EN中文

风景园林 >

2026 , Vol. 33 >Issue 1: 100 - 108

DOI: https://doi.org/10.3724/j.fjyl.LA20250101

研究

多源大数据驱动的生态系统文化服务研究进展

  • 路露 , 1 ,
  • 吴隽宇 , 1, 2, 3, * ,
  • 代色平 , 4 ,
  • 熊咏梅 , 4
展开
  • 1 华南理工大学建筑学院
  • 2 亚热带建筑与城市科学国家重点实验室
  • 3 广州市景观建筑重点实验室成员
  • 4 广州市林业和园林科学研究院

路露/女/华南理工大学建筑学院在读硕士研究生/研究方向为生态系统服务价值评估

吴隽宇/女/博士/华南理工大学建筑学院教授/亚热带建筑与城市科学国家重点实验室固定成员/广州市景观建筑重点实验室成员/研究方向为生态系统服务价值评估、风景园林遗产保护

代色平/女/博士/广州市林业和园林科学研究院院长/研究方向为珍贵树种良种选育与应用

熊咏梅/女/硕士/广州市林业和园林科学研究院正高级工程师/研究方向为珍贵树种良种选育与应用

Copy editor: 刘颖

收稿日期: 2025-02-20

  修回日期: 2025-12-12

  网络出版日期: 2026-03-12

基金资助

广州市科技局社会发展项目“珍贵树种良种选育与应用示范共同攻关研究服务项目”(202206010058)

广东省自然科学基金项目“基于生态系统服务权衡与协同的城市群土地利用格局多目标决策研究——以粤港澳大湾区为例”(2023A1515011451)

广东省自然科学基金项目“基于绿色基础设施雨洪调节服务供需测度的城市洲岛景观格局优化——以广州为例”(2023A1515011482)

版权

版权所有 © 2026 风景园林编辑部
收起

Research Progress on Cultural Ecosystem Service Driven by Multi-source Big Data

  • LU Lu , 1 ,
  • WU Juanyu , 1, 2, 3, * ,
  • DAI Seping , 4 ,
  • XIONG Yongmei , 4
Expand
  • 1 School of Architecture, South China University of Technology
  • 2 State Key Laboratory of Subtropical Building and Urban Science
  • 3 Guangzhou Key Laboratory of Landscape Architecture
  • 4 Guangzhou Institute of Forestry and Landscape Sciences

LU Lu is a master student in the School of Architecture, South China University of Technology. Her research focuses on ecosystem service evaluation

WU Juanyu, Ph.D., is a professor in the Department of Landscape Architecture, School of Architecture, South China University of Technology, a member of the State Key Laboratory of Subtropical Building and Urban Science. Her research focuses on ecosystem service evaluation and landscape architecture heritage conservation

DAI Seping, Ph.D., is president of the Guangzhou Institute of Forestry and Landscape Sciences. Her research focuses on selection and application of high-quality varieties of rare tree species

XIONG Yongmei, Master, is a professorate senior engineer of Guangzhou Institute of Forestry and Landscape Sciences. Her research focuses on selection and application of high-quality varieties of rare tree species

Received date: 2025-02-20

  Revised date: 2025-12-12

  Online published: 2026-03-12

Copyright

Copyright © 2026 Landscape Architecture. All rights reserved.
Fold

摘要

【目的】

本研究旨在系统解析多源大数据驱动的生态系统文化服务（cultural ecosystem service，CES）评估创新，明晰研究进展与未来方向。

【方法】

以“生态系统文化服务”和“价值评估”为关键词，检索Web of Science与CNKI数据库2000—2024年的文献。从大数据类型、CES价值类型、评估对象与评估方法4个维度梳理研究成果，对当前研究机遇、挑战及未来趋势进行系统性评述，并系统性总结基于多源大数据的CES评估工作流。

【结果】

1）CES评估范式呈现从传统经济核算向智能评估转型的趋势。统计表明，约70%的研究通过多源数据的应用实现了范式革新，主要体现在CES价值类型维度拓展、评估对象类型细化、评估方法应用创新3个方面。2）大数据应用突破了传统信息获取瓶颈，形成政府公开数据（生态环境数据、人口经济数据等）与用户生成数据（社交媒体数据、地图与兴趣点数据、位置服务数据等）融合的多元化格局，显著提升了CES价值解析的精度、时空覆盖度及场景适用性。3）机器学习、深度学习等人工智能技术与大数据分析手段成为新兴的CES评估方法，能进行海量数据处理与深度信息挖掘，有效提升了评估效率与准确性。

【结论】

多源大数据的应用使得CES评估从传统经济核算转向智能感知分析，为CES研究提供了新依据。未来需推动评估框架的标准化，以提升研究结果的科学性和解释力。

关键词： 风景园林; 生态系统服务; 生态系统文化服务评估; 多源大数据; 社交媒体数据

本文引用格式

路露 , 吴隽宇 , 代色平 , 熊咏梅 . 多源大数据驱动的生态系统文化服务研究进展[J]. 风景园林, 2026 , 33(1) : 100 -108 . DOI: 10.3724/j.fjyl.LA20250101

Abstract

[Objective]

Cultural ecosystem service (CES) refer to the intangible benefits that humans obtain from ecosystems, such as spiritual satisfaction, cognitive development, and aesthetic experiences. The assessment of their value is of great significance for revealing the mechanisms of ecosystem benefits and enhancing human well-being. This research aims to systematically analyze the progress of CES assessment driven by multi-source big data, explore cutting-edge trends, and identify future directions.

[Methods]

The search query for the Web of Science core database was TS = (“ecosystem*” AND “cultural service*”) AND (TS = valuation OR TS = evaluate OR TS = evaluation OR TS = assessment OR TS = quantification). The search query for the China National Knowledge Infrastructure (CNKI) database was SU%= “value assessment” and SU%= “evaluation” and SU% = “quantitative research” and SU% = “ecosystem cultural services”. We conducted separate searches for foreign-language and Chinese-language literature, manually screened the literature that applied multi-source big data for CES assessment, and ultimately obtained 273 foreign-language articles and 246 Chinese-language articles from 2000 to 2024. The study organized research findings across four dimensions: big data types, CES value types, assessment objects, and assessment methods. It also discussed current research opportunities, challenges, and future trends. Based on the literature review results, this study systematically constructed a CES assessment framework based on multi-source big data, with a core workflow comprising “assessment object−CES value type−big data type−assessment method” and four core modules.

[Results]

1) The CES assessment paradigm is shifting from traditional economic accounting to intelligent assessment. Statistics show that approximately 70% of CES assessment studies have achieved paradigm innovations through the application of multi-source big data, primarily manifested in four aspects: expansion of CES value types, refinement of assessment objects, and innovation in assessment methods. 2) With the widespread application of big data, the data foundation for CES assessment has broken through traditional limitations, forming a diversified landscape combining government-published data (such as ecological environment data, population and economic data, etc.) with user-generated data (such as social media data, point of interest (POI) data, location-based communication data, etc.). Research progress in CES assessment system has shown a progressive trend: from early reliance on government-disclosed data, to the expansion of user-generated data, and then to multi-modal data. This trend has significantly improved the accuracy, spatio-temporal coverage, and scenario applicability of assessment research. A deeper change lies in the fact that the diversification of data sources is driving a shift in the CES assessment paradigm from “supply-driven” to “supply-demand coordination”. 3) As the application and adaptability of multi-source big data have improved, the development of assessment objects has shown a trend toward focusing and refining the scope of research, shifting from early regional-scale natural ecosystems (farmland, forests, marine ecosystems) to urban built environments, with a focus on densely populated urban ecosystems (urban green spaces, urban parks, green infrastructure). From 2020 to 2024, urban environments closely related to daily life, such as urban communities, streets, and rooftop gardens, have become hotspots in CES research. 4) In the early stages of research, CES assessment primarily relied on monetary economic methods and manual evaluation methods. With the growing demand for big data analysis, ecological analysis models have been widely applied, and artificial intelligence technologies such as machine learning and deep learning have emerged as the latest assessment methods. When addressing the massive demand for data analysis, emerging machine learning and deep learning models facilitate the processing of large datasets and the extraction of in-depth information, significantly enhancing the efficiency and accuracy of CES assessment research. Among these, CES assessment methods based on natural language processing (NLP) and computer vision (CV) recognition technologies are particularly representative and have become a hot research focus both domestically and internationally in recent years. Specifically, classic deep learning models such as ResNet, EfficientNet, YOLO, and BERT, as well as emerging large language models like GPT and Gemini, are among the most frequently used assessment tools. 5) This study established a CES assessment framework based on big data, forming an expandable and transferable standardized assessment workflow through a cascading mechanism of “assessment object−CES value type−big data type−assessment method”, providing an innovative paradigm for ecosystem service research of different scales, scopes, and types.

[Conclusion]

In summary, early CES research focused on economic value calculation and environmental quality assessment. With the increasing demand for high-quality human settlements, the research focus has gradually shifted to the socio-cultural dimension, emphasizing cultural benefits such as health benefits, identity recognition, and spiritual value, driving CES research into a new phase of human well-being and perception assessment. Future research should strengthen the application of multi-source big data integration and interdisciplinary methods, with a focus on constructing standardized CES assessment frameworks to enhance their theoretical explanatory power.

Key words： landscape architecture; ecosystem service; cultural ecosystem service assessment; multi-source big data; social media data

生态系统服务（ecosystem service, ES）是指人类从生态系统中获得的各种惠益[1]，包括供给服务（如食物、水、木材等）、调节服务（如气候调节、洪水调节、水质净化、病虫害控制等）、文化服务（如美学价值、精神与宗教价值、娱乐和生态旅游等）和支持服务（如土壤形成、养分循环、光合作用、生物多样性维持等），该分类框架由2005年千年生态系统评估（millennium ecosystem assessment, MEA）项目确立，并受到广泛认可。其中，生态系统文化服务（cultural ecosystem service, CES）被定义为“人类从生态系统获得的非物质惠益”，涵盖文化多样性、精神信仰、知识体系、科研教育、美学欣赏、游憩娱乐、生物多样性等10项内容[2]。相较于供给、调节和支持等服务，CES更强调生态系统所带来的非物质性惠益，其价值较难通过物质或经济指标直观呈现，是生态系统服务评估的难点所在[3]（图1）。
图1 CES概念及价值评估发展脉络

Fig. 1 Timeline of CES research

生态系统服务供需的平衡对于维持生态系统的稳定和人类社会的可持续发展至关重要，因此研究CES供需有着重要的意义。CES供给指生态系统为人类生产文化产品与提供服务的能力（如环境提供的生物多样性价值），CES需求则体现为人类对文化服务的需求、感知偏好与依赖程度（如地方依恋与精神感知），二者共同构成CES从自然流向人类社会的动态过程[4]。研究萌芽期，CES评估研究主要聚焦于供给维度的经济价值量化。由于缺乏针对非物质惠益的量化方法，学者多沿用供给、调节服务的当量因子法、旅行费用法及生态补偿法进行CES测度。此类经济货币法虽解决了文化产品价值比对的难题，却难以反映不同地域、人群赋予的人文与社会特征，尤其对精神性、启发性和知识服务的量化效果欠佳[5]。2010年后，CES概念内涵进一步拓展为与人类需求紧密结合的生态系统文化效益（cultural ecosystem benefits, CEB）。Chan等[6]、Haines-Young等[7]及英国国家生态系统评估（the United Kingdom national ecosystem assessment, UK NEA）项目指出，从需求维度衡量人类对生态系统的主观感受与认知，可推动CES价值类型的深化[8]。此阶段，CES研究重心由经济与环境维度的供给侧评估转向社会与文化维度的需求侧评估，访谈[9]、问卷调查[10]、焦点小组[11]和公众参与 地理信息系统（public participation geographic information system, PPGIS）[12]等受访者意见法成为主流。然而上述方法虽实现了CES主观感知的量化分析，但其准确性依赖受访者对环境的熟悉度与对CES的认知水平，存在着数据采集效率低、主观偏差显著等缺陷。如何构建客观、精确且高效的CES评估框架，仍是生态系统服务领域的关键挑战[13]。
2008年，《Science》杂志首次系统阐述“大数据”概念，指体量大、多模态、变化快、价值高、真实与多元化的数据[14]。随着互联网大数据技术与CES研究的深度融合，多源大数据的应用不仅推动了CES价值类型的多元化拓展，还促进了评估对象的精细化分类，以及评估方法的智能化创新。目前用于CES评估的大数据主要包括2类：一类是权威机构发布的生态环境、人口经济等政府公开数据，另一类是社交媒体数据、地图与兴趣点数据、位置服务数据等用户生成数据。CES评估围绕3个方面展开。1）在价值类型方面，研究萌芽期（20世纪60年代—2004年），学者多利用政府公开数据开展生态环境质量评估，衡量自然资本与人工设施的CES供给效能。自2017年，用户生成数据作为新型数据源兴起。因用户生成数据能直接反映公众对生态系统的感知偏好，故被视为衡量CES需求的重要途径[15]，CES评估由“供给为主”转向“供需协同”。例如，通过社交媒体数据进行景观要素智能识别及语义情感分析，来量化CES需求价值；位置服务数据与地图与兴趣点数据则通过解析用户访问地点频率和人群活动轨迹，识别CES空间供需关系并量化其价值。2）在评估对象方面，传统CES研究多聚焦森林[16]、海洋[17]、山地[18]等自然生态系统。随着用户生成数据的出现，城市生态系统成为研究新热点，相关研究聚焦于城市公园[19]、绿色基础设施[20]等。多源大数据因其多模态、丰富性与覆盖面广等优势，能为评估对象的细分提供支撑[21-22]。3）在评估方法方面，结合人工智能技术的大数据分析显著提升了CES评估效能，已有诸多学者借助机器学习模型[23]、深度学习模型[22]以及云计算平台[16]开展研究。这些工具能够自动处理海量信息，通过图像要素识别、文本语义挖掘及用户情感倾向分析，实现CES价值的智能化评估，输出精细化、可解释的评估结果。人工智能技术推动了CES评估方法从经济货币法、受访者意见法向数字化智能评估范式升级。
尽管多源大数据在CES领域的应用引发了国内外学者的广泛关注，然而尚未有研究从全局视角探讨各类大数据如何对CES评估的各个方面产生影响，以及由此带来的机遇、挑战与存在的局限。据此，本研究基于2000—2024年的文献计量分析，从大数据类型、CES价值类型、评估对象与评估方法4个维度，对多源大数据驱动的CES评估现状进行系统性评述，并系统性总结基于多源大数据的CES评估工作流，展望未来趋势与探索方向，以期为相关研究提供参考。

1 研究方法

1.1 文献检索

为确保文献检索的全面性与可靠性，选取Web of Science（WoS）核心数据库作为英文研究来源，选取中国知网（CNKI）数据库作为中文研究来源。检索文献的发表时间为2000—2024年。WoS检索式为TS=(“ecosystem*” AND “cultural service*”) AND (TS=valuation OR TS=evaluate OR TS=evaluation OR TS=assessment OR TS=quantification)，共检索到733篇文献，文献类型涵盖期刊论文、会议论文和在线发表论文。中国知网检索式为SU%=“价值评估”and SU%=“评价”and SU%=“量化研究”and SU%=“生态系统文化服务”，文献类型包括期刊论文、学位论文和会议论文，共检索到404篇。对初步检索的文献进行第二轮筛选，剔除未以大数据类型为评估数据来源的文献，最终得到273篇外文文献和246篇中文文献，作为后续分析的数据基础。

1.2 文献计量

本研究基于SPSS 27.0软件开展文献计量分析，剖析国内外发文量的时间演变趋势，从大数据类型、CES价值类型、评估对象及评估方法4个CES评估体系的核心维度归纳研究成果，分别对应数据来源、研究主体、作用客体和操作手段。进一步运用SPSS 27.0提供的卡方检验和对应分析工具进行关联性分析，将文献数量的量化分析与文献内容的定性分析有机结合，阐释多源大数据驱动下的CES评估现状及应用情况。

2 基于大数据的CES评估现状

2.1 大数据类型

在筛选前，文献中约70%的评估研究基于多源大数据开展，成为近年来CES评估的主流方法。2021年以前，主要以问卷访谈、支付意愿和公众参与等非大数据以及政府公开数据为研究数据源。2021—2024年，基于用户生成数据的研究数量显著增加。总体来看，CES评估数据体系的发展呈现阶段性推进趋势，即从萌芽期依赖于政府公开数据，向用户生成数据拓展，再到多模态数据的融合演进。这种发展不仅是数据类型的多元化，还促进了CES评估范式从“供给为主”向“供需协同”的转变（图2）。
图2 检索文献应用的数据类型

Fig. 2 The data types applied in literature retrieval

2.1.1 政府公开数据

政府公开数据涵盖生态环境数据、人口经济数据等多维度信息，能够系统反映区域社会背景和地理空间特征，为衡量供给端的自然环境CES价值提供数据基础。其中，生态环境数据的应用最为普遍（n=150），包括自然资源信息和人文资源信息，用于开展CES生态质量评价与生物文化多样性等价值评估。人口经济数据作为另一个重要类型（n=119），从经济价值维度为CES量化评估提供依据，搭建起文化与供给、调节、支持三大服务之间价值对比的桥梁（表1）。
表1 大数据类型及研究趋势

Tab. 1 Big data types and research trends

类型 类别 文献数量 具体内容 研究趋势
政府公开数据 生态环境数据 150 自然资源信息、人文资源信息 ①
人口经济数据 119 人口统计信息、经济产业信息 ②
用户生成数据 位置服务数据 15 出行轨迹信息、手机信令信息、移动位置信息、景点访问信息 ③
地图与兴趣点数据 23 交通出行信息、兴趣点信息 ④
社交媒体数据 81 图像照片信息、评论文本信息、打分签到信息 ⑤
文本资料数据 131 网络文章信息、游记文本信息 ⑥
政府公开数据虽具有开源性与易获取的优势，但难以准确反映人类对环境CES的主观感知和实际需求，也无法充分体现CES作为非物质性服务的特点。这种局限性在社交媒体时代愈发凸显，促使学者们关注更具感知偏好特征的用户生成数据。

2.1.2 用户生成数据

2017年以来，用户生成数据作为新兴数据源被引入学界，通过反映人类感知偏好，为理解人与自然互动提供了新视角。随着全球社交媒体用户量超过人口总量50%①，普通用户的角色从被动的信息接收者转变为主动的信息生产者。社交媒体评论、运动轨迹和定位通信等新型数据涌现，推动了“生态系统供给”向“主观福祉需求”的CES评估重点的转变。
2022年起，社交媒体数据（n=81）的应用规模呈显著扩大趋势，已成为最具发展潜力的数据类型[24]。社交网络（如微博、Twitter）、点评网站（如大众点评）、旅游平台（如携程）以及图片分享网站（如Flickr、Instagram）等平台的数据被广泛应用，为理解网络社群中的CES价值表达提供了新途径。研究人员将社交媒体照片和评论的数量、地理标签和签到频率、游览轨迹和位置信息等作为CES评估指标，实现了对CES感知与需求的评估[25-26]。
用户生成数据通过实时捕捉用户行为偏好与主观感知，为CES需求评估提供了“人本视角”，提高了社会交往、精神信仰等非物质价值的量化效能。然而，用户生成数据存在群体覆盖偏差、数据噪声等局限，难以全面展现各年龄层和各类人群的整体CES感知情况。2024年以来，部分学者开始探索通过多源数据互补以增强评估结果的可信度[16]，为解析CES价值提供更全面的框架。

2.1.3 多模态数据融合

多模态数据在拓展CES评估的信息渠道与认知深度上展现出更显著的优势，即针对特定地理单元同步采集图像、文本和音频等信息并进行整合，基于数据间的互补性构建多维度的评估框架，有效降低了单一数据源可能导致的研究偏差[27]。
随着短视频的快速发展，人们记录游玩体验的方式已从传统的图文转向沉浸式的视频，这为CES评估研究提供了更丰富的数据源。然而，一方面受限于多模态数据采集的难度，另一方面源于数据分析的技术瓶颈，既有研究仅聚焦于单一的图像或文本分析，如TikTok、YouTube平台的视频数据尚未得到采集[28]。未来有待充分挖掘多模态数据蕴含的感官交互信息，拓展多维评估视角。

2.2 CES价值类型

在大数据广泛应用背景下，CES价值类型呈现出多维度拓展的趋势，由传统的生态、经济价值延展为文化效益需求。社交媒体数据的出现使得与人类需求相关的价值类型成为评估热点。

2.2.1 核心价值

多源大数据的兴起为CES价值的精准量化提供了便利。在CES价值类型中，通常以游憩娱乐价值（n=467）和审美欣赏价值（n=389）为核心价值（图3）。一方面，这2类价值的定义相对明确且易于量化，是人们在日常生活中最能直接感知的价值类型；另一方面，在CES整体性研究中，它们常作为CES价值类型的典型代表。具体而言，游憩娱乐价值多使用生态环境数据进行评估，通过ArcGIS软件分析环境可达性、活动强度及游憩适宜性[29]，并绘制娱乐价值分布图。而审美欣赏价值则更多依赖社交媒体数据，因为与娱乐服务相比，审美价值更易受个体判断与主观偏好的影响，需借助用户生成数据来捕捉个体间的审美差异，这与当前的CES感知评估趋势相契合。文化多样性与遗产价值（n=303）聚焦于衡量环境的历史文化属性，包括物质文化遗产（如古建筑、雕塑）和非物质文化遗产（如传说、民俗风情）。其中，物质文化遗产多通过生态环境数据实现空间可视化表征，非物质文化遗产则依赖文本资料数据进行叙事表达[30]。较其他价值而言，科学教育价值（n=311）和精神宗教价值（n=189）具有更鲜明的非物质性特征，难以依靠具体景物进行评估，数据源的选择成为评估的关键突破口。例如，以广州越秀山古诗词文本为载体的量化研究[31]表明，通过文本资料数据的语义分析，可对科学教育价值、精神宗教价值与灵感效益进行评估，这为非物质性CES价值提供了量化渠道。
图3 CES 价值类型与大数据类型的对应关系

Fig. 3 Correspondence between big data types and CES value types

2.2.2 文化效益

此后，在MEA评估框架基础上，通用国际生态系统服务分类（common international classification of ecosystem services, CICES）[7]、UK NEA[25]、生态系统和生物多样性经济学（the economics of ecosystems and biodiversity, TEEB）[26]等国际主流评估体系将社会交往价值（n=103）、灵感效益（n=80）、地方感与归属感效益（n=84）及健康效益（n=83）等CEB指标纳入评估范畴。这种拓展本质上反映了从CES的价值供给到CEB需求的认知深化。CEB的核心理念在于强调生态空间与人类文化实践互动过程中产生的福祉，不仅体现了自然的固有价值，更反映了从“价值供给”向“需求感知”的转型。萌芽期由于学界对CEB的定义尚未统一，相关研究较少且分散。2016年UK NEA明确的CEB概念体系具有里程碑意义，推动了CEB多维分类框架的构建。在不同研究中，地方感与归属感效益细分为乡土情结、地方依恋及身份认同等维度；健康效益则分为生理、心理及社会3个层级，即精神激励提升心理韧性、生态康养改善生理指标、开放空间促进社会交往。

2.2.3 CES价值类型的共现分析

通过共现分析发现，中英文研究涉及的CES价值类型间存在显著关联性（图4）。其中，审美欣赏价值与游憩娱乐价值的共现频次最高，为290次，表明兼具美学属性的环境通常具备更高游憩服务潜力。进一步分析显示，审美欣赏价值和文化多样性与遗产价值的共现频次次之，为247次，原因在于景观美学特征常与历史文化要素同步呈现。游憩娱乐价值与科学教育价值的高共现频次（273次）则可能与引人入胜的游憩场所普遍能够为人们提供科普教育体验有关[32]。值得注意的是，经济价值与生物多样性价值、社会交往价值、灵感效益等类型间的共现频次最低，表明高强度经济开发可能导致生态环境恶化，并抑制社会交往与情感互动[33]。
图4 CES价值类型共现分析

Fig. 4 Co-occurrence analysis of CES value types

2.3 评估对象

根据刘亚群等[34]对中国生态系统的分类，生态系统可分为“自然生态系统”与“人工与半人工生态系统”两大类型，自然生态系统包含海洋、森林、农田、湿地、河流等要素，人工与半人工生态系统则包含城市公园、城市绿地及绿色基础设施等要素。统计显示，城市绿地（n=79）是最主要的CES评估对象，其次为区域绿地（n=60）、河流（n=46）和森林（n=43）。随着多源大数据的应用程度及适配性提升，评估对象的发展呈现出研究范畴的聚焦与精细化趋势，由萌芽期区域尺度的自然生态环境向城市人工建成环境转变，并日益聚焦于人口分布密集的城市生态系统。2005年之前，农田、森林和海洋生态系统为主要评估对象（72%），体现出萌芽期时学界对区域尺度生态空间的关注。自2012年开始，伴随城市化进程加速，评估尺度日益聚焦于城市人工建成环境，以城市绿地、城市公园及绿色基础设施为对象的研究显著增多（28%）。2021—2024年，社区、街道及屋顶花园等与日常生活密切相关的城市环境成为研究热点（图5）。
图5 CES 评估对象时序分析

Fig. 5 Temporal analysis of CES evaluation objects

运用SPSS软件的卡方检验和对应分析工具进行关联性分析，发现评估对象与数据类型间存在显著关联（${\text{χ}}^2 $=315.036，p＜0.001），自然生态系统（区域绿地、河流、湿地）的评估普遍依赖于政府公开数据，包括生态环境和人口经济数据（图6）。城市生态系统的评估则多以社交媒体数据为基础，通过分析人类的主观感知，来量化城市绿地、公园的服务效能。总体来说，不同数据类型在信息粒度与覆盖范围上各具优势，选取适配的数据类型是精准把握CES评估对象特征的关键。
图6 大数据类型与CES 评估对象的关联性分析

Fig. 6 Correlation analysis of big data types and CES evaluation objects

2.4 评估方法

多源大数据的应用日益普遍，如何高效处理海量数据并实现评估方法的革新，已成为当前研究的主要挑战。研究萌芽期，CES评估主要依赖于经济货币法和受访者意见法。随着大数据分析需求的增长，生态分析工具被广泛应用，机器学习、深度学习模型与接入这些模型的云计算平台成为最新的评估工具。
经济货币法和受访者意见法基于数据的概率分布，依赖专家知识和受访者经验来评估CES价值。虽然具有较强的解释性，但其准确性易受研究者主观偏见影响，仅适用于小规模评估。基于生态分析模型的CES评估具有较强的数据可视化能力，能够获得CES价值的时间和空间分布关系，但评估结果受模型预设参数影响较大，结果的解释力低。
机器学习与深度学习模型的开发与应用突破了传统评估方法的局限，实现了对大数据的深度解析，满足CES价值自动识别、精准量化及模拟预测等深层需求。在人工分析向深度学习过渡的阶段，机器学习通过构建样本数据的数学模型，有助于完成CES价值分类、价值评估与权衡协同等研究。其中，以戴代新等[35]、尚珍宇等[36]以及Kim等[22]采用的CES词典评估法尤为典型：由专家编写包含多种景观、文化元素的CES价值词典后，应用机器学习模型自动识别文本数据中的价值关键词并统计各类价值的词频。机器学习模型虽然简单高效，但仅能捕捉和识别特定的价值关键词，易忽略上下文语义信息。相比之下，新兴的深度学习模型在自动识别语义结构方面表现优异，能够更好地把握上下文关系，提取深层CES感知信息。
深度学习模型通过建立模拟人脑的深层次神经网络，在处理海量和多模态数据、自动学习能力上展现了先进的性能[37]，主要体现在2个方面。1）自然语言处理（natural language processing, NLP）算法能够将文本中的隐性信息转化为CES评估指标，量化社会交往价值和游憩娱乐价值，或通过揭示数据背后的用户感知，阐述人们对于环境的CES感知偏好、情绪表现及行为动因。2）计算机视觉（computer vision, CV）算法可识别图像中的景观属性与人文要素，为CES外在特征捕捉提供直观的分析手段。例如，Cardoso等[38]通过VGG 16和ResNet 152两种CV模型对伊比利亚的社交媒体图像进行分析，有效评估了当地的CES价值（表2）。
表2 CES评估方法总结

Tab. 2 Summary of CES evaluation methods

类型 方法 描述 优劣势
经济货币法 旅行成本法、条件行为法、选择实验法、众包旅行成本法 将CES价值通过货币形式进行量化 1）优势：便于衡量游憩娱乐等物质性价值类型、便于快速计算总体价值；
2）局限：难以衡量文化多样性与遗产等非物质价值类型
受访者意见法 访谈法、焦点小组法、问卷法、PPGIS、Q方法、专家经验法 基于数据的概率分布, 通过专家知识和受访者经验进行CES评估 1）优势：解释性强、能获得精细化评估结果；
2）局限：仅限小规模数据分析、准确性易受研究者主观偏见影响
生态分析工具 InVEST、SolVES、MaxEnt模型，ArcGIS、Fragstats软件 1）结合生态环境、人口经济数据进行价值指数计算并进行CES空间分布制图，模拟CES时空格局动态演变；
2）运用ArcGIS的核密度、线密度、最邻近距离等空间分析工具，识别CES冷热点区		 1）优势：可视化程度高、能批量分析海量数据；
2）局限：解释力低、评估结果高度依赖输入模型的参数
机器学习模型 随机森林、支持向量机、主成分分析、隐含狄利克雷分布模型 通过构建样本数据的数学模型完成分类和回归任务 1）优势：可解释性强、计算成本低、处理数据高效；
2）局限：处理复杂数据能力有限
深度学习模型 1）CV算法：ResNet、EfficientNet、YOLO、Vision Transformer；
2）NLP算法：Transformer、BERT、LSTM、GPT、Gemini、DeepSeek大语言模型		 1）进行图像识别、分类与语义分割任务，量化审美欣赏与游憩娱乐等CES价值，支撑CES评估中的实体要素解析；
2）通过文本语义挖掘与情感分析任务，揭示精神与宗教等非物质性CES价值，支撑CES评估中的隐性惠益量化		 1）优势：高效处理海量数据、自动化处理与分析数据、具备CES价值动态预测能力；
2）局限：黑箱模型风险、数据与算力需求高
云计算平台 Cloud vision服务、Clarifai平台、百度大语言模型、腾讯大语言模型 通过云计算平台内嵌的大模型对CES价值进行自动化评估 1）优势：操作难度低、模型可靠性高；
2）局限：计算成本高

3 基于大数据的CES评估框架构建

2000—2024年，CES评估研究取得显著进展，相关研究从萌芽期聚焦于单一价值类型的CES传统评估，逐步发展为以大数据为基础的CES智能化评估，使人类感知与情绪偏好方面的CES感知评估得以实现。据此，本研究系统性总结出一种基于多源大数据的CES评估框架，搭建“评估对象—CES价值类型—大数据类型—评估方法”的工作流，涵盖4个级联模块（图7）。
图7 基于多源大数据的CES评估框架

Fig. 7 CES evaluation framework based on multi-source big data

1）评估对象：基于自然生态系统（森林、湿地、海洋等）和人工与半人工生态系统（城市公园、城市绿地等）的空间特征，匹配差异化的数据类型需求，明确评估主体。
2）CES价值类型：构建包含CES价值类型（审美欣赏价值、游憩娱乐价值等）与CEB效益类型（地方感与归属感效益、健康效益等）的评估指标体系，揭示CES供给与需求。
3）大数据类型：从数据来源（政府官方网站、社交媒体平台等）、数据类型（生态环境数据、社交媒体数据等）、数据表征维度3个方面出发，实现CES价值类型与多源大数据的匹配。
4）评估方法：创新运用机器学习（分类、回归、聚类等）与深度学习（图像分类、情感分析等）人工智能模型，实现CES价值精细化与智能化核算、CES供需预测与人类感知与偏好量化评估。
该框架通过评估对象、CES价值类型、多源大数据类型与评估方法的级联机制，形成可扩展、可迁移的标准化工作流，为不同尺度、类型生态系统的文化服务管理与决策提供创新评估工具。

4 结论与展望

本研究通过文献综述，系统梳理了以大数据驱动的CES评估进展，总结当前研究趋势为：评估重心从经济价值评估转向文化效益与人类福祉评估；评估方法聚焦于大数据和人工智能的评估新范式。
在CES研究萌芽期，CES评估主要聚焦于经济价值与环境质量评估。随着高质量人居环境建设与发展，CES研究重点转向社会文化价值的量化评估，逐步进入了人类福祉研究的新阶段。大数据的兴起为CES评估提供了更多维度的视角，如社交媒体数据提供了视觉、听觉等主观感知维度的信息，是衡量非物质价值和主观福祉的重要支撑。机器学习、深度学习模型的应用进一步突破了大数据处理的技术瓶颈，推动CES评估向高效率、高精度的智能化范式演进。这一转变契合马斯洛需求层次理论，反映了人类需求从环境物质供给向精神满足的演进，体现了人类认知的深化，即从关注生态系统的结构与功能，到重视该结构与功能对人类福祉的贡献作用。
尽管新兴数据和技术对CES评估的积极作用毋庸置疑，但当前CES研究存在的局限亦不容忽视。其一，受限于大数据的可用性与隐私保护问题，现有研究仍主要依赖于生态环境、人口经济等政府公开数据，难以充分评估CES非物质价值。其二，人工智能模型的性能受制于数据质量，在小规模样本下易出现过拟合问题，从而影响评估结果的精确度。为应对上述局限与挑战，未来研究需从3个方面突破：1）建立标准化的数据库与共享平台，探索新兴数据分析方法；2）构建以学科交叉和技术融合为特征的CES评估体系，借鉴计算机、心理学等学科的新兴工具，满足多样化的评估需求；3）把握数字技术发展机遇，开发智能化的CES评估流程，进一步推动评估成果转化为可参考的策略。需强调的是，要充分认识当前研究局限，避免盲目追求新技术应用，唯有立足需求的技术融合，方能实现精准化、差异化的评估创新。

1 数据来源于新华网（www.news.cn/world/2023-07/23/c_1129764051.html）。

图表来源(Sources of Figures and Tables)：

文中图表均由作者绘制。

文章亮点

1、梳理了基于多源大数据的CES评估进展，从大数据类型、CES价值类型、评估对象与评估方法4个维度进行系统性评述，明晰了CES未来研究路径与创新方向。

2、总结了基于机器学习、深度学习等人工智能技术的新型评估方法，解析该评估方法应用于CES研究领域的技术进展与应用效能。

3、构建了基于多源大数据的CES评估框架，包含评估对象、CES价值类型、大数据类型与评估方法4个级联模块，提供可扩展、可迁移的标准化工作流。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
DAILY G C. Nature’s Services: Societal Dependence on Natural Ecosystems[EB/OL]. [2024-10-14]. https://www.degruyter.com/document/doi/10.12987/9780300188479-039/html.

[2]
REID W V. Millennium Ecosystem Assessment: Ecosystems and Human Well-Being[M]. Washington, D.C.: Island Press, 2005.

[3]
FELD C K, MARTINS da SILVA P, SOUSA J P, et al. Indicators of Biodiversity and Ecosystem Services: A Synthesis Across Ecosystems and Spatial Scales[J]. Oikos, 2009, 118(12): 1862-1871.

DOI

[4]
张立伟, 傅伯杰. 生态系统服务制图研究进展[J]. 生态学报, 2014, 34(2): 316-325.

DOI

ZHANG L W, FU B J. The Progress in Ecosystem Services Mapping: A Review[J]. Acta Ecologica Sinica, 2014, 34(2): 316-325.

DOI

[5]
申佳可, 李烨, 王云才. 基于生态感知的景观生态格局构建新思路与实施框架[J]. 中国园林, 2024, 40(12): 63-69.

DOI

SHEN J K, LI Y, WANG Y C. A New Approach and Implementation Framework for Constructing Landscape Ecological Patterns Based on Ecological Perception[J]. Chinese Landscape Architecture, 2024, 40(12): 63-69.

DOI

[6]
CHAN K, SATTERFIELD T, GOLDSTEIN J. Rethinking Ecosystem Services to Better Address and Navigate Cultural Values[J]. Ecological Economics, 2012, 74: 8-18.

DOI

[7]
HAINES-YOUNG R, POTSCHIN M B. Common International Classification of Ecosystem Services (CICES): Consultation on Version 4, August-December 2012[EB/OL]. [2024-10-14]. https://www.semanticscholar.org/paper/Common-International-Classification-of-Ecosystem-on-Haines-Young-Potschin/111a98a9bd80c278d9858c0a5df3d1325a800f99.

[8]
UK National Ecosystem Assessment Follow-On: Synthesis of Key Findings[EB/OL]. [2024-10-14]. https://uwe-repository.worktribe.com/output/816416/uk-national-ecosystem-assessment-follow-on-synthesis-of-key-findings.

[9]
FISH R, CHURCH A, WILLIS C, et al. Making Space for Cultural Ecosystem Services: Insights from a Study of the UK Nature Improvement Initiative[J]. Ecosystem Services, 2016, 21: 329-343.

DOI

[10]
BRYCE R, IRVINE K N, CHURCH A, et al. Subjective Well-Being Indicators for Large-Scale Assessment of Cultural Ecosystem Services[J]. Ecosystem Services, 2016, 21: 258-269.

DOI

[11]
AJWANG’ ONDIEK R, KITAKA N, OMONDI ODUOR S. Assessment of Provisioning and Cultural Ecosystem Services in Natural Wetlands and Rice Fields in Kano Floodplain, Kenya[J]. Ecosystem Services, 2016, 21: 166-173.

DOI

[12]
DEPIETRI Y, GHERMANDI A, CAMPISI-PINTO S, et al. Public Participation GIS Versus Geolocated Social Media Data to Assess Urban Cultural Ecosystem Services: Instances of Complementarity[J]. Ecosystem Services, 2021, 50: 101277.

DOI

[13]
SMALL N, MUNDAY M, DURANCE I. The Challenge of Valuing Ecosystem Services that Have no Material Benefits[J]. Global Environmental Change, 2017, 44: 57-67.

DOI

[14]
NIST Big Data Interoperability Framework: Volume 1, Definitions, Version 2[EB/OL]. [2024-10-14]. https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.SP.1500-1r1.pdf.

[15]
OTEROS-ROZAS E, MARTÍN-LÓPEZ B, FAGERHOLM N, et al. Using Social Media Photos to Explore the Relation Between Cultural Ecosystem Services and Landscape Features Across Five European Sites[J]. Ecological Indicators, 2018, 94: 74-86.

[16]
CHENG Y Y, ZHAO B, PENG S Q, et al. Effects of Cultural Landscape Service Features in National Forest Parks on Visitors’ Sentiments: A Nationwide Social Media-Based Analysis in China[J]. Ecosystem Services, 2024, 67: 101614.

DOI

[17]
吴隽宇, 朱榴奕. 生态系统环境-文化服务耦合视角下的珠江河口区生态功能分区[J]. 风景园林, 2023, 30(1): 85-93.

WU J Y, ZHU L Y. Ecological Function Regionalization in Pearl River Estuary Area from the Perspective of the Coupling of Environmental and Cultural Ecosystem Services[J]. Landscape Architecture, 2023, 30(1): 85-93.

[18]
杨远丽, 李瑞, 杨火木, 等. 山地旅游区生态系统文化服务供需匹配空间格局与影响因素: 以贵州省为例[J]. 生态学报, 2024, 44(17): 7445-7460.

YANG Y L, LI R, YANG H M, et al. Spatial Pattern and Influencing Factors of Matching the Supply and Demand of Cultural Ecosystem Services in Mountainous Tourism Area: A Case Study of Guizhou Province[J]. Acta Ecologica Sinica, 2024, 44(17): 7445-7460.

[19]
ZHANG J Y, LUO Y, CAO H J, et al. Scrutinizing the Cultural Ecosystem Services of Chinese Classical Gardens: A Novel Deep Learning Approach Based on Online Reviews from a Multisensory Perspective[J]. Applied Geography, 2024, 172: 103404.

DOI

[20]
ZHANG X P, GAN X Y, HUANG Y, et al. The Renewal of Lost Space Under Overpasses in Chengdu City Based on Residents’ Requirements for Cultural Services: The Case of the Longtan Overpass[J]. Land, 2024, 13(10): 1578.

DOI

[21]
MAYER M, WOLTERING M. Assessing and Valuing the Recreational Ecosystem Services of Germany’s National Parks Using Travel Cost Models[J]. Ecosystem Services, 2018, 31: 371-386.

DOI

[22]
KIM J, SON Y. Assessing and Mapping Cultural Ecosystem Services of an Urban Forest Based on Narratives from Blog Posts[J]. Ecological Indicators, 2021, 129: 107983.

DOI

[23]
MORSHED S R, FATTAH M A, HAQUE M N, et al. Future Ecosystem Service Value Modeling with Land Cover Dynamics by Using Machine Learning Based Artificial Neural Network Model for Jashore City, Bangladesh[J]. Physics and Chemistry of the Earth, Parts A/B/C, 2022, 126: 103021.

DOI

[24]
LEE H, SEO B, KOELLNER T, et al. Mapping Cultural Ecosystem Services 2.0: Potential and Shortcomings from Unlabeled Crowd Sourced Images[J]. Ecological Indicators, 2019, 96: 505-515.

DOI

[25]
FISH R, CHURCH A, WINTER M. Conceptualising Cultural Ecosystem Services: A Novel Framework for Research and Critical Engagement[J]. Ecosystem Services, 2016, 21: 208-217.

DOI

[26]
The Economics of Ecosystems and Biodiversity: Mainstreaming the Economics of Nature: A Synthesis of the Approach, Conclusions and Recommendations of TEEB[EB/OL]. [2024-10-14]. https://www.semanticscholar.org/paper/The-Economics-of-Ecosystems-and-Biodiversity%3A-the-a-Teeb/5b9861611313fcf393224cd417c03574b617aa89.

[27]
HAVINGA I, MARCOS D, BOGAART P, et al. Understanding the Sentiment Associated with Cultural Ecosystem Services Using Images and Text from Social Media[J]. Ecosystem Services, 2024, 65: 101581.

DOI

[28]
LANGEMEYER J, GHERMANDI A, KEELER B, et al. The Future of Crowd-Sourced Cultural Ecosystem Services Assessments[J]. Ecosystem Services, 2023, 60: 101518.

DOI

[29]
李永钧, 张单阳, 王珂, 等. 乡村生态系统文化服务供需关系研究: 以浙江省湖州市为例[J]. 生态学报, 2022, 42(17): 6888-6899.

LI Y J, ZHANG D Y, WANG K, et al. Supply-Demand Relationships of Cultural Ecosystem Services in Rural Areas: A Case Study of Huzhou City, Zhejiang Province[J]. Acta Ecologica Sinica, 2022, 42(17): 6888-6899.

[30]
GAO W, WANG S Y, CHEN S T, et al. Identifying Cultural Ecosystem Services and Relevant Landscape Elements Provided by Urban Green Space Throughout History from an Information Communication Perspective[J]. Forests, 2023, 14(5): 1045.

DOI

[31]
WANG S Y, CHEN S T, GAO W. Information Services as a Method to Evaluate the Sustainability of Intangible Dimensions of a Historic Urban Landscape: A Case Study in Guangzhou, China[J]. Sustainability, 2023, 15(1): 8.

[32]
HOSSU C A, IOJĂ I C, ONOSE D A, et al. Ecosystem Services Appreciation of Urban Lakes in Romania. Synergies and Trade-Offs Between Multiple Users[J]. Ecosystem Services, 2019, 37: 100937.

DOI

[33]
KANGAS K, BROWN G, KIVINEN M, et al. Land Use Synergies and Conflicts Identification in the Framework of Compatibility Analyses and Spatial Assessment of Ecological, Socio-cultural and Economic Values[J]. Journal of Environmental Management, 2022, 316: 115174.

DOI

[34]
刘亚群, 吕昌河, 傅伯杰, 等. 中国陆地生态系统分类识别及其近20年的时空变化[J]. 生态学报, 2021, 41(10): 3975-3987.

DOI

LIU Y Q, LYU C H, FU B J, et al. Terrestrial Ecosystem Classification and Its Spatiotemporal Changes in China During Last 20 Years[J]. Acta Ecologica Sinica, 2021, 41(10): 3975-3987.

DOI

[35]
戴代新, 陈语娴. 基于情感计算的城市历史公园更新改造文化服务感知评价: 以鲁迅公园更新改造为例[J]. 同济大学学报（社会科学版）, 2022, 33(3): 81-90.

DOI

DAI D X, CHEN Y X. An Evaluation of the Perception of Cultural Services of Urban Historical Park Renovation Based on Sentiment Computing Method: A Case Study of Luxun Park[J]. Journal of Tongji University (Social Science Edition), 2022, 33(3): 81-90.

DOI

[36]
尚珍宇, 程可欣, 简钰清, 等. 社交媒体文本数据分析方法对比与适用性研究: 以北京市城市公园感知为例[J]. 景观设计学（中英文）, 2023, 11(5): 8-29.

DOI

SHANG Z Y, CHENG K X, JIAN Y Q, et al. Comparison and Applicability Study of Analysis Methods for Social Media Text Data: Taking Perception of Urban Parks in Beijing as an Example[J]. Landscape Architecture Frontiers, 2023, 11(5): 8-29.

DOI

[37]
HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

DOI

[38]
CARDOSO A S, RENNA F, MORENO-LLORCA R, et al. Classifying the Content of Social Media Images to Support Cultural Ecosystem Service Assessments Using Deep Learning Models[J]. Ecosystem Services, 2022, 54: 101410.

DOI

Options
文章导航

/

〈 〉