编辑推荐：
为探究二维（如 NDVI）与三维（如植被体积）绿地指标空间差异及影响因素，研究人员以香港为对象，结合 Landsat 8 与 LiDAR 数据，运用 XGBoost 和 SHAP 分析。发现 urban / 林地植被体积高于 NDVI，低植被区反之，地形因素亦有影响，为绿地评估及规划提供依据。
在环境健康研究领域，绿地暴露对人类健康的影响至关重要。然而，传统的二维（2D）绿地评估方法如归一化植被指数（NDVI）仅能捕捉平面信息，无法反映植被的立体结构，而三维（3D）指标如基于激光雷达（LiDAR）技术的植被体积虽能精准测量植被体积，却因数据获取难度大未广泛应用。当前，二者在空间分布上的差异及背后的驱动因素尚不明确，这导致无法准确选择评估方法，也制约了城市规划中对绿地健康效益的充分利用。
为解决这一问题，中国研究人员以香港特别行政区为研究区域，开展了题为《Exploring the factors behind the discrepancy between two-dimensional and three-dimensional indicators of greenspace exposure》的研究，相关成果发表在《Ecological Indicators》。研究旨在解析 NDVI 与植被体积的空间差异模式，识别与差异相关的景观因素，阐明两种指标差异对绿地暴露测量的影响。
研究主要采用以下关键技术方法：
- 数据获取与处理：利用 2020 年 Landsat 8 卫星影像计算 NDVI，通过 LiDAR 点云生成冠层高度模型（CHM）以估算植被体积，并将二者分辨率统一为 30m；
- 差异量化：构建 “体积 - NDVI 指数”（Volume-NDVI Index），通过标准化处理衡量两种指标的不一致性；
- 机器学习分析：运用极端梯度提升（XGBoost）模型结合 SHapley 加性解释（SHAP）方法，分析景观因素（如土地利用类型、地形、建筑密度等）与指标差异的关联。
4.1 二维与三维绿地指标空间分布差异
研究发现，香港外围自然区域 NDVI 值较高，但植被体积在部分 urban 区域（如九龙、中环）却高于 NDVI，可能因零星分布的公园和行道树未被 NDVI 准确捕捉。Volume-NDVI 指数呈双峰分布， urban 化区域指数为正（植被体积＞NDVI），农村和低植被区指数为负（NDVI＞植被体积）。
4.2 景观因素与指标差异的关联
通过 XGBoost 模型及 SHAP 分析，识别出影响差异的关键景观因素：
- 正向影响因素：交通用地占比、建筑密度、林地面积、海拔（100-300m）和坡度（＞20°），表明 urban 建成区和林地因植被垂直结构复杂，植被体积测量更占优；
- 负向影响因素：灌木、草地、农业用地占比，因低生长植被体积小，NDVI 更能反映其覆盖优势。
讨论与结论
研究证实，二维与三维绿地指标的差异显著受景观异质性和地形因素影响。在高度 urban 化区域和林地，NDVI 易低估实际植被体积，而低植被区 NDVI 更能体现绿地覆盖情况。这提示研究者在评估绿地暴露时，需结合研究目标与区域特征选择指标：若关注生态服务（如空气净化），3D 指标更优；若侧重视觉绿度或公共活动空间，2D 指标需结合其他参数。
该研究首次量化了 2D 与 3D 绿地指标的空间差异，揭示了景观因素的驱动机制，为环境健康研究中绿地指标的选择提供了科学依据，也为城市规划中优化绿地布局、提升健康效益奠定了基础。未来研究可进一步拓展至其他气候区，纳入更多 2D 指标（如增强植被指数 EVI），并考虑空间自相关的影响，以完善绿地评估体系。
