基于PPGIS的城市绿地（UGS）声景质量多尺度可解释机器学习制图：面向规划支持的框架

《Sustainable Cities and Society》：Mapping Urban Green Space Soundscape Quality from PPGIS: A Multi-scale Explainable Machine-Learning Framework for Planning Support

　　

公众参与地理信息系统（PPGIS）与可解释机器学习（ML）支持经空间验证的全市域城市绿地（UGS）声景质量制图。声景质量预测反映跨多个空间尺度的环境信息。绿地规模、铺装和道路强度呈现关键非线性关联。全市域地图揭示空间聚类和显著的区级差异。声景质量可作为城市绿色基础设施（UGI）规划的空间显式资源。

城市绿地（UGS，urban green space）是可持续与宜居城市的重要组成，除气候调节、生物多样性支持和雨洪管理等生物物理功能外，还提供游憩、心理恢复和社会互动等体验效益。近期研究强调，UGS的环境质量与体验价值比单纯数量更重要。声景（soundscape）研究亦从分贝噪声控制转向强调人们对声环境的情境感知。积极声景可影响心理恢复、注意力恢复、地方依恋及健康福祉；自然声主导和适度人为声可提升景观感知，而视觉上吸引人的绿地若被交通或施工噪声主导，也可能难以提供预期恢复效益。积极声景被概念化为文化生态系统服务，但当前景观与城市规划实践仍主要关注植被数量、空间分布、公平和视觉景观质量，声景仍不足。传统实践多依赖噪声控制，等效连续声压级（L_Aeq，equivalent continuous sound pressure level）等指标难以捕捉感知质量。UGS声景受内部特征与周围城市环境共同塑造，需要可扩展、空间显式、可解释的评估、预测和管理方法。PPGIS可让居民标记地点并报告感知，生成源于用户体验的空间显式数据，但仍需处理多尺度环境决定因素、非线性交互和空间泛化验证。研究人员因此以德国Hannover为案例，整合PPGIS声景评价与多源多尺度环境变量，开发可解释机器学习框架，预测并制图全市UGS网络感知声景质量，并回答三个问题：可预测程度、关键环境因素及其非线性关联、全市空间模式与区级差异及预测适用域。该论文发表在《Sustainable Cities and Society》。

主要技术方法：采用在线PPGIS问卷（Maptionnaire平台）收集Hannover成年居民对频繁访问UGS的声景总体质量评价；样本队列来源为2025年7—12月，共1233人访问，924人完成至少一项活动，最终947个调查点来自422名受访者。环境预测因子基于多源空间数据在50—1000 m多尺度缓冲提取。主要方法包括嵌套空间交叉验证与参与者剔除、多尺度变量筛选、随机森林（RF，Random Forest）、XGBoost和LightGBM比较、置换重要性后向特征消除、SHAP（SHapley Additive exPlanations）解释、偏依赖图、适用域（AOA，area of applicability）分析及Moran's I和Getis–Ord Gi^*残差诊断。

研究结果：
3.1 模型性能与验证稳健性：在1000 m空间块与参与者剔除下，RF总体最佳，合并折外（OOF，out-of-fold）预测的ROC-AUC（receiver operating characteristic–area under the curve）为0.713、Brier为0.161，高质量类与非高质量类PR-AUC（precision–recall area under the curve）分别为0.869和0.455。点级随机与受访者分组交叉验证可能给出略乐观估计；500 m空间块下ROC-AUC几乎不变，附加500 m训练排除缓冲后略降但主判别能力保留。阈值0.718时，精度0.855、召回0.703、特异性0.614、F1为0.772。
3.2 多尺度环境关联与非线性响应模式：对52个多尺度变量族进行代表尺度筛选，最终保留10个预测因子。宿主UGS斑块面积SHAP重要性最高，其次为75 m内铺装比例、300 m内道路加权强度和300 m内交通用地比例；1000 m内绿地最大斑块指数与到最近道路噪声区（≥70 dB）距离为第二层。四层级SHAP占比：邻域31.98%、单尺度29.48%、局部22.33%、区级16.22%。道路强度与铺装比例高值多对应负SHAP，树冠覆盖和大斑块面积多对应正SHAP。所有保留变量均呈非线性，ΔR²为0.125—0.808。宿主斑块面积在约0.10—0.20×10⁶ m²陡增后稳定；75 m铺装比例在约0.05—0.15下降最陡；300 m道路加权强度在约0.025—0.040急剧下降；300 m交通用地比例在约0.10—0.18明显下降后趋稳。
3.3 城市尺度预测与空间模式：模型应用于全市UGS网格，得到40,580个预测点。连续概率图呈明显空间分异，Getis–Ord Gi^*高值热点集中在大而连续的绿地，低值冷点多见于交通暴露强、城市形态密区域；二分类显示55.65%网格为高质量、44.35%为非高质量。区级高质量比例从Misburg-Anderten的36.40%到Ricklingen的76.83%；Ricklingen和Kirchrode-Bemerode-Wülferode分布较高且紧凑，Mitte和Buchholz-Kleefeld中位较高但内部离散，Bothfeld-Vahrenheide和Misburg-Anderten较低且超过60%网格为非高质量。
3.4 适用域与预测可靠性：在最终阈值下，距训练样本1000 m内测试点FDR（false discovery rate）为0.141（95% CI：0.115—0.170），≥1000 m为0.167（95% CI：0.078—0.256）；按最近训练距离三分位FDR为0.133、0.149、0.152，置信区间重叠，无明显距离梯度。AOA显示77.92%预测区域在适用域内、22.08%在外；限制在AOA内时，高质量比例由55.65%升至63.54%，区级排序大体保留（Spearman ρ=0.907，p<0.001）。
3.5 敏感性分析与残差空间诊断：以4—5为高质量、1—2为低质量并排除3的替代结局重跑全流程，OOF ROC-AUC为0.750。主模型与替代模型保留变量中度一致，10个中6个同变量族、3个同尺度，共享预测因子SHAP依赖曲线ρ=0.845—0.952，全市连续概率相关r=0.756（95% CI：0.717—0.787）。主模型OOF残差Moran's I为0.061—0.081，局部Moran's I无显著点，Getis–Ord Gi^*无显著残差热点或冷点。

讨论总结：讨论4.1指出，感知声景质量可由多尺度环境变量预测，嵌套验证控制空间邻近与受访者依赖，性能中等但稳定；模型适合识别空间梯度和相对差异，不宜确定性分类。方法贡献在于代表尺度识别、嵌套验证和AOA结合。4.2强调声景质量与宿主斑块面积、铺装比例、邻域道路与交通环境关联最强，交通变量在邻域和更广尺度最强，植被信息在更广尺度捕捉；非线性反映模型敏感过渡范围而非因果阈值。4.3认为预测图可将分散感知转为空间显式规划信息层，识别高质量核心、潜在改善区和预测支持有限区，支持UGI规划、差异化管理和后续公平分析，但二分类图宜作初步筛查。4.4指出模型基于静态变量，不代表瞬时声学状态；PPGIS非随机，偏向可达和常用绿地及年轻群体；高质量定义为4—5，识别明确积极评价位置；案例限于Hannover，方法架构可本地化复用。

研究结论翻译：本研究开发并应用了一个预测框架，以德国Hannover为例，整合PPGIS感知数据、多尺度环境变量和可解释机器学习，绘制UGS感知声景质量。框架旨在超越场地特定声景评估，通过识别高质量声景条件可能出现的位置及与其空间分布最强相关的环境特征，支持城市尺度绿色基础设施规划。结果表明，在控制空间邻近和参与者水平依赖的嵌套空间交叉验证框架下，UGS感知声景质量可以以中等但稳定的空间判别能力被预测。感知声景质量与跨多个空间尺度起作用的环境因素相关。特别是，宿主绿地斑块面积、局地尺度铺装比例和邻域尺度道路加权强度是最具影响的预测因子，并呈清晰非线性响应模式。铺装比例和道路加权强度在低至中等水平与预测概率显著下降相关，而宿主绿地斑块面积在中等规模范围内预测增益最强，随后趋于平稳。全市域预测揭示Hannover UGS网络声景质量呈核心—边缘空间模式，较高质量声景集中于大而连续的绿地，较低质量条件更常见于交通走廊附近和破碎城市绿地。此外，高质量声景绿地在各区分布不均。总体而言，本研究证明将感知声景质量表示为城市绿地空间显式规划相关属性的可行性，并与文化生态系统服务评估相关。所提框架提供可复制方法，可在其他城市使用本地收集数据和本地重新估计模型组件实施，支持声景资源识别、差异化管理优先事项及后续环境公平分析，为将声景考虑纳入循证城市绿色基础设施规划提供实践基础。