《Land》：Blue–Green Space Provision and Health-Related Well-Being Perception: Spatial Matching and Environmental Associations in Shanghai
编辑推荐：
在高密度城市中，蓝绿空间供给与居民健康相关福祉感知可能存在空间错配。识别这些错配对于改进土地资源配置和确定更新干预优先级具有重要意义。以上海为案例，研究人员分析了2022—2024年5840条带地理标签的微博帖子。采用ERNIE–LSTM-CNN模型构建健康相
在高密度城市中，蓝绿空间供给与居民健康相关福祉感知可能存在空间错配。识别这些错配对于改进土地资源配置和确定更新干预优先级具有重要意义。以上海为案例，研究人员分析了2022—2024年5840条带地理标签的微博帖子。采用ERNIE–LSTM-CNN模型构建健康相关福祉感知指数（Health-related Well-being Perception Index, HWPI），并整合遥感、地理信息系统（GIS）和街景数据构建蓝绿基础设施指数（Blue–Green Infrastructure Index, BGI）。将BGI与HWPI汇总至216个子区/镇进行空间匹配分类，并将所得类型在500 m网格上表达。采用XGBoost和SHAP识别关键环境因素及其非线性贡献，并借助GeoShapley框架进行空间解释。匹配类型覆盖研究区64.73%，错配类型覆盖35.27%；仅高BGI—低HWPI类型即占29.87%，并集中于中心城区周边以及浦东和上海南部部分地区。PM2.5、到绿地距离、相对湿度和地表温度是最重要预测因子。研究结果支持面向可达性、环境质量、感知效益和更新优先级的差异化蓝绿空间管理。
论文主体解读：高密度城市中蓝绿空间（blue–green space）兼具生态、游憩、体力活动和心理恢复功能，其健康福祉效益不仅取决于总量，还取决于配置、分布与可达性。既有大规模评估多依赖归一化植被指数（Normalized Difference Vegetation Index, NDVI）、土地覆盖、绿地面积和空间距离等客观指标，但客观供给未必对应居民实际感知；带地理标签社交媒体可在大尺度上连接情绪表达与地点，但既有研究多聚焦单个公园或感知识别，缺少全市尺度上蓝绿空间供给与健康相关福祉感知的空间匹配，以及环境因素非线性贡献和空间异质性分析。因此，研究人员以上海为案例，构建BGI和HWPI，识别子区/镇尺度匹配类型并在500 m网格表达，采用可解释机器学习识别关键环境因素及非线性、空间异质贡献，旨在识别高供给—低感知区域，为差异化土地管理和更新优先级提供依据。
方法上，研究使用2022—2024年上海5840条有效带地理标签微博（样本队列来源：微博签到记录），经多阶段筛选后以ERNIE–LSTM-CNN进行情感识别并构建HWPI；整合遥感、GIS、OpenStreetMap、百度街景（2025年3月通过API获取）和环境监测数据，利用Mask2Former分割街景并提取绿视率（greenness, GR）、水生率（aquatic rate, AR）、开阔度（openness, OP）、围合度（enclosure, EN），结合NDVI、绿地面积（green space area, GSA）、水域面积（water space area, WSA）、到绿地距离（distance to green space, GSD）、到水体距离（distance to water, WD）构建等权BGI；在216个子区/镇按Z分数象限划分四类匹配，再赋至500 m×500 m网格；以17个环境变量为预测因子，比较XGBoost、CatBoost、LightGBM，最终用XGBoost与SHAP分析贡献，并以GeoShapley框架进行空间解释。
3.1 情感指数空间分布：通过ERNIE–LSTM-CNN对5840条微博评分，得分范围?10到10，均值3.16；按子区/镇汇总HWPI范围?3.55到8.68，中心城区高低值交错，浦东中南部、上海西南部和崇明部分区域有较连续中高值，中心城外围及浦东西部和南部部分区域较低，崇明总体中高但有局部低值，得出HWPI存在明显空间差异。
3.2 环境因素空间格局：通过17个环境变量空间制图，PM
2.5在中心及西部较高、东部和崇明较低；地表温度（land surface temperature, LST）在连续建成和集约开发城区较高、崇明及西南南部较低；NDVI在崇明和西南南部较高、中心城区和浦东部分集约建设区较低；街景AR总体低，沿河滨水体较高；GR路网分散；EN碎片化；WSA沿黄浦江、长江口等较高；人口密度（population density, PopD）、道路网密度（road network density, RND）、夜间灯光（nighttime light, NL）在中心城区和密集建设区较高，得出气候生态因子大范围变化、街景和蓝绿指标局地变化强、土地利用强度和社会经济活性指标集中于密集开发区。
3.3 全局Moran’s I结果：通过全局Moran’s I分析，情感指数I=0.906，Z=212.672，p<0.001，呈空间集聚；PM
2.5（0.997）、GSD（0.996）、LST（0.971）、相对湿度（relative humidity, RH）（0.971）、WD（0.957）强集聚，GSA最低（0.191），AR为0.404，得出环境变量空间依赖程度不同。
3.4 BGI与HWPI空间匹配与错配：通过子区/镇Z分数象限分类并赋至500 m网格，Type I高BGI—高HWPI覆盖52.68%，Type IV高BGI—低HWPI覆盖29.87%为最大错配，Type III低—低12.05%，Type II低—高5.40%；匹配类型合计64.73%，错配合计35.27%；区级上崇明、奉贤、青浦、松江、嘉定为Type I，虹口、杨浦、宝山为Type II，静安、徐汇、黄浦、普陀、长宁、闵行为Type III，浦东新区和金山为Type IV；区内子区/镇组成显示内部异质性；Kruskal–Wallis检验显示17个变量中15个在四类间差异显著，GR和WSA不显著，得出高供给未必高感知，错配以高BGI—低HWPI为主，需区分管理。
3.5 SHAP特征重要性、热图和瀑布图分析：通过SHAP平均绝对值和样本级贡献，PM
2.5最重要（0.375），GSD（0.290）、RH（0.249）、LST（0.238）次之；PopD、NL、NDVI、WD分别为0.183、0.146、0.113、0.091；GSA最低（0.008）；热图显示高排名变量样本间贡献变化大；瀑布图示例基线3.687、预测2.942，PopD负贡献最大（?0.44），RH正贡献最大（+0.28），得出环境质量和空间可达性指标贡献更突出、简单面积型蓝绿指标贡献较小，高全局重要性变量局部贡献方向与幅度可变。
3.6 SHAP依赖图与空间贡献图联合分析：通过选取前8变量分析依赖关系和空间SHAP图，PM
2.5低浓度多负贡献后趋近零或略正再略降；RH较平缓，中湿附近近零或略正，高湿转向负；LST随温度升高由正转负，最高值略回升；NDVI向中值增加后高值下降；GSD短距离负贡献快速增加、中距离较高、远距离下降；WD中距离略正、随距离增加转负；PopD呈U形，中密度较负、高密度上移；NL低中值近零、高值转负；空间图显示PM
2.5、GSD、LST、PopD局地正负变化明显，RH和NL较平缓，得出关键环境因素与情感呈非线性关联并具空间异质性。
讨论部分总结：4.1空间分异表明匹配64.73%、错配35.27%，高BGI—低HWPI（29.87%）远高于低—高（5.40%），说明资源供给、邻近性和可见性未必转化为正感知；Liu等发现客观绿地可达性与主观感知不一致，Li等发现上海公园满意度还受边界和周边交通环境影响，Yang等发现客观绿度不直接对应感知或使用，绿地质量、空气污染和噪声影响路径；SHAP也显示PM
2.5、GSD、RH、LST最重要；跨尺度上区、子区/镇和网格显示同区多类型共存，Tian等也发现供给与需求关系随评估单元变化，细尺度可识别局部错配。4.2非线性与空间异质表明PM
2.5、GSD、RH、LST最重要，GSA、WSA和部分街景指标贡献低；PM
2.5和LST的SHAP关系随观测范围明显变化，GSD重要性远超GSA，Wang等也报告绿地与心理健康非线性；空间贡献图显示PM
2.5、LST、GSD、WD、PopD等正负局地贡献，Zhu等发现情绪及与城市功能区组合关联存在空间变化。4.3规划启示表明Type I应保护生态用地和维护质量，控制用地和生态红线防止占用破碎并维持连接；Type II应利用街角、路侧、社区残余地和滨水边缘增加口袋公园和小绿地，实施增量绿化；Type III应优先增加蓝绿用地并改善步行连接和周边环境，选址协调可达性、热环境和空气质量；Type IV应以存量更新和功能优化为主，改善步行连接、遮荫、设施、维护和周边环境，关注PM
2.5、LST、GSD；区级指标描述总体，具体干预用更细尺度。4.4局限表明HWPI主要来自2022—2024微博，用户构成受平台使用影响，不能代表全部人口，也不等同临床健康结局；多源数据时间分辨率未完全对齐，街景2025年3月获取，实际拍摄日期可能不同，季节植被、光照和遮挡带来不确定性；500 m网格和子区/镇分类可能受尺度影响，存在可塑性面积单元问题（modifiable areal unit problem, MAUP）；XGBoost和SHAP识别关联和贡献，不建立因果，需纵向调查、活动轨迹、重复暴露和因果机器学习验证。
研究结论翻译：以上海为案例，本研究考察了蓝绿空间资源供给与居民健康相关福祉感知之间的空间匹配，并进一步分析环境属性的非线性与空间异质贡献。将子区/镇尺度匹配类型表达在500 m网格上时，匹配的BGI—HWPI类型覆盖全市64.73%的网格单元，错配类型覆盖35.27%；仅高BGI—低HWPI即占29.87%，表明部分区域相对有利的蓝绿资源供给与感知福祉效益之间存在显著空间脱节。PM
2.5、GSD、RH和LST是情感的最重要预测因子，其贡献呈非线性和空间变化模式。研究结果表明，土地管理决策应综合考虑蓝绿资源供给与居民感知福祉的空间对应关系，以及资源数量、可达性和周边环境条件。不同匹配类型需要差异化管理的优先级：Type I区域应强调土地利用控制和生态保护；Type II区域应聚焦小规模和未充分利用空间的精细利用，实施增量绿化；Type III区域应结合新增蓝绿用地供给与周边环境条件改善；Type IV区域应优先推进现有蓝绿空间的更新、功能优化和环境质量提升。更广泛地，干预优先级应依据本地供给—感知条件制定，更加关注可达性、实际使用机会和现有蓝绿资源效能。将居民感知福祉纳入土地利用绩效评价，可为提升蓝绿资源配置的公平性和有效性提供更全面的依据。
