Identifying the Spatial Network Structure of County-Level Rural Settlements Using Multi-Source Data and Graph Neural Embedding: A Case Study of Dangyang, Hubei Province, China

Resumo Técnico: Identificação da Estrutura da Rede Espacial de Assentamentos Rurais em Nível de Condado Usando Dados Multifonte e Embedding de Grafos Neurais

1. Declaração do Problema

A pesquisa e as políticas atuais relativas à classificação de assentamentos rurais na China operam predominantemente na escala administrativa-vilarejo. Esta abordagem de nível macro trata vilarejos inteiros como unidades de avaliação homogêneas, obscurecendo a significativa heterogeneidade estrutural, a diferenciação funcional e as diferenças de conectividade espacial entre os fragmentos de assentamento mais finos dentro do mesmo vilarejo. Consequentemente, as estratégias para classificação de vilarejos, alocação de recursos e revitalização rural carecem frequentemente da precisão necessária para abordar condições locais específicas, tais como proximidade variável de corredores de transporte, diferentes níveis de suporte de infraestrutura e distintas restrições ecológicas.

Além disso, estudos existentes que utilizam dados multifonte (sensoriamento remoto, POIs, estatísticas) dependem frequentemente de uma simples concatenação de indicadores e agregação ponderada. Esses métodos tradicionais falham em capturar efetivamente as relações espaciais não euclidianas e as características estruturais de ordem superior inerentes às redes de assentamentos rurais, onde os assentamentos formam sistemas complexos e hierárquicos em vez de fragmentos isolados.

2. Metodologia

O estudo propõe um novo framework que integra dados heterogêneos de múltiplas fontes com o embedding de Redes Neurais de Grafos (GNN) para classificar assentamentos rurais no nível fino da unidade de assentamento. O fluxo de trabalho técnico consiste em quatro estágios primários:

• Extração de Unidades de Grão Fino e Agrupamento de Supernós:

  • Partindo de aproximadamente 240.000 vetores de edifícios em Dangyang, Hubei, o estudo agrega edifícios adjacentes (limiar de 30m) em fragmentos de assentamento.
  • O agrupamento aglomerativo é aplicado para reunir fragmentos espacialmente próximos e estruturalmente similares em "supernós". Isso transforma a escala de edifícios individuais para nós de rede regionais, quebrando a restrição administrativa-vilarejo enquanto preserva a lógica interna do assentamento.
  • Atributos de estatísticas de nível de vilarejo (população, economia) são reduzidos de escala para esses nós com base nas proporções da área construída.

• Construção da Rede Espacial:

  • Um modelo de Resistência Cumulativa Mínima (MCR) Geograficamente Ponderada é construído utilizando estradas, sistemas hídricos, terreno (DEM) e uso do solo para definir a superfície de resistência.
  • O Linkage Mapper identifica corredores de conectividade potenciais, que são convertidos em arestas ponderadas. Isso cria uma rede de ligação espacial onde os pesos das arestas representam o custo de movimento entre os nós de assentamento, contabilizando barreiras naturais e antropogênicas.

• Embedding de Redes Neurais de Grafos:

  • Uma GNN é empregada para aprender conjuntamente os atributos dos nós (demografia, instalações, ecologia, economia) e as relações topológicas (conectividade, centralidade).
  • Através de passagem de mensagens e agregação de características, a GNN gera vetores de embedding de nós. Esses vetores encapsulam tanto as características intrínsecas de um assentamento quanto sua posição estrutural dentro da rede mais ampla.
  • O estudo valida o embedding comparando o desempenho da classificação downstream (matrizes de confusão e taxas de recall) contra métodos de base, testando especificamente a capacidade de distinguir estruturas de ligação em diferentes níveis de distância.

• Identificação Estrutural e Mapeamento de Classificação:

  • Métricas de Rede: Grau, intermediação (betweenness), proximidade (closeness), centralidade de autovetor, coeficiente de agrupamento e PageRank são calculados para definir papéis estruturais (núcleo, ponte, borda).
  • Análise SHAP: Explicações de Aditividade de Shapley (SHAP) são usadas para identificar os principais impulsionadores (ex: tamanho do edifício, distância de cidades, vitalidade agrícola) que influenciam métricas de rede específicas.
  • Classificação: Os assentamentos são mapeados em cinco tipos orientados por políticas com base em seus escores de rede e mecanismos de impulsionamento: Desenvolvimento Agrupado, Integração Urbano-Rural, Conservação do Patrimônio, Melhoria e Relocação/Consolidação.

3. Principais Resultados

• Eficácia Metodológica: O embedding de GNN melhorou significativamente o reconhecimento de estruturas de ligação através de diferentes níveis de distância. O recall para ligações de longa distância (Classe 4) aumentou de 0,26 para 0,40, e a confusão de classe foi notavelmente reduzida. O embedding capturou efetivamente a estrutura relacional não euclidiana dos assentamentos rurais, superando abordagens tradicionais baseadas apenas em atributos.
• Estrutura da Rede Espacial: A rede embarcada revela um claro padrão axial em Dangyang. Nós de alto valor (alta centralidade e escores abrangentes) concentram-se nas zonas de transição urbano-rural e ao longo de grandes corredores de transporte, formando uma hierarquia "núcleo–corredor–borda".
  • Nós de Núcleo: Localizados próximos a centros urbanos e polos de vilarejos, caracterizados por grandes escalas de edifícios e alta acessibilidade de instalações.
  • Nós de Ponte: Frequentemente encontrados em zonas de transição (interfaces planície-colina), estes nós podem não ser os maiores, mas possuem alta centralidade de intermediação, servindo como conectores críticos entre sub-regiões.
  • Nós de Borda: Localizados em áreas montanhosas periféricas, caracterizados por baixa conectividade e padrões dispersos.
• Mecanismos de Impulsionamento:
  • Centralidade e Escala: O tamanho do assentamento (área construída) e a proximidade de cidades são os principais impulsionadores para a centralidade de grau e escores de rede abrangentes.
  • Função de Ponte: A centralidade de intermediação é impulsionada primariamente pela localização de transição e posição no corredor, em vez de apenas escala bruta.
  • Agrupamento Local: O coeficiente de agrupamento é influenciado principalmente pela vitalidade agrícola e fatores ecológico-culturais, afetando estruturas de agrupamento locais em vez do status de rede global.
• Resultados de Classificação: O estudo mapeou com sucesso 904 supernós em cinco tipos distintos. Por exemplo, assentamentos com alta conectividade próximos a cidades foram identificados como tipos de Integração Urbano-Rural, enquanto aqueles com fortes recursos culturais, mas centralidade moderada, foram classificados como tipos de Conservação do Patrimônio.

4. Significância e Contribuições

O artigo reivindica várias contribuições significativas para o campo da geografia rural e do planejamento:

• Quebra de Restrições de Escala: O estudo demonstra um método viável para ir além da escala administrativa-vilarejo, revelando diferenças estruturais e diferenciação funcional dentro dos vilarejos que antes estavam ocultas. Isso permite uma classificação refinada e uma governança diferenciada no nível da unidade de assentamento.
• Framework Analítico Unificado: Fornece um framework unificado que integra características espaciais de escala de patch, atributos socioeconômicos de nível de vilarejo e redes relacionais inter-assentamentos. Isso aborda a lacuna na literatura existente, onde essas camadas de dados são frequentemente modeladas separadamente.
• Interpretabilidade Estrutural: Ao combinar o embedding de GNN com a análise SHAP, o estudo não apenas classifica os assentamentos, mas também explica por que eles pertencem a tipos específicos. Esclarece que os papéis de rede são moldados conjuntamente pela escala construída, localização, população e recursos, em vez de apenas localização.
• Aplicabilidade ao Planejamento: Os resultados oferecem uma base quantitativa para o planejamento espacial territorial em nível de condado. O estudo argumenta que as estratégias de melhoria de vilarejos devem mudar de uma abordagem administrativa de "tamanho único" para uma abordagem direcionada, onde unidades de assentamento específicas são identificadas para consolidação, melhoria ou integração com base em sua posição de rede e conectividade reais.

5. Limitações e Direções Futuras

Os autores reconhecem modestamente que o estudo se baseia em um único caso (Dangyang), e que a generalização do framework para outros tipos de relevo e estágios de desenvolvimento requer comparação multicase adicional. Além disso, embora o modelo melhore a identificação de classes dominantes, sua capacidade de detectar classes minoritárias e tipos extremos permanece limitada. As direções de pesquisas futuras propostas incluem:

• Comparações multicase entre diferentes regiões.
• Incorporação de dados temporais e modelos de grafos dinâmicos para analisar a evolução da rede.
• Exploração de aprendizado de grafos interpretável e acoplamento de redes multicamadas para aumentar a aplicabilidade política.