表示变量是排名前的均方误差t决策树,和 $t$ , $O O B_{米年代 E, p e r 米_{我}}^{t}$ 表示的均方误差 $x_{我}$ 在变量排名(Breiman 2001)。

与标准回归统计研究中,预先确定的(通常是线性)预测和预测变量之间的联系,随机森林不会使这些假设。此外,根据程度的预测变量,假设随机森林模型生成部分依赖情节(pdp)来说明测试和预测因素(之间的联系Pedregosa et al ., 2011)。部分依赖的方程如下:

\hat{f_{年代}} (x_{年代}) = \frac{1}{N} \sum_{我 = 1}^{N} \hat{f} (x_{年代}, x_{我 c})

在哪里 $x_{我 c}$ 是 $x_{c}$ 值的变量为模拟数据集和N表示事件的数量。图展示了建筑环境的影响步行时间常数对各种非线性连接(Buitinck et al ., 2013)。

在建模之前,独立变量第一次检查多重共线性分析,社会人口和环境变量满足VIF < 5,确保所有多重共线性的变量是免费的。随机森林模型对优化为目的的一系列首次确定这三个参数(最大树深度1到20之间,每个树的特征数是2和6之间,和10年至1000年,每10棵树和有一个间隔)。第二,我们估计共有8000(= 20×4×100)潜在的组合和使用曲线下面积(AUC)来评估模型的性能(李,2019)。900000年之后测试,我们发现模型停止发展季刊的最大树深度8日4的特征数,830年树的计数,即使均方根偏差值较低和模型运行。最后,模型应用进行进一步分析。

3.5。比较分析的随机森林和二进制逻辑建模

我们评估了随机森林的性能使用10倍交叉验证和二进制逻辑模型。使用三种常见的分类指标,即模型的准确性,均方误差和均方误差。这三个指标计算如下:

一个 c c u r 一个 c y = \frac{\sum_{我 = 1}^{N} T P_{我} + T N_{我}}{\sum_{我 = 1}^{N} T P_{我} + F N_{我} + F P_{我} + F P N_{我}}

米 一个 E = \frac{1}{N} \sum_{我 = 1}^{N} {(\hat{y_{我}} - y_{我})}^{2}

R 米 年代 E = \sqrt{\frac{1}{N} \sum_{我 = 1}^{N} {(\hat{y_{我}} - y_{我})}^{2}}

在精度表示正确预测样本的比例占总预测样本,N在验证集样品的数量,TPi表示正确预测样本的数量(预测步行趋势是正确的和实际走的趋势也是如此),交通噪音指数被解释为(预测步行倾向是错误的和实际走的趋势也是假的),FPi被解释为(走趋势预测是正确的,但走趋势预测是假的),然后呢FNi被解释为(走趋势预测是真的1但实际走的趋势是真正的)。

在美和RMSE方程, $N$ 表示数量的受访者在验证集, $\hat{y 我}$ 表示样本的预测倾向走, $y_{我}$ 是样品的实际走倾向;这两个方程的值越低,更多的证据的一个更精确的模型。结果10所示的两个模型的交叉验证表3。所有三个指标表明,随机森林模型比经典的二元逻辑回归方程和更具有适应能力的非线性性能(藏et al ., 2022)。

表3

表3。比较的随机森林与二元逻辑回归结果。

4所示。结果

4.1。预测变量的相对意义

的相对相关性预测因素所示表4,他们的命令所示图5。另3 ds的环境因素也同样非常高度放置在前五名的整体相对意义,从(9.80 - -12.65%);值得注意的是,归一化植被指数排名相对较低的7号,一个值(8.83%),表明街景画绿色植物有更多的影响比归一化植被指数倾向走。

表4

表4。随机森林算法计算的相对预测变量的相关性。

图5

图5。预测变量的相对意义。

环境变量占总额的82.92%的重要性,而社会人口变量仅占17.08%。这表明建筑环境特征显著影响老年人的行走的倾向,这是符合的结果程et al。(2020)和杨et al。(2021)还研究了老年人之间的关系,走在南京,中国内地和香港,中国,建立环境因素主导的非线性模型。这个结果也补充了欧洲和北美的研究样本,建立环境变量的影响更大了在步行比社会人口变量(Gim 2013;王Ozbilen, 2020;Yu et al ., 2021)。

4.2。非线性街景画绿色的可见性和归一化植被指数的影响

作为插图的视觉数字6,B,随机森林预测变量的结果用于计算pdp说明绿色和走倾向之间的非线性关系,轴表示分布的预测变量,y轴表示倾向于走,黑线代表预测结果,红色的线条代表的平滑曲线预测的结果。平滑曲线可以用来更直观地表示趋势的预期成果(道et al ., 2020)。

图6

图6。(a)建筑环境特征的非线性效应倾向。

街景画绿色的能见度的影响老年人的倾向在散步图6。作为第一个环境因子影响走路,倾向预测指数峰值小于0.24和走倾向呈正相关,与一个下降趋势线绿色能见度超过0.24时,发现与相关研究结果一致(杨et al ., 2021)。街景画绿色的能见度的影响相对有限,当它到达0.24,进一步提高街景画绿色的可见性并不会增加老年人行走的倾向。

图6 b显示了归一化植被指数对老年人的行走倾向,峰值归一化植被指数为0.45,与行走时倾向呈正相关预测指数小于0.45和负相关倾向预测指数高于0.45时走。一种解释是,植被已经很高时,归一化植被指数是0.45,当植被指数进一步上涨,其通过性可见性和环境约束也增加,通过性减少。虽然NDVI不是街景画绿色的能见度一样重要,这是一个很好的指南倾向走路。

4.3。其他建筑环境变量非线性的影响

图6 c- - - - - -H代表pdp为其他建筑环境变量。5度显示了人口密度之间的负相关预测指标和走在小于3.6,倾向与人口密度有负面影响倾向走,可能表明更发达的地方人口密度较高的样本地区老年人变得不那么有吸引力。这个结果不是很符合现有的研究(程et al ., 2020;杨et al ., 2021)。摇摇欲坠的曲线下降速度当步行指数是2,这可能是由于老年人不喜欢人口密集地区和更愿意走在人烟稀少的,安静的地方。

土地利用结构的影响的倾向在散步图6 d时,积极的影响预测土地利用混合指数小于0.45,因此,与一些文献结果一致(作为et al ., 2017;程et al ., 2020;杨et al ., 2021),一个适当的土地使用混合0.45提供了更丰富的功能需要和行走的刺激。一个预测指数大于0.45的负相关倾向走,即。,高土地使用混合不为走创建一个积极的环境。

图6 e,F显示的非线性影响道路交叉口密度以及街道连接性步行的倾向。图6 e预测的正相关倾向从0 - 200公里,走符合现有的研究(程et al ., 2020)。在暂时没有发现副作用走在研究区域内,这可能是有关城市基础设施的发展。样本区域没有高密集的公路网预测更高密度的影响道路十字路口走倾向,它是不可能确定的研究理论杨et al。(2021)。的非线性效应图6 f时更明显的预测价值街连接小于0.15和走倾向呈正相关和负相关倾向走在0.15 - -2.0的范围。这可能是因为当连接太高,这意味着道路路口变得复杂和老年人不太安全的过马路,导致少步行。因此,考虑增加更多的路口的时候,关键是研究交叉口的复杂性来创建一个更舒适的步行环境。

的非线性影响公交车站的数量和最短的距离公交车站所示数字6克,H程,预测的结果和和杨的研究。所有预测的结果与一个倾向呈正相关行走。

5。讨论和结论

在中国日益增长的老龄化问题,重要的是要建立更适于步行的社区环境。散步可以让老年人保持健康状况更好,并有必要促进老年人的步行频率通过环境。本研究使用机器学习来计算街景画绿色和绿色指数通过非线性建模来填补这一空白的非线性影响方差归一化植被指数(NDVI)倾向于走,补充的观察街景画的阈值影响植被和建筑环境的内部特征倾向于走的老年人。这种比较在非线性模型文献很少被研究。作为一个结果(统计NBo, 2021)、街景画绿色能见度比归一化植被指数,被老年人和街景画绿色的可见性是最重要的(Nordbakke Schwanen, 2014)。街景画绿色的可见性和归一化植被指数的非线性影响行走倾向(旋度和梅森,2019年)。当预测指数的绿色街景画能见度小于0.24,它是有利与行走倾向;然而,当预测指数大于0.24时,它有一个微不足道的影响行走倾向(Moniruzzaman和部门,2016年)。建筑环境,比如3 ds,还显示影响行走倾向的非线性模型。

在实践中,它更难以控制NDVI值为0.45,因为它比街道绿更宏观的视野,而这是相对容易控制街景画绿色的可见性,用绿色像素占据1/4的人眼的视觉范围最大化倾向老年人行走。虽然是很重要的使用归一化植被指数作为评价的标准,同样重要的是要评估绿色和步行的社区从人民的角度拍摄的实际环境规划面积的一个示例。这将使贫困社区进行优化,避免不必要的浪费人力和物质资源的过度投资在现有绿化好环境。

本研究采用更科学的方法和相关性,及其研究结果将为决策者提供科学依据。研究人员可以量化的空间,和先前的研究说明了存在的非线性建筑环境对人类行为的影响。研究应该关注研究线性和非线性研究。使用机器学习可以帮助研究人员构建更复杂的模型的建筑环境和行为之间的联系,深入挖掘结果和结论。此外,本研究也是一个实践的一种新方法,作为传统的线性系统只能证明两个变量之间的联系,但它是不容易反映真正的复杂性的影响环境对老年人的步行行为。本研究使用非线性模型提供一个物理环境的最佳指标,避免浪费资源。政府可以使用这些环境阈值制定政策来调节绿色基础设施的使用,尤其是在经济发达的城市环境阈值已被证明是低于发达城市,并且应该选择合适的环境阈值指标更新或建立一个社区步行环境,满足当地老年人的需要根据自己的经济状况。nature-centric绿色城市的建设是当前一个重要的趋势在国际城市规划,但由于每个城市的立场的局限和自身经济发展迫切需要更多的研究来帮助不同城市调整自己的生态城市标准经济资源利用效率的最大化,这项研究提供了一个解决方案供其他学者考虑绿色建筑指标。

这项研究提供了相对较新的发现和证明先前的理论,为未来的研究提供新的生动的想法。然而,仍然有局限性。首先,广州是中国的一线城市,一个城市和一个相对较高的人口和土地使用,和类似的研究目前在南京和香港;然而,非线性建筑环境对老年人的影响的倾向需要学习更多地区的适用性确认结果的概括和可转让性。第二,建筑环境(街景画绿色的观点和归一化植被指数)有很好的协同效应促进步行倾向。第三,作为一个数据驱动的方法,本研究中使用的随机森林方法依赖于边缘正交的相对重要性决定和预测变量,这可能没有找到最佳的分区。因此,独立变量的选择应该逆转,所有因变量无法控制的因素在决策树;因此,结果仍有偏见。第四,在实际行走,老年人通过绿化正在经历更丰富的经验,基于街景画绿色的能见度不捕获所有老人的看法,随着科技的发展和相对成熟的虚幻5引擎,一个相对现实的场景可以构建并结合可穿戴设备评估环境条件更深入。第五,研究非线性和阈值效应提供重要的见解,土地利用和交通策略旨在鼓励老年人行走。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

道德声明

伦理批准没有所需的研究涉及人类参与者按照地方立法和制度的要求。

作者的贡献

PZ:概念化。赫兹和FX:资源。KC和JM:监督。总部和YQ:验证。PZ和总部:原创作品。KL和HG: writing-review和编辑。所有作者的文章和批准提交的版本。

资金

这项工作得到了国家自然科学基金(51908135和51908135)和广东省自然科学基金(2021 a1515012247)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

脚注

1。^https://www.tianditu.gov.cn/

引用

巴恩斯,R。,Winters, M., Ste-Marie, N., McKay, H., and Ashe, M. C. (2016). Age and retirement status differences in associations between the built environment and active travel behaviour [article].j .透明。健康3,513 - 522。doi: 10.1016 / j.jth.2016.03.003