《Land》：Urban Dark Sky Environmental Evolution Identification and Associated Explanatory Factors Analysis for Dark Sky Park Development
编辑推荐：
专业摘要翻译
人工夜间照明的扩张加剧了城市暗夜环境退化的风险。识别长期演变模式及其关联的社会经济与环境因子，对于暗夜资源保护与暗夜公园规划至关重要。以武汉市为研究区，采用2013—2023年NPP-VIIRS年度夜间灯光数据，利用Theil–Sen斜率量化夜间
专业摘要翻译
人工夜间照明的扩张加剧了城市暗夜环境退化的风险。识别长期演变模式及其关联的社会经济与环境因子，对于暗夜资源保护与暗夜公园规划至关重要。以武汉市为研究区，采用2013—2023年NPP-VIIRS年度夜间灯光数据，利用Theil–Sen斜率量化夜间灯光长期变化并记为暗夜变化趋势（DSCT），同时应用Mann–Kendall检验评估趋势显著性，并将二者整合以识别暗夜环境演变（DSEE）类型。进一步构建可解释机器学习框架，结合随机森林（RF）、部分依赖图（PDPs）、累积局部效应（ALEs）、一对多（OVR）及SHAP方法，识别核心解释变量、非线性响应模式、类别特定贡献及局部解释模式，并构建面向暗夜公园规划的空间诊断分区框架。结果表明：（1）2013—2023年武汉市暗夜环境呈现明显的中心—外围分化格局，显著退化区集中于中心城区及扩张区，而高质量稳定区主要分布于外围区域，分别占研究区面积的40.43%和45.78%；改善区仅占1.65%，表明系统性恢复十分有限。（2）PM2.5浓度（PM）、人口强度（PI）、归一化植被指数（NDVI）、无云日数（CLD）和数字高程模型（DEM）被识别为核心解释变量，其中PM贡献最大，其次为NDVI和PI，而CLD和DEM主要提供补充性解释信息。（3）较高的PM和PI与暗夜退化的较高预测概率相关联，而较高的NDVI则与稳定状态及较低的退化预测概率相关联。（4）PM对退化区和稳定区的预测贡献最大，而改善区的解释贡献在多个变量之间更为分散。（5）通过整合多种演变类型与局部解释模式，识别出七类空间诊断分区，其中潜在开发区与发展限制区分别占43.28%和41.65%，构成诊断分区的主导空间结构。本研究将城市暗夜评估从单一时期的亮度表征拓展至长期演变识别与解释驱动的空间诊断，为暗夜资源管理和初步规划评估提供了可迁移框架。
论文解读
一、研究背景与意义
随着城市化进程持续推进，夜间环境正经历深刻变革。全球超过80%的人口生活在受人工光污染影响的天空之下。与主要受太阳辐射控制的日间光环境不同，夜间地表照度主要由人工光源塑造，其空间分布与人类活动和基础设施发展模式密切相关。过度且缺乏管理的人工照明加速了光污染的扩散，导致暗夜环境退化，其影响已不再局限于天空亮度的增加，还可能波及生物节律、生态系统功能和人类健康。因此，暗夜环境变化已超越传统照明工程和天文观测领域，成为涉及城市生态保护、夜间空间治理和可持续城市规划的综合性跨学科议题。
现有暗夜环境研究大致可归为四个方向：光污染监测、生态影响评估、城市活动解读和空间保护规划。然而，这些方向相对分散：空间格局研究侧重静态亮度特征，生态研究多聚焦局部过程，规划应用则需要更连续的时空信息和长期环境演变证据。尽管已有研究广泛关注光污染的空间格局和扩散过程，但将暗夜环境作为长期动态演变过程进行识别的研究仍相对有限，尤其是对多样化演变状态的综合刻画。此外，传统统计模型在捕捉环境演变过程中多源因子间普遍存在的非线性耦合关系和交互作用方面存在局限，而机器学习模型虽预测性能优异，但其内部预测过程往往缺乏可解释性。
基于上述认识，本研究将城市暗夜环境演变视为一个长期空间过程，以武汉市为研究区，利用Theil–Sen斜率量化2013—2023年夜间灯光长期变化并记为暗夜变化趋势（DSCT），结合Mann–Kendall检验评估趋势显著性，进而识别不同暗夜环境演变（DSEE）类型。在此基础上，从人类活动因子（HAFs）和自然环境因子（NEFs）两个维度构建多源解释变量框架，集成方差膨胀因子（VIF）、随机森林（RF）、部分依赖图（PDPs）、累积局部效应（ALEs）、一对多（OVR）和SHAP方法，识别核心解释变量、刻画非线性模型响应、比较类别特定预测贡献并制图局部主导解释变量。最后将演变类型与局部解释模式结合，构建面向暗夜公园规划的空间诊断分区框架。该框架将长期演变特征、可解释模型分析和空间诊断相结合，为城市暗夜环境变化提供了更全面的理解。
二、关键技术方法
研究人员采用NPP-VIIRS年度夜间灯光数据（2013—2023年，空间分辨率约500 m），以Theil–Sen斜率量化长期夜间灯光变化趋势，并结合Mann–Kendall检验评估趋势显著性，据此构建DSEE分类体系。在解释变量层面，构建涵盖人类活动因子（HAFs）和自然环境因子（NEFs）的多源解释变量系统，包括建成环境密度、功能设施分布、交通可达性、社会经济属性以及植被、地形、气候观测条件和水体分布等指标。通过VIF共线性诊断和基于RF的递归特征筛选识别核心解释变量，并采用PDP和ALE分析非线性响应关系。进一步采用OVR策略构建类别特定RF模型，比较核心变量对不同演变类型的相对贡献，并引入SHAP方法在像元尺度解释模型预测，识别局部主导解释变量。最终通过空间叠加分析构建空间诊断分区框架。所有变量统一栅格化为500 m×500 m空间单元。
三、研究结果
3.1 暗夜环境演变趋势
基于Theil–Sen趋势估计和Mann–Kendall显著性检验，结合DSEE动态分类体系，研究人员获得了武汉市暗夜环境演变类型的空间分布。结果显示，暗夜环境演变类型呈现明显的中心—外围分化格局。暗夜退化区主要集中于中心城区，形成连续空间簇，中心城区及周边郊区是夜间灯光增强和暗夜退化的主要区域。此外，北部、东北部、西部和南部存在线性扩展的退化带，反映了城市扩张对暗夜环境状况的持续影响。高质量暗夜稳定区主要分布于城市北部、东北部、西南部和南部外围区域，形成大规模片状空间。统计结果表明，高质量暗夜稳定区占比最大，达45.78%，共包含15709个像元；显著退化区占40.43%；轻度退化区占7.04%；一般稳定区占5.10%；两类改善区合计仅占1.65%。敏感性分析显示，在平均夜间灯光阈值0.5—0.7 nW·cm?2·sr?1范围内，分类总体一致性达99.89%和99.93%，表明分类结果具有较高稳定性。
3.2 核心解释变量识别
在变量共线性筛选中，经过三轮迭代，建筑密度（BD）和休闲设施密度（RecD）被依次移除，最终保留的21个变量的VIF值均小于3，表明变量间不存在显著多重共线性。基于RF的递归特征筛选结果显示，随着低重要性变量的逐步移除，模型的袋外（OOB）误差总体趋于下降。当变量数减少至5个时，模型达到最优性能，OOB误差降至0.0833，OOB精度提升至91.67%。最终保留的核心变量包括来自HAFs的人口强度（PI）和PM2.5浓度（PM），以及来自NEFs的归一化植被指数（NDVI）、数字高程模型（DEM）和无云日数（CLD）。空间分块交叉验证显示，整体精度为83.96%—87.39%，退化类和稳定类保持相对一致的判别性能，而改善类空间泛化能力较弱。
3.3 核心解释变量的非线性响应
RF变量重要性结果显示，PM的重要性最大，达0.376，其次为NDVI（0.200）和PI（0.192），三者合计重要性达0.768，构成模型的主要解释框架。PDP和ALE结果进一步揭示了核心变量在暗夜退化、稳定和改善类型间的非线性响应特征。PM表现出最明显的非线性分化：退化类型的预测概率随PM升高而大幅增加，稳定类型则呈相反方向下降，ALE响应在约50.24 μg·m?3处由负转正，构成模型推导的转变点。PI呈现类似但更单调的分化模式，ALE结果在约295—305的人口强度区间识别出方向转变。NDVI的响应特征与PM和PI相反：随NDVI升高，稳定类型预测概率逐渐增加，退化类型总体下降，ALE响应在约0.69—0.70区间发生方向转变。CLD和DEM的响应相对较弱，主要起背景调节和补充解释作用。
3.4 核心变量的空间异质性
OVR分类结果显示，退化模型和稳定模型具有高度相似的变量重要性结构，PM对两者的贡献均最大（重要性分别为0.543和0.545），NDVI和PI位列第二和第三。相比之下，改善模型的变量重要性结构更为均衡，PI重要性最高（0.263），其次为NDVI（0.239）和PM（0.238），CLD和DEM的贡献也相对提升。SHAP分析显示，PM具有最高的平均绝对SHAP值（0.299），其次为NDVI（0.102）和PI（0.099）。局部主导解释变量识别结果显示，PM在研究区大部分区域被识别为主导解释变量，在退化区和稳定区的占比分别达83.39%和82.77%。PI主导区域主要分布于武汉中心高密度开发区周边，其在改善区的占比从退化区的4.35%和稳定区的9.92%增至30.21%。NDVI主导像元集中于生态背景条件较好的外围区域，在改善区的占比达18.90%。CLD和DEM的主导范围相对有限，呈零星斑块分布。
3.5 空间诊断分区结果
基于DSEE类型与局部主导解释变量的叠加分析，研究人员识别出七类空间诊断分区。其中，潜在开发区与发展限制区占比最大，分别占研究区面积的43.28%和41.65%，两者合计覆盖率达84.93%。潜在开发区与高质量暗夜稳定区高度空间一致，主要分布于武汉北部、东北部、西南部和南部外围区域。发展限制区主要集中于中心城区及向北、东北方向延伸的高强度夜间灯光扩展走廊。其余五类分区包括：优先保护区，代表具有较高暗夜资源质量、应优先纳入暗夜保护与生态管理体系的区域；风险监测区，对应HAF相关变量呈较强局部解释贡献的稳定区域，虽无明确长期退化趋势但需持续监测；恢复提升区，代表已呈现改善趋势的受干扰城市空间，应聚焦照明优化和趋势巩固；机制验证区，表示模型解释模式不足以支撑稳健判断、需通过实地观测进一步验证的区域；潜在培育区，代表具有额外生态或环境支撑但空间范围有限的稳定暗夜空间。
四、讨论与结论
讨论部分指出，武汉市暗夜环境演变并非单向的整体退化过程，而是在显著退化区与高质量稳定区之间呈现强烈空间分化。核心变量筛选结果表明，PM、PI和NDVI构成解释DSEE的主要变量组合，其贡献表明暗夜环境空间分化与人为活动、大气条件和生态背景特征相关联，而非单一建成环境指标所能解释。值得注意的是，PM的高预测贡献不应被解释为颗粒物浓度直接导致夜间灯光变化，PM可能同时反映工业生产、交通排放、城市发展强度和大气散射条件等多个空间耦合过程。PDP和ALE结果进一步表明核心变量与DSEE之间的关系是非线性的，包含可识别的转变区间，为空间管理提供了更有区分度的依据。空间诊断分区的目标是将DSEE与局部解释贡献相结合，使暗夜公园规划不再仅基于单期低亮度条件，而是同时考虑暗夜资源的长期稳定性及其关联的局部压力模式。
研究结论表明，本研究将城市暗夜评估从单一时期的亮度表征拓展至长期演变识别与解释驱动的空间诊断，为暗夜资源管理和初步规划评估提供了可迁移框架。研究同时指出若干局限：VIIRS夜间灯光数据约500 m的空间分辨率难以捕捉社区或街道等更精细尺度上的照明设施和局部光源特征差异；解释变量在时间覆盖上不完全统一；空间分块交叉验证表明改善类别的空间泛化能力较弱，相关解释应谨慎对待。未来研究可进一步纳入时间匹配的社会经济和建成环境数据集、地面天空质量测量、更高分辨率的多源夜间灯光观测以及更多暗夜改善区样本，以深化对DSEE关联解释关系的时空过程与空间可迁移性的认识。
