日前，两位来自美国华盛顿大学西雅图分校的研究人员发现我们所处的建筑环境与区域内的肥胖率有很大的关联。区域建筑环境特征是指区域内的自然和人为环境，例如绿地和公路等。这些环境特征可以与其他数据结合使用，从而监测地区的肥胖患病率。

他们的研究结果表明，区域内的建筑环境与不同社区肥胖患病率的变化有关。回归模型显示，建筑环境特征解释了该项目涉及的1695个人口普查区内64.8%肥胖率的变异。具体而言，该模型对不同城市肥胖率的测算能力有所不同。其最准确地预测了孟菲斯市的肥胖率，准确率为73.3%。最低是在西雅图地区，准确率是55.8%。

研究人员提出了一种利用卷积神经网络（CNN）评估成人肥胖患病率与区域建筑环境之间关系的方法。卷积神经网络是一种深度学习方法，该研究所使用的卷积神经网络经过预先训练，能够捕捉区域环境的特点，例如绿化、土地等自然特征和道路、房屋等建筑特征。

两位研究人员首先利用卷积神经网络从约15万张高分辨率的卫星图像中提取代表建筑环境特征的数据。这些卫星图像于2017年2月14日至28日下载，并在研究期间（2017年10月31日）更新。图像中的建筑环境信息被分为96个类比，例如宠物店和杂货店等。这种设计的内在逻辑是区域建筑对人群活动的潜在影响。比如说，有宠物店的区域可能会有更多的人带狗散步。另一方面，研究者收集了2014年美国500个城市的肥胖率估计值。随后，他们结合上述两类数据建立起了一个回归模型来评估区域内建筑环境与肥胖患病率之间的关系。

具体而言，一个区域建筑环境的特征如土地使用情况，公园、宠物店、健身房与快餐店的分布，公共交通情况和绿地面积等都与当地的成人肥胖率有关。以洛杉矶为例，研究人员发现高肥胖率区域的特点是密集的街区和较少的绿地，相反，低肥胖率区域拥有着更多的绿化面积。

相关报道: