伦敦高层高密度城市中NO2缓解的空气质量敏感型城市设计：基于机器学习的土地利用回归分析

《Sustainable Cities and Society》：Air-quality-sensitive urban design on NO 2 Mitigation in the high-rise high-density City of London: A machine-learning land-use regression analysis

　　

随机森林（Random Forest, RF）土地利用回归（Land-Use Regression, LUR）模型以较高精度预测城市NO₂（调整后R²=0.88）。建筑高度变异性增加使局地NO₂降低至多约7 μg m^?3。定向树冠扩展降低了热点，但局地效应复杂。设计措施与交通干预联合带来了最大的空气质量收益。机器学习LUR使城市设计情景的精细尺度评估成为可能。

该论文发表于《Sustainable Cities and Society》，由Vasilis Kazakos、Zhiwen Luo、Said Munir、Julie Futcher、Juliet Davis和Qihong Deng完成。交通相关空气污染是欧洲大城市持续存在的公共卫生问题，NO₂暴露在短距离内变化显著，受排放和局地扩散条件共同影响。伦敦金融城高交通活动与窄街道、频繁交叉口和垂直复杂开发并存，形成街道峡谷，限制通风并放大邻里尺度NO₂变异。传统土地利用回归（Land-Use Regression, LUR）多采用多元线性回归（Multiple Linear Regression, MLR），虽可解释性较强，但难以表达高密度城市环境中的非线性和交互。计算流体动力学（Computational Fluid Dynamics, CFD）和大涡模拟（Large Eddy Simulation, LES）可精细模拟气流与污染物扩散，但计算成本高，难以快速评估多个城市尺度规划情景。机器学习LUR提高预测精度，但多数应用用于暴露制图或空间预测，较少用于规划干预情景评估。研究旨在评估替代城市规划和交通干预如何影响整个伦敦金融城NO₂空间分布，并回答两个问题：城市设计要素如何影响高层高密度环境中交通相关NO₂的空间分布和强度；哪些排放和设计导向干预在形态受限街网中最可能有效。研究人员开发了邻里尺度建模与情景筛选框架，将城市形态纳入LUR，并用机器学习表征非线性和交互效应。

关键技术方法：采用2019年伦敦金融城80个灯杆安装扩散管监测点，经质量保证后保留70个完整年度平均NO₂数据，浓度范围31–78 μg m^?3。构建33个候选预测变量，在25、50、100、150、200、250、300、350、400、450、500 m共11种缓冲区下形成363个候选变量，使用ADDRESS（A Distance Decay REgression Selection Strategy）筛选，最终保留8个预测变量。比较MLR、广义加性模型（Generalized Additive Models, GAM）和随机森林（Random Forest, RF），以留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）、均方根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）和调整R²评估，并用Moran's I检验残差空间自相关。设置人口增长、交通控制、高层开发、树冠增加（定向与分布）及综合策略五类情景，在地理信息系统（Geographic Information System, GIS）中修改预测变量后重新预测NO₂。

研究结果如下。3.1 不同LUR建模方法比较：通过全数据集拟合和LOOCV比较MLR、GAM、RF，RF预测性能最佳，调整R²=0.88，LOOCV RMSE=7.6 μg m^?3，MAE=6.25 μg m^?3；GAM调整R²=0.80，RMSE=10，MAE=7.9；MLR调整R²=0.72，RMSE=8.3，MAE=6.4。变量重要性显示平面面积指数（Plan Area Index, PAI）在500 m处最高，其次为交通相关变量和到铁路站距离，建筑高度变异性和海拔也有贡献，树冠影响中等，水面积较低。Moran's I=?0.019，p=0.525，残差无显著全局空间自相关。3.2 空气质量敏感型城市设计干预的影响：结果以相对基线的点估计变化表示，强调量级和空间格局。3.2.1 情景1：人口增长。通过将2036年工作日人口增长转化为建筑覆盖变化并更新PAI，模型预测大部分区域NO₂升高，北部和东北部最强，常为小于1至约5.5 μg m^?3，少数地点降低至约0.7 μg m^?3。3.2.2 情景2：交通控制。将重型车年平均日交通量（Annual Average Daily Traffic, AADT）减半并更新交通预测变量后，预测NO₂在主要交通走廊和关键交叉口降低，通常为1–6 μg m^?3，北部干道和西南主要交叉口改善最大。3.2.3 情景3：高层开发（垂直变化）。纳入13座拟建高楼并重算高度变异性等形态指标，预测受影响区域NO₂总体降低，东部集群最明显，东北和东部可达约7 μg m^?3，少数地点增加0–0.5 μg m^?3。3.2.4 情景4：树冠增加。定向策略在热点降低达约4 μg m^?3，但东部和东北部局部增加达约2 μg m^?3；分布策略幅度类似但空间格局不同，降低更分散且中心/东部仍有小增。定向策略增加树冠面积6,670 m²，小于分布策略的19,284 m²，但预测NO₂降低更广泛，说明空间位置可能比总面积更重要。3.2.5 情景5：综合设计。交通控制、高层开发和定向树冠同时修改预测变量，东部和东北部基线较高区域改善最大，最大降低约7 μg m^?3，多数区域降低0–7 μg m^?3，少数邻近区域增加0–1.5 μg m^?3，综合策略在多个区域优于单一干预。

讨论部分认为，RF-LUR最佳表现与随机森林捕捉非线性和高阶交互的能力一致，纳入形态预测变量在高密度市中心具有解释价值。情景分析应视为探索性统计响应，而非因果或机制预测。规划上，排放措施与形态措施应结合。密度增加通常与NO₂升高相关，而高度异质性增加在部分高负担区域与降低相关，可能与增强混合和扩散机制一致，但RF-LUR未显式模拟气流。交通控制产生最清晰局地改善，50%重型车减排在重交通道路附近约对应14%降低，但未表征O₃（臭氧）化学，不能推断整体空气质量等价改善。树冠扩展在热点降低约2–4 μg m^?3，但存在局地增加，受街道峡谷、冠层密度和通风影响；定向绿化优于均匀大范围增加。综合干预最大降低，但仍存在小尺度不利变化。局限包括：情景保留2019背景，未考虑未来车队、排放因子和背景NO₂；LOOCV未做空间分块或外部验证，监测网络对PAI_500 m、重型车AADT_50 m、建筑高度变异性_100 m的覆盖分别83.1%、87.3%、76.6%，外推需谨慎；仅伦敦金融城，机器学习“黑箱”，ADDRESS预筛选可能遗漏交互变量，未模拟CFD/LES气流，仅NO₂且未考虑多污染物与生物源挥发性有机化合物（Biogenic Volatile Organic Compounds, BVOCs）/O₃化学，气候变化和人口增长情景存在不确定性，未计算预测区间。未来应整合未来车队与背景、空间验证、SHAP等交互解释、CFD/LES、多污染物和气候预测。

结论翻译：本研究为伦敦金融城开发了一个邻里尺度NO₂土地利用回归框架，明确纳入城市形态（例如建筑密度和高度相关指标）以及传统土地利用和交通预测变量。使用基于ADDRESS的缓冲区优化策略，随机森林LUR模型提供了最强预测性能（调整R²=0.88），支持机器学习方法在捕捉高密度城市中心NO₂非线性和交互驱动行为方面的价值。情景测试表明，城市形态预测变量变化与城内NO₂模式相关。增加建筑密度的变化通常与更高的预测NO₂浓度相关，而增加垂直异质性和/或改善局地通风的干预与NO₂降低相关，在最敏感地点可达约7 μg m^?3。交通控制与主要道路附近以走廊为重点的预测NO₂降低相关，树冠扩展与适度但空间可变的预测NO₂变化相关，表明绿化有效性强烈取决于位置和周围形态。最后，组合情景——纳入交通管理、定向绿化和建筑形态调整——在所评估情景中与最大的总体预测NO₂降低相关，表明多杠杆策略可能比单一干预提供更大的NO₂缓解潜力，但仍需谨慎局地设计以避免特定微环境中的小型不利效应。总体而言，该工作为将形态敏感分析整合到空气质量管理与城市设计评估提供了证据基础。对于高密度城市的政策制定者和规划者，结果表明应考虑城市形态与减排措施并重，并优先在模型显示NO₂降低潜力最大的地点进行干预。