量化城市形态在PM2.5与碳排放耦合协调中的作用：来自中国336个城市的证据

《Sustainability》：Quantifying the Role of Urban Form in the Coupling Coordination of PM2.5 and Carbon Emissions: Evidence from 336 Cities in China

　　

城市形态深刻影响碳排放与空气污染协调管理的有效性，对城市可持续发展具有重要意义。本研究以336个中国城市为研究样本，使用2000年至2020年的碳排放、PM_2.5和夜间灯光数据集，探讨城市形态对城市碳排放与PM_2.5协调程度的贡献。研究人员构建了一个多维度城市形态指标体系，并采用耦合协调度（CCD）模型量化这两个变量的协调发展。利用堆叠集成学习模型建立了一个新的分析框架，结合SHAP方法，该框架提供了各种城市形态因子与CCD的非线性关联。结果如下：(1) 堆叠集成模型在捕捉高维非线性关系方面表现最佳，测试集R²、RMSE和RPD值分别为0.75、0.082和1.98。(2) 城市形态对碳-污染协调度表现出非线性阈值效应。对模型输出贡献最大的预测变量为类面积（CA）、景观形状指数（LSI）、相似邻接百分比（PLADJ）和斑块数量（NP）。其中，CA呈现单调递增渐近饱和响应，而LSI呈现倒U型响应。(3) 城市形态对CCD的贡献表现出显著的空间异质性。中国东部发达地区构成CCD的高敏感区，主要受规模扩张、土地破碎化和过度集聚的制约，而中西部地区则呈现CCD的低敏感区。这些结果为设计污染控制和碳减排策略提供了科学参考。

**论文解读：量化城市形态在PM_2.5与碳排放耦合协调中的作用——来自中国336个城市的证据**

**研究背景与问题**
随着全球气候变化加剧和区域空气污染持续频发，协同推进温室气体减排与空气质量改善已成为国际共识。城市作为人类社会经济活动的主要载体，其空间结构与形态布局深刻影响能源利用效率与环境污染物扩散条件。过去二十年，中国城市建成区持续扩张，城市形态发生显著变化，进而影响城市碳排放与区域空气质量。理论上，优化城市空间形态（如合理控制开发强度、改善路网结构、优化绿地布局）可有效降低建筑运行和交通等领域的能源需求，同时改善城市通风廊道、促进污染物扩散，产生污染减排与碳控制的“协同效应”。然而，现有研究多从单一视角单独考察空间形态对碳排放或PM_2.5的影响，对二者耦合协调关系的认识尚不清晰；且传统线性模型难以处理复杂的非线性关系与多重交互效应，缺乏对非线性阈值效应和空间异质性的深入探索。因此，量化城市形态对PM_2.5与碳排放耦合协调度（CCD）的贡献，对于实现污染减排与碳控制的协同效益、制定低碳城市规划策略具有重要科学意义。

**研究内容与结论**
本研究以中国336个城市为研究样本，利用2000—2020年夜间灯光、PM_2.5和碳排放数据，构建涵盖城市扩张、破碎度、形状复杂度和紧凑度四个维度的城市形态指标体系，采用耦合协调度（CCD）模型量化碳-污染协调压力水平，并集成堆叠集成学习模型与SHAP解释框架，揭示城市形态对CCD的非线性关联与空间异质性。主要结论包括：(1) 堆叠集成模型在捕捉高维非线性关系上表现最佳，测试集R²为0.75，优于单一基模型；(2) 城市形态对CCD存在非线性阈值效应，关键预测变量为类面积（CA）、景观形状指数（LSI）、相似邻接百分比（PLADJ）和斑块数量（NP），其中CA呈单调递增渐近饱和响应，LSI呈倒U型响应，PLADJ存在阈值效应，NP呈S型饱和增长；(3) 城市形态对CCD的贡献具有显著空间异质性，东部发达地区为高敏感区，受规模扩张、土地破碎化和过度集聚约束，中西部地区为低敏感区。该研究发表在《Sustainability》期刊，为不同发展阶段城市的污染控制与碳减排协同治理提供了定量化科学参考。

**主要关键技术方法**
研究采用的关键技术方法包括：(1) 数据来源：使用2000—2020年DMSP/OLS夜间灯光数据、PM_2.5浓度数据、建成区边界数据及人为碳排放数据，样本队列为336个中国城市（覆盖31个省份）。(2) 城市形态指标：基于建成区斑块空间属性计算类面积（CA）、最大斑块指数（LPI）、分裂指数（SPLIT）、边缘密度（ED）、景观形状指数（LSI）、斑块结合度（COHESION）和聚集指数（AI）等，涵盖规模、破碎度、形状复杂度和紧凑度四个维度。(3) 模型构建：采用堆叠集成学习框架，以随机森林（RF）、LightGBM、支持向量回归（SVR）和XGBoost为基学习器，RidgeCV为元学习器，通过五折交叉验证和网格搜索优化超参数；结合SHAP方法进行非线性关联与阈值效应分析。(4) 精度评估：使用决定系数（R²）、均方根误差（RMSE）和残差预测偏差（RPD）评估模型性能。

**研究结果**

**5.1 PM_2.5与碳排放耦合协调度（CCD）的时空演变特征**
通过分析2000—2020年336个城市PM_2.5浓度、碳排放及CCD的时空分布，发现：PM_2.5浓度呈先升后降趋势，2010年达峰值后于2020年显著改善；碳排放总量持续增长，高值区从东部沿海向内陆梯度扩散；CCD呈现“中东部高于北部和南部”的空间格局，高CCD区域（高碳高污染）主要集中在京津冀、长三角、山东、河南等地，且2010—2020年高CCD城市数量逐渐减少，部分中西部城市CCD仍处于较低水平。

**5.2 模型性能分析**
基于时间阻断法将数据分为训练集（2000—2010年）和测试集（2011—2020年），比较RF、LightGBM、SVR、XGBoost和堆叠集成模型的预测性能。结果表明：堆叠集成模型表现最佳，测试集R²为0.75，RMSE为0.082，RPD为1.98，显著优于其他四个基模型（R²提升33%—72%），证明堆叠集成能有效降低单一模型偏差和方差，更全面捕捉高维城市形态指标对CCD的贡献。

**5.3 城市形态对碳-污染协调度的贡献**

**5.3.1 全局重要性分析**
基于堆叠模型的SHAP分析，计算各城市形态指标的平均绝对SHAP值。结果显示：CA的贡献最大，高值对应正SHAP值，表明适度规模扩张可提升CCD；LSI和PLADJ位列第二梯队，高LSI值对应正贡献，表明适度的形态复杂性有利于识别高CCD区域；NP、ED、PD、COHESION具有中等贡献，其中NP的正向SHAP值表明适度增加斑块数量与CCD正相关，COHESION高值对应负贡献，说明强斑块连通性有利于协同治理；AI、ENN_MN、PARA_MN、SPLIT、LPI的贡献较弱。因此，城市扩张规模、空间破碎度、斑块连通性和斑块数量是影响CCD的核心维度。

**5.3.2 非线性响应与阈值效应**
通过SHAP依赖图分析四个主要指标的非线性关联：CA呈现单调递增渐近饱和响应，在标准化值0.05—0.2区间SHAP值快速上升，超过0.2后边际效应减弱；LSI呈倒U型响应，在0.25—0.4区间SHAP值达峰值，超过0.7后转为负值，说明过度形态复杂性和无序蔓延会抑制CCD提升；PLADJ存在阈值效应，低于0.6时SHAP值低且平缓，超过0.7后显著增加，表明建成区斑块连通性和集聚度超过阈值后对CCD贡献显著；NP呈S型增长趋近饱和，低于0.2时稳定在负值，0.2—0.5区间快速上升并转为正值，超过0.5后增速放缓。

**5.3.3 空间异质性**
绘制四个主要指标（CA、LSI、PLADJ、NP）的局部SHAP贡献空间分布图：CA的高贡献区集中在东部沿海和部分省会城市，西北地区贡献接近零或为负；LSI高贡献区出现在京津冀、长三角、珠三角和成渝城市群，表明高度破碎化和不规则形态加剧CCD；PLADJ呈现东高西低格局，东部建成区紧密邻接，西部散乱；NP高贡献区分布在长三角、鲁南、华北平原和成渝城市群，体现空间破碎化对CCD的正向贡献。总体而言，东部城市为CCD高敏感区，受规模扩张、土地破碎化和过度集聚共同作用；中部城市为过渡区，CA和LSI主导；西北和北方城市为低敏感区，形态指标影响有限。

**讨论与结论**
讨论部分指出：堆叠集成模型通过两层学习机制自适应调节各基学习器权重，显著提升预测精度，验证了集成学习在捕捉非线性交互中的有效性；城市形态对CCD的贡献具有显著非线性与因子异质性，CA、LSI、PLADJ、NP的关键阈值效应为协同治理提供了定量依据；空间异质性反映了不同城市化阶段的空间结构、产业布局和能源消费模式的综合影响，东部地区需关注LSI超过0.4、NP超过0.5时的边际效益递减，中西部地区应合理利用CA的上升期正贡献，且PLADJ提升至0.7以上可稳定增强模型正输出。

**研究结论**（翻译自论文第7章）：
本研究探讨了2000—2020年336个中国城市中城市形态对耦合协调度（CCD）的贡献。通过整合夜间灯光数据、PM_2.5数据和多源地理空间数据，构建了随机森林（RF）、LightGBM、支持向量回归（SVR）、XGBoost和堆叠集成学习等机器学习模型，以揭示城市形态指标对碳-污染协调度的非线性关联与空间异质性。主要结论如下：(1) 2000—2020年，中国城市碳-污染协调度的总体水平呈现“东高西低、中高边低”的空间梯度格局。时空演变轨迹表明，高CCD区域主要集中在华东和华中地区，呈现高碳排放与高污染耦合特征。然而，高CCD城市数量在2010—2020年期间呈逐渐下降趋势。与此同时，部分中西部城市仍受粗放扩张模式制约，其CCD水平相对较低。(2) 堆叠集成学习模型在分析城市形态如何影响碳-污染协调度方面表现出优异性能，显著优于单一基模型。通过元学习器有效整合RF、LightGBM、SVR和XGBoost，堆叠模型不仅克服了单一算法处理高维非线性数据时的过拟合或欠拟合问题，还大幅提升了模型泛化能力和预测精度。其R²值达到0.75，分别比RF、LightGBM、SVR和XGBoost高出33.71%、52.98%、71.69%和33.02%。这一结果证实了集成学习策略在捕捉城市系统中多重非线性交互和空间非平稳性方面的有效性。(3) SHAP解释框架分析表明，城市形态对碳-污染协调度的贡献具有显著的非线性阈值特征和因子异质性。按重要性排序的关键变量为类面积（CA）、景观形状指数（LSI）、相似邻接百分比（PLADJ）和斑块数量（NP）。CA呈现单调递增渐近饱和响应，NP呈现S型饱和增长模式，表明适度的规模扩张和斑块分化可对CCD产生正向贡献。LSI呈现典型的倒U型响应，适度的形态复杂性有利于通风和集约用地，而过度的破碎化和边界曲折会提高协同压力水平。PLADJ呈阈值效应，斑块邻接性和紧凑度是识别CCD的关键正向指标。因此，城市空间结构、空间紧凑度和破碎度是识别空气污染与碳排放协调度关键控制区域的核心空间指标。本研究识别了城市形态对碳-污染物耦合关系的非线性阈值效应以及全国尺度上形态影响的空间异质性，进一步厘清了同一城市形态指标在不同时期对污染与碳协调度的差异化作用，并按区域、指标和阈值制定了差异化的城市形态优化策略，可为不同发展阶段城市的碳与污染物协同治理提供定量支持。