基于移动监测与可解释机器学习的城市二维三维形态指标对人行道空气污染影响研究

本研究创新性地结合移动监测技术与可解释机器学习算法，系统解析二维（2D）与三维（3D）城市形态指标（如建筑几何特征、植被结构、街景视觉指数）对人行道PM2.5浓度的影响机制。研究揭示了形态指标与污染物的非线性关联，为构建健康城市环境提供了精准规划策略。

　　

研究亮点

本研究通过移动监测技术揭示了城市形态对人行道空气污染的复杂影响机制，结合可解释机器学习模型量化了建筑高度、容积率及餐饮设施密度等关键因子的非线性作用，为健康城市设计提供了数据支撑。

城市形态与街道空气污染关系

街道空气质量因地面活动密集和污染物易积聚的受限空间特性备受关注。道路扬尘与交通排放是街道污染主要来源，产生氮氧化物、颗粒物（PM）及挥发性有机物等典型污染物。

研究框架

如图1所示，本研究框架包含三阶段：首先在深圳CBD人行道开展PM_2.5移动监测，同步采集温湿度及全景影像；其次计算2D/3D形态指标，通过计算机视觉技术从街景图像提取植被指标与视觉指数（如天空可视指数、绿视率）；最后构建机器学习模型解析形态指标与污染的关联。

实测污染水平

如表2和图8所示，工作日PM_2.5浓度高于周末，午后污染较早晨更严重。工作日早晨浓度分布较均匀，而其他时段易出现极端高值。

偏依赖分析发现

多数变量呈现正负反馈交织的复杂机制，且存在明显阈值效应。例如树木冠层特征对空气质量的影响具双重性：茂密树冠可阻滞颗粒物扩散，但过度密集可能阻碍污染物稀释。不同时段变量影响强度差异显著，驱动了污染的时空异质性。

结论

基于深圳CBD的移动监测表明，人行道PM_2.5浓度范围为3.72–9.21 μg/m3，工作日晚高峰污染最严重。可解释机器学习模型（R2达64.81%–85.88%）精准识别了建筑体积、高度及餐饮设施数量等核心驱动因子，为健康街道设计提供了量化依据。