机器学习评估中国城市发展对PM2.5浓度与健康风险的影响机制及多情景预测研究

本研究采用机器学习（ML）集成算法（SVR/RF/DT/GBDT/XGBoost）构建stacking模型，解析中国345个城市发展指标（土地利用、人口城镇化、经济增长、环境治理）与PM2.5浓度的非线性关系，通过多情景模拟预测未来污染水平与健康风险（MR-BRT模型评估），提出时空分异综合治理框架，为发展中国家城镇化进程中的空气质量改善与健康风险防控提供实证策略。

　　

研究假设与框架

通过系统文献综述，确定了影响PM_2.5浓度的四大核心维度：土地利用与覆盖（LULC）、人口与城镇化（PU）、经济发展、环境治理（EG），共包含10个关键城市发展因子。具体而言，LULC维度涵盖归一化植被指数（NDVI）等指标。

PM_2.5与城市发展的相关性

2013至2023年间，中国PM_2.5浓度持续下降。PM_2.5浓度的时空演变特征如图S4所示（注：图示内容省略）。至2023年，PM_2.5浓度超过15 μg/m³的城市主要分布于华北平原南部和新疆西南部。图4展示了2013年以来中国PM_2.5浓度与城市发展指标的偏相关系数（PCM）结果。

抑制PM_2.5及相关健康风险的城市发展策略

为解决中国PM_2.5污染及其健康风险，提出以融合发展模式为核心的时空分异综合治理框架（图11）。通过协同推进产业升级、土地利用优化、人口调控和环境治理，预计到2033年可避免10.8万例超额死亡。

研究贡献

本研究通过stacking模型揭示了城市发展对PM_2.5污染及健康风险的影响机制。具体贡献体现在三方面：第一，在实践与治理层面，验证了多种城市发展策略对抑制PM_2.5污染和降低健康风险的有效性，并提出了时空分异综合治理框架；第二，在方法论上，发展了适用于表格型城市级数据的机器学习集成技术；第三，为全球快速城镇化地区提供了可借鉴的跨学科决策支持范式。

结论

本研究通过构建stacking模型，基于345个中国城市数据（2013–2023）揭示了城市发展对PM_2.5及健康风险的影响。该模型不仅捕捉了城市因素对PM_2.5浓度的非线性协同效应，其预测性能也优于传统机器学习方法，在表格型数据健康风险量化中展现出高精度优势。