基于集成学习与多模态地理数据的德国全国道路交通噪声估算研究

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：National road traffic noise estimation with ensemble learning and multimodal geodata

本研究针对欧洲噪声指令(END)地图存在的空间数据空白问题，采用集成学习方法，结合多模态地理数据，成功构建了德国全境10米分辨率的道路交通噪声(Lden)预测模型。最佳模型整体分类准确率达90.7%，预测结果显示德国有1310万人暴露于55 dB(A)以上的噪声环境，强调了改进噪声政策的迫切性。

　　

在现代社会中，噪声污染已成为不容忽视的环境健康威胁。持续的高强度噪声不仅影响人们的生活质量，更与心血管疾病、代谢异常、心理健康问题乃至痴呆症风险增加密切相关。欧洲噪声指令(END)虽然要求成员国绘制战略噪声地图，但由于成本和技术限制，其覆盖范围存在显著空白——主要局限于人口超过10万的城市聚集区和年通行量超过300万辆的主要道路，导致大量 suburban（郊区）和 rural（农村）区域的噪声暴露情况未被系统评估。

为解决这一数据缺口，德国航空航天中心的研究团队在《Transportation Research Part D: Transport and Environment》上发表了一项创新研究。他们巧妙地将土地利用回归(Land Use Regression, LUR)模型与集成学习相结合，利用多源地理数据，首次实现了德国全境10米高分辨率的道路交通噪声精准制图。

研究团队首先从21个德国城市的官方END噪声地图中提取了100平方公里（100万个像素点）的样本数据作为训练基础。为了全面捕捉噪声的传播特性，他们构建了包含82个预测变量的特征集，涵盖交通路网（OpenStreetMap数据）、地表材料（Sentinel-2遥感影像生成的NDVI植被指数和土地覆盖分类）、地形地貌（Copernicus GLO-30数字高程模型）以及建筑形态（LoD1建筑模型生成的天空可视因子SVF和开放空间比率OSR）等多维度信息。

通过系统调优随机森林算法的三个关键超参数——分裂规则(splitrule)、最小节点规模(minnodesize)和每次分裂随机选取的特征数(mtry)，研究人员对比了88种不同配置的性能。为了避免模型过拟合并确保空间可移植性，他们采用了独特的"留出空间交叉验证"(Leave-Spatial-Out-Cross-Validation, LSOCV_Admin)策略，即每次迭代将整个城市的数据作为测试集，其余城市用于训练。

超参数调优结果

实验41（mtry=12，splitrule=Gini，minnodesize=1）表现最佳，在保留测试集上加权Kappa值达0.956，整体分类准确率为90.7%。分析显示，92.2%的预测误差在±5 dB(A)范围内，仅有1.57%的样本误差超过5 dB(A)。研究还发现，较大的minnodesize值（如1000）虽能提升模型稳健性，但会损失对局部噪声细节的捕捉能力。

空间可移植性评估

跨城市验证揭示了模型的良好泛化能力，但也识别出个别城市（如Halle和Offenbach）的噪声模式存在特殊性，可能与当地模拟标准差异有关。这反证了通过集成多城市数据构建统一模型，有助于抵消局部偏差，产生更一致的结果。

全国应用与暴露评估

将最优模型应用于德国全境后，生成的噪声地图清晰显示出从城市中心沿主干道向外辐射的噪声梯度。尤为重要的是，该模型成功预测了END未覆盖区域的噪声状况，如小城镇和郊区。人口暴露评估表明，全国有15.9%（约1310万）人口暴露于55 dB(A) L_den以上的噪声环境中，较官方基于不完整数据统计的850万人高出54%。

结论与展望

该研究通过融合多模态地理数据与机器学习技术，突破了传统噪声测绘的成本和覆盖范围限制，为大规模环境噪声评估提供了可行路径。虽然物理模型在局部精度上仍具优势，但本研究提出的统计方法为实现区域乃至全球范围的噪声暴露比较和健康风险评估奠定了坚实基础。未来研究方向包括整合更精细的交通流信息、路面材料数据以及降噪设施（如隔音屏障）的影响，进一步提升模型精度。这一创新性研究不仅为环境流行病学提供了重要的暴露数据支持，也为城市规划者和政策制定者优化噪声防控策略提供了科学依据。