城市形态与街道尺度 PM2.5 和 PM10 浓度的非线性关联、模型支持的变点及季节性变化

《Atmospheric Pollution Research》：Non-linear associations, model-supported change points, and seasonal variations of urban morphology with street-scale PM 2.5 and PM 10 concentrations

　　空间留出验证的平均R2值分别为0.822和0.791。BCR变化点在支持案例中范围为0.170至0.203。秋季PM10在0.431处显示SVI变化点，斜率为正。100米缓冲区使所有八个指标的绝对相关性最大化。季节性敏感性在围合度、通风和植被之间切换。引言受全球城市化快速推进的驱动，高密度城市发展模式与日益严重的空气质量问题相互交织，已成为制约城市可持续发展和居民生活品质的关键瓶颈（Cohen等，2017；UN-Habitat，2022）。作为城市交通网络的主要动脉和居民日常通勤的高频空间，城市街道微环境中的空气质量直接决定了公众呼吸健康暴露水平。在各种空气污染物中，细颗粒物（PM2.5）和可吸入颗粒物（PM10）已成为环境科学和城市规划领域共同关注的焦点，主要因其能够深入人体呼吸系统并诱发多种心血管和呼吸系统疾病（Pope & Dockery，2006；Xing等，2016）。大气颗粒物在城市街道微环境中的扩散是一个受多种因素控制的复杂多阶段物理化学过程，它不仅依赖于移动源的排放强度，还受到城市形态和气象条件的协同调节（Oke等，2017；Wang等，2020；Wang，Zhang等，2025）。PM10包含PM2.5，两者测量的质量分数具有相同来源和重叠的空气动力学行为。然而，空气动力学直径的差异可能改变悬浮、沉积和再悬浮的相对概率：较细颗粒通常悬浮时间更长，而PM10中的粗颗粒部分更容易沉降；然而，湍流和局地气流对两种组分均有影响（Seinfeld & Pandis，2016）。因此，深入分析高密度城市建成环境中PM2.5和PM10的时空分布格局（Hong等，2021）及其与城市形态的非线性关联，对于制定精细化的大气颗粒物污染控制策略具有深远的科学意义（Xue等，2025）。在微观尺度上，城市形态结构（包括建筑密度、街道朝向、建筑高度和植被覆盖率等要素）在塑造局地风场中起决定性作用，从而系统性地调节大气颗粒物的积累、输送和清除过程（Shi等，2016；Yuan等，2014）。现有研究表明，高密度建筑群常在街道层面产生特定气流环境。例如，在建筑覆盖率（BCR）高的区域，密集的城市开发与复杂微环境气流的耦合会显著改变大气颗粒物的扩散路径，从而加剧其局地滞留（Yuan等，2014）。随着建筑邻近性和空间围合指数（SEI）的增加，气流扰动效应进一步增强，这不仅可能导致大气颗粒物被困于建筑群的封闭空间内，还可能引发近地面强烈的街谷涡旋（Di Sabatino等，2007；Ramponi & Blocken，2012）。这种涡旋效应具有双重性质。一方面，它阻碍PM10的水平清除。另一方面，它诱导沉积道路粉尘的再悬浮，从而导致PM10浓度的局地性和反复性升高（Amato等，2009）。此外，建筑孔隙率和高度变化（Hchange）通过改变局地风速和产生湍流涡旋，进一步重塑大气颗粒物的空间分布格局（Edussuriya等，2011；Miao等，2020）。同时，城市绿化（特别是高大冠层树木）作为生物干预手段可改善微气候。尽管植物叶片可通过截留和气流调节机制降低颗粒物浓度（Janh?ll，2015），但在已限制扩散的高密度城市形态下，不恰当的植被配置可能反而阻碍大气颗粒物的水平扩散通量（Abhijith等，2017）。尽管城市形态对大气颗粒物浓度的影响已引起广泛关注，但其复杂非线性关系的定量模拟仍是巨大挑战。目前，PM2.5浓度时空分布格局的建模方法大致分为两类：确定性模型和经验模型（Jerrett等，2005）。在确定性模型领域，WRF-Chem和CMAQ等广泛使用的系统主导着区域尺度PM2.5模拟。然而，它们在精细刻画社区微尺度PM2.5浓度方面存在固有局限性，难以捕捉街道层面的复杂流场特征（Grell等，2005；Lateb等，2016）。关于经验模型，虽然传统多元线性回归具有简洁直观的优点，但其固有的线性假设往往限制预测效能和解释深度，因为城市形态、气象因素和大气颗粒物浓度之间存在高度非线性耦合关系（Hoek等，2008）。相比之下，机器学习算法在高维特征空间和非线性建模方面表现出卓越能力，从而能够更精确地阐明变量间的复杂非线性关联（Brokamp等，2017；Wang等，2026）。Z. Chen等（2018）的研究证实，机器学习算法（如LightGBM和随机森林）与多源数据融合相结合，能有效提高PM2.5浓度时空分布的预测精度（He & Huang，2018；Wang，Fan等，2025）。最近的预测研究进一步表明，神经网络、小波、提升和可解释学习方法能够捕捉中国城市的非线性时间模式，前提是验证和预测变量解释被明确报告（Guo等，2020，2023b，2023c；He & Guo，2024；He等，2022，2025，2026）。此外，现有研究主要集中于单一时间段或单一污染物类型，缺乏对季节性差异以及不同粒径污染物协同和发散机制的系统探索（Peng等，2016）。本研究采用移动断面监测系统采集街道微环境中高分辨率的PM2.5和PM10浓度。随后，通过整合OpenStreetMap（OSM）的建筑数据、街道视图语义分割影像和多光谱遥感数据，构建了一个包含城市形态（如建筑覆盖率（BCR）、建筑高度变化（Hchange））、街道景观特征（如天空开阔度指数（SVI）、绿色视野指数（GVI））和多维植被指数（如归一化差异植被指数（NDVI）、超绿指数（EXG））的综合指标体系（Apte等，2017）。在此基础上，集成机器学习算法（特别是LightGBM和XGBoost）开发非线性回归模型，并辅以空间留出验证和不确定性分析，旨在解决以下核心科学问题：第一，在复杂的城市街道微环境中，城市形态指标如何与PM2.5和PM10浓度的空间分布呈现非线性关联？第二，季节条件如何调节城市形态与PM2.5和PM10浓度之间的关联？第三，当响应同一组城市空间要素时，PM2.5和PM10浓度表现出何种协同模式和结构差异？章节片段大气颗粒物的扩散机制大气颗粒物的扩散是一个复杂的多阶段物理化学过程，由排放源、城市形态和气象条件协同调控。尽管PM2.5和PM10的来源重叠且均主要沿道路轴线水平扩散，但由于颗粒尺寸和质量的显著差异，其相对输送倾向可能不同（如图1所示）。该图直观地展示了差异化研究区域如图3所示，选取中国山东省济南市中心城区作为核心研究区。作为山东省的政治、经济、文化和交通枢纽，该区域凭借其独特的自然地理和人文发展特征，成为解读高密度城市道路微环境中大气污染物扩散机制的代表性案例。地理上，研究区位于季节性机器学习模型的性能比较本研究对线性回归、弹性网、支持向量回归（SVR）、决策树、随机森林、多层感知器（MLPRegressor）以及梯度提升算法（LightGBM、XGBoost）进行了系统的超参数优化，旨在探索不同机器学习模型在应对高维特征空间时归纳偏置的差异。如表4所示，实验结果表明这些模型表现出结论本研究利用移动断面监测系统获取了高时空分辨率的PM2.5和PM10浓度。通过整合OpenStreetMap的建筑矢量和城市街道视图语义分割数据，构建了城市形态指标体系。随后采用机器学习模型表征城市形态对PM2.5和PM10的非线性关联、模型支持的变化点以及季节性差异模式。CRediT作者贡献声明Zhihai Fan：写作——审阅与编辑，调查。Haibo Wang：正式分析，数据管理。Jiayou Wu：监督，方法学。Yiheng Hu：写作——初稿，方法学。Xianfang Li：调查，数据管理。Xiaoxia Wang：监督，方法学，概念化。未引用参考文献Chen等，2018；Qin等，2020；联合国人类住区规划署，2022；Wang等，2025；Wang等，2025。参与同意不适用。出版同意不适用。遵守伦理标准不适用。数据可用性数据将应要求提供。利益冲突声明? 作者声明，不存在任何已知的竞争经济利益或个人关系影响本文报告的工作。致谢本研究由长安大学道路交通运输脱碳工程研究中心资助。此外，受中央高校基本科研业务费（CHD，资助号：300102344501-2-1）和国家自然科学基金（资助号：42571352）资助。Xiaoxia Wang|Yiheng Hu|Xianfang Li|Zhihai Fan|Haibo Wang|Jiayou Wu