揭示街区建成环境对 PM2.5 浓度的差异性影响：基于“源 - 流 - 汇”视角的新研究框架

《Sustainable Cities and Society》：Unravelling the differentiated effects of the block built environment on PM 2.5 concentrations: A new research framework based on the perspective of source-flow-sink

　　

• XGBoost模型将PM2.5从1000米分辨率下采样至100米。• 源–流–汇框架解释了街区尺度的PM2.5差异。• 与流相关的形态特征对PM2.5空间变异的贡献最强。• 流–汇协同优化可实现最低的PM2.5高风险概率。

**引言**

空气污染仍然是全球重大的环境与健康挑战，其中PM2.5因其粒径细微和大气停留时间长而对人体健康构成特别严重的风险（Lian等，2026；世界卫生组织，2025）。城市街区集中了居住、出行和消费活动，同时促进了PM2.5的产生、扩散、积聚和清除（Wu等，2025；Xu等，2023）。因此，理解街区尺度的PM2.5变化对于将建成环境与空气污染联系起来、支持针对性规划干预具有重要意义。

然而，城市PM2.5浓度的空间变化是由多种相互关联的过程共同作用的结果，包括污染物产生与积聚、气动力学输运与扩散，以及沉降与缓解（Chen等，2022；Yang等，2020a）。城市物理环境由多样的空间要素和形态构型组成，影响这些过程的不同阶段（Cummings等，2022；Yang等，2022）。因此，理解街区尺度的PM2.5差异需要从孤立的指标–浓度关联转向过程导向的视角。"源"和"汇"的概念长期以来被用于描述环境过程中物质的起源和目的地，包括空气污染研究。在景观生态学中，Chen等（2008）将源汇景观理论形式化，以将景观格局与特定的生态过程联系起来，将促进特定过程的景观要素区分为源，将抑制该过程的要素区分为汇。原始框架未将"流"作为独立组成部分，但后续研究通过纳入物质、能量或污染物在空间要素之间输运的流路径对其进行了扩展。在污染相关研究中，景观格局–源流汇模型明确纳入了流组分以表征污染物在景观单元之间的输运（Zheng等，2025）。在此基础上，城市物理环境可被归类为与源、流和汇相关的组分。源组分代表与人为污染产生相关的空间特征，来源于功能土地利用和交通活动；流指影响污染物输运、扩散和滞留的形态和通透性条件；汇则代表绿地数量和空间构型，作为景观尺度上PM2.5缓解的代理变量。这些类别强调的是指标的主导功能过程，而非严格互斥的物理属性。

大量研究考察了土地利用、交通基础设施、开发强度和人类活动如何影响PM2.5的产生。在街区尺度上，开发强度指标（如建筑密度和容积率）通常被纳入以表征与高度开发建成环境和集中人类活动相关的有利于污染物产生的条件（Chen等，2025）。兴趣点、人口分布、人类移动数据以及细粒度建成环境信息越来越多地被整合进来，以更准确地捕捉城市功能、人类活动和交通相关排放源的空间异质性（Li等，2024；Liu等，2019）。此外，土地利用构成、道路密度和邻近性、交通强度、人口密度以及居住、商业和工业活动的空间分布等因素已被广泛用于解释PM2.5浓度的空间变化（Lee等，2024；Zhang等，2025）。总体而言，这些研究表征了与污染物排放和局部积聚相关的人类活动的空间分布和强度，为表征街区尺度PM2.5的源相关维度提供了实证基础。

城市形态可以通过重塑近地面气流和通风条件来影响PM2.5的输运、混合和扩散（Yang等，2020b；Zhao等，2021）。早期研究主要使用风洞实验和计算流体力学（CFD）模拟来研究城市形态如何影响理想化街道峡谷中的污染物扩散。研究发现，建筑密度、街道峡谷纵横比、建筑高度、街道朝向和建筑布局等关键因素通过改变风速、涡旋结构和空气交换来影响污染物的滞留和扩散（Lee和Kwon，2026；Tang等，2023；Wang等，2025）。与此同时，实证研究越来越多地纳入建筑密度、建筑高度及高度变异、天空视野因子、正面面积指数和街道构型等形态指标来表征局部通风和扩散条件。这些指标与空气污染浓度的关联通常通过空气动力学阻力、风通透性、湍流混合和空气交换效率的变化来解释（Shi等，2018；Zhang等，2022，2024）。这些研究共同为表征街区尺度PM2.5的流相关维度提供了物理和实证基础。

另一类研究强调了城市绿地对空气污染的缓解作用。绿地通过干沉降和叶片拦截去除PM2.5，因此被广泛应用于PM2.5研究（Gustafsson等，2024；Lee等，2025）。在街区尺度上，研究逐渐从总绿量测量转向植被结构和空间构型的多维表征。常用指标包括绿地覆盖率、街景绿色可见度、植被结构特征和景观格局指标。越来越多的证据表明，绿地对PM2.5的影响不仅取决于植被数量，还取决于斑块形态、连通性、破碎度和空间排列，这些关系往往表现出非线性、空间异质性和尺度依赖性（Bi等，2022b；Cao等，2025；Li等，2024）。

近期研究越来越多地超越单因素分析，转向考察城市环境多个维度如何共同影响PM2.5浓度。特别是，越来越多的证据表明，绿地的污染缓解效果取决于周围的都市形态背景。例如，Chen等（2024b）利用局部气候区对城市街区进行分类，发现绿地格局指标对PM2.5贡献的大小和方向在不同街区类型间存在显著差异，表明城市形态可以调节绿地缓解的有效性。其他研究也揭示了城市形态、绿地特征、热环境和PM2.5之间的相互关联关系，而非各因素的独立效应（Chen和Wei，2025；Wang等，2025）。尽管如此，现有的多维研究通常并行评估多个因素或聚焦于特定的两两交互作用，对不同过程组合产生的条件性交互、结构性路径和污染状态的理解仍不充分。

总体而言，仍存在三个研究空白。第一，虽然以往研究已从多个角度考察影响PM2.5的因素，但这些因素往往被视为并行的解释变量。按照各因素在街区尺度上PM2.5产生、输运/扩散和缓解中的潜在角色来组织这些因素的过程导向框架仍有待发展。第二，即使同时考虑多个城市维度，这些过程之间的条件依赖性、非线性交互和作用以及情境特异性效应仍知之甚少。第三，连接这些过程的结构性路径以及不同源–流–汇配置相关的污染风险状态很少被系统识别。

为填补这些空白，本研究开发了一个街区尺度的S-F-K框架来检验PM2.5的差异。多源城市指标被归类为源、流和汇维度。采用SOM、GWRF-SHAP、ALE、pSEM和BN分析来评估它们的相对贡献、条件非线性、结构关联和概率风险状态（图1）。本研究旨在提出以下研究问题：

- RQ1：源、流和汇过程对街区尺度PM2.5空间差异的相对贡献是什么？
- RQ2：一个过程维度对PM2.5的影响是否因其他两个维度所创造的情境条件而不同？
- RQ3：源、流和汇过程通过何种路径相互作用，哪些源–流–汇配置与更高的PM2.5升高概率相关？

**研究区域**

武汉是中国中部的一座特大城市，也是长江经济带的重要枢纽。该城市为通过S-F-K框架检验PM2.5提供了特别适宜的研究背景。其多中心结构以及工业、居住、商业、交通和绿地配置的并存产生了异质的源和汇环境，而其广阔的河湖水系和显著的城市形态梯度则有助于形成对比鲜明的通风条件。

**方法**

本研究遵循三阶段分析框架（图3）：(1) 整合多源数据并构建S-F-K指标体系；(2) 利用XGBoost和自组织映射（SOM）生成街区尺度的PM2.5估计值并识别S-F-K类型；(3) 利用地理加权随机森林与SHAP（GWRF-SHAP）、累积局部效应（ALE）、基于pSEM的分析和贝叶斯网络（BN）来考察变量贡献、条件响应、结构关联和概率风险模式。

**基于过程识别源、流和汇维度**

所有指标均满足相关性（|r| < 0.80）和方差膨胀因子（VIF < 10）标准。最强的相关性出现在建筑密度（BD）和街道峡谷纵横比（SCD）之间（r = 0.744），最大VIF为3.97（FAI_avg）（图S1）。边界指标的不同归属方式改变了源和汇的相对排名，但始终将流保持为最高重要性维度（表S2，S3），表明主要的维度级结果对指标分类具有稳健性。

保留的解将……分类为……

**讨论**

以往研究已分别证明了排放、城市形态和绿地构型在PM2.5变异中的作用。与这些发现一致，本研究的结果确认了三个维度均与街区尺度PM2.5水平相关。然而，我们的分析进一步揭示，它们的贡献既不是独立的，也不是空间均匀的：流相关形态表现出相对更大的模型重要性，而汇相关关联则强烈依赖于……

**结论**

本研究提出了一个街区尺度的S-F-K框架，以检验建成环境与武汉市中心城区PM2.5浓度之间的差异化关联。主要结论如下：(1) S-F-K分类揭示城市街区同时具有不同的源、流和汇属性。(2) 在武汉数据集中，流相关指标比源和汇相关指标表现出相对更大的模型重要性。(3) 该……

**CRediT作者贡献声明**

Yuyan Chen：撰写——初稿，可视化，软件，方法论，调查研究，形式分析，数据管理。
Kang Chen：撰写——初稿，软件，方法论，形式分析，数据管理。
Ming Chen：撰写——审阅与编辑，验证，监督，方法论，资金获取，概念化。

**利益冲突声明**

作者声明，他们没有任何已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。

Yuyan Chen | Kang Chen | Ming Chen