台北盆地多功能绿色基础设施的优化选址策略：基于空间多准则评估与机器学习的协同规划研究

本研究针对气候变化背景下城市绿色基础设施(GI)规划缺乏针对性策略的问题，整合空间多准则评估(SMCE)和无监督机器学习技术，以台北盆地为案例，评估了农业产出、碳封存等8类生态系统服务，识别出中央盆地为优先干预区，并通过聚类分析提出分区规划建议，为协同提升城市韧性提供科学依据。

　　

在全球气候变化加剧的背景下，城市正面临着热浪、洪涝等环境危机的严峻挑战。台北盆地作为台湾城市化程度最高的区域，其破碎化的绿地格局与快速扩张的建成区形成尖锐矛盾。传统规划方法往往难以兼顾绿色基础设施(Green Infrastructure, GI)的多功能性，导致生态效益无法最大化。这种困境催生了对科学化空间决策工具的迫切需求。

来自教育部资助的研究团队在《Land Use Policy》发表的研究，创新性地融合了空间多准则评估(Spatial Multi-Criteria Evaluation, SMCE)与无监督机器学习技术。研究以25?m²网格为单元，量化评估了农业产出、碳封存、降温效应等8类关键生态系统服务，构建了台北盆地GI优先度地图，并通过K-means聚类揭示了不同区域的服务组合特征。

关键技术包括：1) 基于GIS的空间叠加分析构建SMCE模型；2) 使用K-means算法对生态系统服务组合进行聚类；3) 整合地形、土地利用等多元数据集。研究样本覆盖台北盆地海拔50米以下所有行政里单元。

主要研究结果

1. 生态系统服务空间分异
   数据显示碳封存总量达4,981,250?mt/年，但服务呈现核心-边缘分异：中央城区热岛效应显著(高温区超35°C)，而周边农区贡献了90%的茶叶产量。

2. 优先区域识别
   SMCE结果表明中央盆地得分最高，需优先布局雨水花园、绿色屋顶等GI，而周边丘陵区因现有生态功能完善被列为次级优先区。

3. 聚类分区策略
   机器学习识别出5类特征区：高需降温-净化区(占18%)宜建生态廊道；农业主导区(23%)应强化授粉服务；建成密集区(31%)侧重小微绿地网络。

结论与启示
该研究突破了传统GI规划"一刀切"的局限，首次在亚洲城市验证了SMCE与机器学习联用的可行性。通过揭示服务间的协同/权衡关系(如降温与空气净化的协同效应达r=0.72)，为精准匹配GI类型与区域需求提供了范式。特别值得注意的是，研究提出的"网格-聚类"双尺度分析法，可推广至其他高密度城市，对实现联合国可持续发展目标(SDG 11)具有实践价值。作者团队建议后续研究应纳入成本效益分析，并开发动态监测系统以评估GI长期绩效。