利用可解释机器学习分析城市绿地绿度、净初级生产力与水质之间的关联
《Journal of Cleaner Production》:Examining associations of urban green-space greenness and net primary productivity with water quality using interpretable machine learning
【字体:
大
中
小
】
时间:2026年10月24日
来源:Journal of Cleaner Production 10.7
编辑推荐:
摘要
城市绿地(UGS)被广泛用于支撑城市水质改善,许多城市的植被覆盖度正在变得更加郁郁葱葱。已有的城市绿地—水质研究主要聚焦于景观构成与格局配置,而城市绿地绿度与净初级生产力(NPP)同水质之间的关联仍未得到充分评估。我们分析了西安44个监测点位在丰水期与枯水期化学需氧量(
摘要
城市绿地(UGS)被广泛用于支撑城市水质改善,许多城市的植被覆盖度正在变得更加郁郁葱葱。已有的城市绿地—水质研究主要聚焦于景观构成与格局配置,而城市绿地绿度与净初级生产力(NPP)同水质之间的关联仍未得到充分评估。我们分析了西安44个监测点位在丰水期与枯水期化学需氧量(COD)、总磷(TP)、氨氮(NH3-N)和溶解氧(DO)的监测记录,并将这些观测值与多源遥感及社会经济数据相结合。通过整合冗余分析(RDA)、地理探测器以及XGBoost-PSO-SHAP-LOWESS方法,比较线性、空间分层与非线性预测关联,并识别近似转折区域。结果显示:(1)在整个监测网络中,NH3-N浓度范围为0.118至1.802 mg/L;城区较高的浓度在空间上与潜在的人为输入相一致,而水质指标在丰水期与枯水期之间存在差异;(2)XGBoost-SHAP提供了特征级别的非线性解释,与RDA和地理探测器形成互补;(3)城市绿地绿度和NPP与水质变化相关联,但气象变量和社会经济变量往往具有同等甚至更强的影响,且不同指标之间的关联方向存在差异;(4)SHAP-LOWESS曲线给出了若干绿度与NPP指标的近似转折区域,而非精确的因果阈值。这些发现支持结合季节与情境的城市绿地规划,同时强调所推断关联的探索性本质。
引言
21世纪见证了前所未有的城市化加速,这一变革性进程显著提升了居民生活水平,并催生了社会经济发展(Yu, 2021;Zhong and Chen, 2022)。然而,这种快速的城市扩张也可能加剧环境问题,包括水质恶化,这对其社会经济收益之外的人类福祉构成了严重威胁(He et al., 2021;Deng et al., 2024)。为应对这些挑战,许多国家积极探索各种治理策略。早期的干预措施主要依赖以末端污水处理厂为核心的灰色基础设施方法(Morin-Crini et al., 2022;Tang et al., 2022)。随着环境与生态意识的演进,治理范式逐步转向基于自然的解决方案(NbS),由此产生了包括最佳管理措施(BMPs)和低影响开发(LID)系统在内的综合管理框架(Zhou et al., 2024)。值得注意的是,不同修复措施之间复杂的交互机制形成了错综复杂的动态格局,使干预效果与成本—收益结果呈现出显著复杂性(Deeb et al., 2018;Quaranta et al., 2022)。这一多维挑战需要一个精密的决策框架来优化控制措施的选择与实施,这也代表了当代水治理研究与政策制定的关键前沿。
在基于自然的解决方案(NbS)中,城市绿地(UGS)因其在环境方面的多功能效益而在近几十年来获得了越来越多的科学关注。城市绿地能够通过污染物削减和营养盐调节来促进水质改善(Liu et al., 2023;Zhu et al., 2023)。此外,城市绿地在应对暴雨管理、径流削减、城市热岛缓解、大气净化和碳固存等重大城市挑战方面也显示出优势(Gascon et al., 2017;Potter et al., 2023;H. Zhou et al., 2023;Perrelet et al., 2024)。然而,城市绿地对水质的水—生态机制仍未得到充分刻画。基于景观生态学的视角,景观构成与格局配置被广泛作为与水质相关的主要城市绿地属性加以研究(Zhang et al., 2017;Liu et al., 2023)。然而,由于驱动因子选取差异以及缺乏统一的理论框架,不同研究报道的结果存在较大差异。例如,许多研究表明具有较强持水与净化能力的特定植被组合能够有效拦截并促进径流污染物的生物降解(Wu et al., 2022;Feng et al., 2023)。相反,其他研究则强调城市汇水区内绿地空间格局所产生的水文调节效应,通过改变流动路径和水力停留时间间接影响水质(Liu et al., 2023)。显而易见,城市绿地的作用复杂且依赖于具体情境,而用于量化城市绿地对水质影响的驱动因子选取也相对有限,这可能影响对观测关联的解读。此外,城市绿地的增加并不一定意味着径流和水质调控的改善(Li et al., 2021),而绿地指标与水质改善相关联的区间仍未得到充分评估。
这些看似矛盾的结果可能源于汇水区尺度、缓冲区界定、季节、前期降雨、污染源、植被类型以及绿地空间格局和水文连通性的差异。为检测复杂驱动因子对水质的影响,研究者提出了多种统计方法,它们在假设、输出和解释范围上各不相同。冗余分析(RDA)是一种线性约束排序方法,通过将响应变量方差划分为环境解释分量与残差分量的方式,量化变量在多变量系统中的解释力。RDA方法被广泛用于揭示环境因子对水质的贡献比例与效应(Wang et al., 2020;Mo et al., 2023)。然而,RDA的线性约束限制了其捕捉复杂非线性驱动—响应关系的能力,而水质的多数作用机制是非线性的(Cheng et al., 2022)。地理加权回归(GWR)可捕捉空间非平稳性,但涉及较高的计算复杂性(Chu et al., 2018;Mainali, 2020)。地理探测器可通过数据分层识别空间异质性驱动因子并量化交互作用,但结果依赖于离散化方案(Wang et al., 2010;Zhu et al., 2024)。多元线性回归方法简单直接,但受限于共线性与线性假设(Zhang et al., 2018)。此外,结构方程模型(SEM)可评估假设的路径网络,但依赖于先验理论框架(Chenini and Khmiri, 2009)。机器学习模型(如随机森林和其他基于树的方法)能够稳健地排名特征重要性,但缺乏空间可解释性。所幸,可解释的机器学习工具(如SHAP和LIME)可揭示高维非线性模式,但需要充足的数据并带来较高的解释成本(Pyo et al., 2021;Zheng et al., 2023)。这些方法有助于考察城市绿地—水质系统中固有的多尺度、非线性和动态反馈问题,最终为精准的生态管理提供理论基础。
城市水系统表现出显著的空间异质性,城市化已显著改变了城市水循环过程和水—环境动态(Wang et al., 2021, 2024)。基于过程的机理水文与水质模型(如SWMM和MIKE URBAN)能够表征城市水文过程,并以绿地比例为关键参数模拟和预测径流动态与水质(Ferrans and Temprano, 2023)。然而,这些成果并未向决策者阐明哪些类型的UGS和空间尺度对于减少水污染最为关键(Guo et al., 2025)。此外,UGS的作用涉及径流调控、内涝缓解、水质改善、碳固存增强和地表温度降低等(Wang and Fang, 2025;Zhang et al., 2025)。然而,UGS的效应并非总是正向的。已有研究证实城市绿度对降雨径流影响显著,将绿度指标叶面积指数(LAI)纳入基于物理的水文模型提高了模型精度并量化了绿度对径流的影响(Valencia et al., 2024)。关于城市空气污染的研究也表明绿地的效益是依赖情境的,这进一步加强了评估特定环境功能的必要性(Venter et al., 2024)。然而,关于城市绿度指标是否与水质以及如何与之相关联的现有认知仍十分匮乏。机理研究的缺失严重阻碍了以证据为基础的城市绿地以减少水污染的规划。
近期动态区分径流产生机制与人为影响的分布式水文模型进一步表明,需要在不同尺度上表征城市水循环过程(Wang and Fang, 2025;Wang et al., 2025;Wang et al., 2025)。动态生态网络方法同样显示,景观连通性而非单纯的绿地面积,可决定环境功能(Li et al., 2026)。为弥补这一知识缺口,本研究考察了城市绿地绿度、NPP及其他因子与水质之间的关联。本研究的主要目标是:(1)评估水质季节变化及其与潜在源区背景的空间对应关系;(2)开发一个综合方法框架,以考察城市水质的多尺度时空关联,并判定城市绿地绿度和NPP是否与较低的污染物浓度相关联;(3)探索影响水质的主要城市绿地驱动因子的近似转折区域。
章节节选
研究区
本研究考察了西安市的主要河流,包括黄河最大支流渭河,以及其一级支流泾河、沣河、涝河、滈河、滈河、滈河、滈河和滈河(图1)。与渭河一起,这八条河流构成了自西汉(约公元前141年)以来历史上所称的"八水绕长安"格局。更重要的是,
城市绿地空间分布格局
研究区内四类绿地,即附属绿地(AGS)、防护绿地(PGS)、花园绿地(GGS)和区域绿地(RGS),呈现出同心圆状空间分布格局(图3)。在城市核心区,GGS占据主导,大型综合性公园主要集中于南部和东北部片区。AGS密集分布于建成区内,绿化率明显更高,在……(原文截断)
水质时空变化及潜在解释
沿西安段渭河及其一级支流的水质参数时空变化表明,丰水期COD、TP和NH3-N的平均浓度较高(图5),这可能反映了地表径流带来的营养盐和污染物输入增加(Kali et al., 2025;Li et al., 2025)。北部农业区COD浓度持续偏高,超过22 mg/L,而中部城区……(原文截断)
结论
本研究刻画了水质季节格局及其空间背景,并整合RDA、地理探测器以及可解释的XGBoost-PSO-SHAP-LOWESS框架,考察多尺度关联与近似转折区域。结果表明:(1)城区水污染以NH3-N浓度为主要特征,在整个监测网络中NH3-N浓度范围为0.118至1.802 mg/L,而TP在农业区更为突出;(2)RDA、地理探测器和XGBoost-SHAP……(原文截断)
CRediT作者贡献声明
Yang Zhizhou:初稿撰写、软件、资源、项目管理、方法、调查、资金申请、数据管理、概念化设计。Tian Yuqi:可视化、验证、软件、形式化分析。Ma Huan:软件、数据管理。Yang Xuyang:监督、软件、数据管理。Xia Jun:审阅与编辑、方法、监督。Xie Shaohan:可视化、调查、数据管理。Dang Xueming:可视化、调查、数据管理。
利益冲突声明
作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。
致谢
本研究由国家自然科学基金(批准号42507125)、陕西省自然科学基础研究计划(编号2024JC-YBQN-0274)以及陕西省教育厅服务地方专项项目(编号23JE003)资助。
作者:Zhizhou Yang | Yuqi Tian | Huan Ma | Xuyang Yang | Jun Xia | Shaohan Xie | Xueming Dang | Yinke Yang