《Land》：Mapping High-Altitude Socio-Ecological Assets: Carbon Storage and Habitat Provision Dynamics in the Páramo of Cajas National Park, Ecuador
编辑推荐：
城市绿地（UGS）服务不匹配是建成区更新中亟待解决的关键公共空间问题。现有研究大多从绿地供给或可达性的角度评估UGS服务水平，但对人口需求、UGS供给与UGS可达性之间的不匹配，以及不同不匹配类型相关的建成环境背景关注不足。本研究以沈阳市中心城区为案例，构建了
城市绿地（UGS）服务不匹配是建成区更新中亟待解决的关键公共空间问题。现有研究大多从绿地供给或可达性的角度评估UGS服务水平，但对人口需求、UGS供给与UGS可达性之间的不匹配，以及不同不匹配类型相关的建成环境背景关注不足。本研究以沈阳市中心城区为案例，构建了UGS服务不匹配类型学，并结合非UGS建成环境指标、XGBoost和SHAP，识别了不同不匹配类型的空间特征及基于模型的非线性关联。结果表明：（1）沈阳市中心城区的UGS服务问题可分为五种类型。优先改善区、潜在激活区和资源丰富区合计占研究区域的56.05%，表明需求、资源和可达性之间的不匹配具有较高的空间覆盖率。（2）不同的不匹配类型对应于差异化的建成环境特征。优先改善区与服务短缺、功能集聚度弱、开发强度低和公共交通支撑不足同时出现。潜在激活区具有相对良好的功能和交通基础，但其UGS服务转化仍不充分。（3）SHAP结果显示，公共交通邻近度、功能集聚度和建筑形态是与基于模型的类型区分相关的关键指标。平均建筑层数和POI密度对优先改善区的贡献在超过其断点后下降，表明在该模型内，该类型更可能出现在开发强度和功能集聚度不足的区域。通过整合需求-供给-可达性关系、UGS服务不匹配类型学和建成环境特征，本研究为建成区UGS服务诊断提供了一个更具空间针对性的分析框架，并支持从均质化绿地供给向类型特定服务优化的转变。
城市绿地（Urban Green Space, UGS）是城市生态系统和公共空间系统的重要组成部分，具有生态调节、休闲游憩、社会交往和健康促进等多重功能。在健康城市、韧性城市和可持续发展背景下，UGS已从单纯的生态用地或景观问题，转变为公共服务供给、环境正义和城市更新的重要议题。在高密度建成区，绿地资源往往受已有土地利用、路网和开发强度的制约，居民能否便捷地获取绿地服务，比绿地总量更能反映实际绩效。然而，现有研究多从供给总量或可达性单维度切入，较少将人口需求、UGS供给和UGS可达性三者纳入统一框架，更缺乏对不同不匹配类型所嵌入的建成环境背景的刻画。因此，本研究以沈阳市三环内连续建成区为案例，构建了UGS服务不匹配类型学，并结合非UGS建成环境指标、极端梯度提升（eXtreme Gradient Boosting, XGBoost）和Shapley加性解释（SHapley Additive exPlanations, SHAP），识别不同不匹配类型的空间特征及非线性关联，旨在为建成区UGS服务诊断和更新提供空间差异化依据。该研究发表于《Land》。
研究人员采用多源空间数据和可解释机器学习方法。数据来源包括：OpenStreetMap路网、百度地图开放平台公园AOI（Area of Interest）、安居客住宅小区挂牌户数（结合2020年第七次全国人口普查沈阳市平均每户2.18人估算人口需求）、高德开放平台建筑、兴趣点（Point of Interest, POI）和公共交通站点数据。方法上，首先利用高斯两步移动搜索法（Gaussian-based Two-Step Floating Catchment Area, G2SFCA）计算步行可达性（步行速度80 m/min，最大通行时间30 min），并将人口需求、UGS供给和可达性聚合到500 m网格（共1927个网格单元）。随后采用三分位分位数分类将各指标划分为低、中、高三级，通过叠加分析划分UGS服务不匹配类型。在此基础上，构建包括建筑形态、路网、功能环境和公共交通四个维度共11项非UGS建成环境指标，使用Kruskal-Wallis检验比较类型间差异，并以XGBoost分类器结合SHAP方法解析指标对类型区分的非线性贡献。
研究结果分为三部分。第一，UGS服务不匹配的空间格局。人口需求、UGS供给和可达性的高值区在空间上不完全重叠。叠加分析识别出五种不匹配类型：优先改善区（Priority Improvement Area, PIA）、潜在激活区（Potential Activation Area, PAA）、服务匹配区（Well-served Area, WSA）、资源丰富区（Resource-rich Area, RRA）和低需求背景区（Low-demand Background Area, LBA）。其中PIA、PAA和RRA合计占研究区域的56.05%，表明需求、供给和可达性之间的不匹配在沈阳市中心城区广泛存在，而非局限于局部服务短缺区域。PAA占比最大（32.07%），说明该区域的主要问题并非资源缺失，而是既有需求或资源条件下服务转化不充分。第二，不匹配类型间的建成环境分化。Kruskal-Wallis检验显示所有11项建成环境指标在五种类型间差异显著，POI密度、POI多样性、距地铁站距离（DMS）、平均建筑层数（MF）和距公交站距离（DBS）是主要区分维度。PAA和WSA通常具有较高的功能集聚度、开发强度和公共交通邻近性；PIA和LBA则呈现弱功能集聚、低开发强度和较差的交通邻近性；RRA的资源条件较好，但周边功能集聚和开发强度有限。第三，建成环境指标的非线性关联。XGBoost-SHAP结果显示，DMS和POI密度的整体SHAP重要性最高，其次为DBS、MF和POI多样性。SHAP依赖图识别出多个统计断点：MF和POI密度对PIA的贡献在超过断点（分别为6.86层和348）后显著下降，表明PIA更可能出现在开发强度和功能集聚不足的区域；POI密度对PAA的贡献在约168处出现断点并在高值区间保持正向，说明较高功能集聚度与PAA识别正相关；DMS对PAA和WSA的贡献在超过约2700 m和2600 m后减弱或转为负向，表明地铁邻近度对服务匹配有重要作用；POI密度对LBA的贡献在600处快速转为负向，进一步区分了低需求背景与服务短缺区域。
讨论部分强调，仅靠可达性评估无法区分服务短缺、服务激活潜力和低需求背景等不同不匹配性质。类型学诊断能够更精细地识别规划问题，并针对不同类型提出差异化策略：PIA应优先解决日常服务短缺，可通过口袋公园、步行路线修补和入口改善等措施；PAA应重点提升现有绿地的服务转化效率，如优化公园入口布局、跨街可达性和步行连续性；RRA应加强绿地资源与周边需求和功能活动的嵌入，改善步行连接和公共活动功能；WSA应维持现有服务条件；LBA则需谨慎投资，可考虑弹性预留和低强度维护。研究还指出局限性，包括UGS数据主要来自公园AOI、人口需求为估算值、可达性仅考虑步行网络、XGBoost模型验证性能中等（验证准确率0.500±0.011），SHAP结果应视为探索性关联而非因果效应。
研究结论部分翻译如下：本研究以沈阳三环内地区为案例，基于人口需求、UGS供给和G2SFCA可达性构建了UGS服务不匹配类型学，并结合非UGS建成环境指标、XGBoost和SHAP分析了不同不匹配类型的空间差异和非线性关联。结果表明：（1）研究区识别出五种UGS服务不匹配类型，PIA、PAA和RRA合计表明需求、供给和可达性的不匹配在沈阳市中心城区广泛存在，其中PAA反映了既有需求或供给条件下服务转化不充分，
