城市形态对道路PM2.5浓度的影响：基于移动监测与机器学习的乌鲁木齐实证研究

推荐：本研究针对快速城市化导致的PM2.5污染问题，通过移动监测技术获取乌鲁木齐不同等级道路的PM2.5数据，结合随机森林（RF）模型分析城市形态指标的影响。研究发现建筑高度（MBH）、容积率（FAR）、人口密度（PD）和不透水面比例（ISP）是关键影响因素，为西北干旱区城市空间优化提供了科学依据。

　　

随着中国城市化进程加速，空气污染已成为威胁人类健康和环境可持续发展的突出问题。细颗粒物PM_2.5（空气动力学直径≤2.5微米的颗粒物）因其粒径小、毒性强，可穿透肺泡进入血液循环，与呼吸系统疾病、心血管疾病甚至癌症密切相关。尽管已有大量关于城市形态与空气污染关系的研究，但西北干旱区城市的实证研究仍显不足，且传统固定监测站数据难以捕捉道路尺度的污染差异。乌鲁木齐作为典型的"三面环山"地形城市，其特殊的山谷地形和快速城市化进程使得空气污染问题更具复杂性。

新疆师范大学地理科学与旅游学院的研究团队创新性地采用车载移动监测技术，在2024年夏秋两季对乌鲁木齐中心城区40公里道路开展PM_2.5浓度动态采集，结合Sentinel-2遥感数据、OpenStreetMap路网数据和WorldPop人口数据等多元数据集，运用地统计学半变异函数确定最优空间聚合尺度（夏季14米，秋季57米）。通过比较随机森林（RF）、XGBoost和LightGBM三种机器学习模型，最终选择预测性能最优的RF模型（R2=0.922）进行深入分析，并采用SHAP解释模型揭示关键影响因子。

研究主要采用四大技术方法：(1) 车载移动监测系统（DustTrak II 8530）以5秒间隔采集PM_2.5数据，结合国家监测站数据进行时空校正；(2) 基于半变异函数的地统计学空间聚合方法确定特征尺度；(3) 多半径缓冲区分析（50-500米）筛选关键影响范围；(4) 机器学习模型（RF/XGBoost/LightGBM）比较与SHAP特征重要性分析。

研究结果揭示：

3.1. 污染物空间分布特征

秋季PM_2.5浓度显著高于夏季（p<0.05），高值区集中在天山区和沙依巴克区的中高层建筑密集区，南部老城区污染较北部新城区严重38.7%，商业集中区的餐饮排烟口和停车场入口是重要污染源。

3.2. 形态因子关键缓冲区半径

通过7种半径缓冲区（50-500米）的Pearson相关性分析发现：平均建筑高度（MBH）在400米缓冲区影响最大（|r|=0.73），不透水面比例（ISP）和容积率（FAR）则在500米缓冲区相关性最强，人口密度（PD）的关键影响半径为200米。

3.3. 模型性能比较

五折交叉验证显示，RF模型在夏秋两季的综合性能最优（平均R2=0.922，RMSE=0.924），显著优于XGBoost（R2=0.761）和LightGBM（R2=0.854），证实其处理非线性关系的优势。

3.4. 特征重要性分析

SHAP值排序表明：MBH是影响PM_2.5的首要因子（夏秋贡献度分别达34.2%和39.8%），PD和FAR分列二三位。值得注意的是，当MBH>28米时PM_2.5浓度骤增，这与"街道峡谷效应"导致污染物滞留密切相关。

3.5. 边际效应分析

部分依赖图（PDP）显示非线性关系：MBH在12-28米区间每增加1米浓度上升1.7μg/m3；FAR阈值效应明显，超过2.8后浓度线性增长；ISP在0.25-0.45区间浓度最低，验证了适度透水面积的调节作用。

这项研究首次系统揭示了西北干旱城市形态对道路PM_2.5的影响机制，提出500米缓冲区应作为乌鲁木齐城市规划的关键尺度。具体建议包括：(1) 控制建筑高度梯度，避免28米以上建筑密集分布；(2) 旧城改造时优化建筑布局，将容积率（FAR）控制在2.8以下；(3) 通过人口疏解政策降低中心城区PD至100人/公顷以下；(4) 提升绿地比例使不透水面比例（ISP）维持在0.25-0.45区间。该成果为落实《乌鲁木齐市国土空间总体规划（2021-2035年）》提供了量化依据，其创新的"移动监测-机器学习"技术框架也为类似城市研究提供了范式。未来研究可扩展至冬季监测，并耦合计算流体力学（CFD）模拟进一步解析"形态-风场-污染"三元机制。