《Ecosystem Services》：Perceived or physical features: Which better predicts cultural ecosystem benefits in urban green spaces?
编辑推荐：
•感知特征能更准确预测文化生态系统效益；将两者结合使用则最为精准。•结合SHAP值的XGBoost模型可捕捉非线性的城市绿地特征与文化生态系统效益之间的关系。•更高阶的社会效益更多依赖于非环境因素。•主要的感知维度包括：多样性、自然性、开放性、庇护性、宁静性以及社交性。•研究结果
- •
感知特征能更准确预测文化生态系统效益；将两者结合使用则最为精准。
- •
结合SHAP值的XGBoost模型可捕捉非线性的城市绿地特征与文化生态系统效益之间的关系。
- •
更高阶的社会效益更多依赖于非环境因素。
- •
主要的感知维度包括：多样性、自然性、开放性、庇护性、宁静性以及社交性。
- •
研究结果为资源有限的城市中的基于证据的设计提供了支撑。
引言
城市绿地是城市中提供文化生态系统服务的重要载体，能够带来文化生态系统效益——即人类福祉方面的非物质贡献，这些贡献包括身份认同、体验感受以及能力提升，它们源于人与自然环境之间的互动关系（Church等人，2014；Fish等人，2016）。由于这类效益是通过日常互动共同产生的，而非由环境被动提供，因此很难对其进行评估，也难以将其转化为规划与管理决策的依据（Dickinson和Hobbs，2017）。在发展中国家那些人口密集、发展迅速的城市中，这一问题更为突出，因为财政限制和土地竞争使得新建绿地的难度加大，现有绿地也面临被改造的风险（Jia等人，2024）。在这种情况下，核心问题不再是如何扩大绿地面积，而是如何合理利用现有的有限绿地，使其产生最大的文化生态系统效益（S. Chen等人，2024；Dade等人，2020）。要解决这一问题，就需要明确哪些城市绿地属性对文化生态系统效益的影响最大。
关于这一点的研究主要分为两个方向。一种研究将文化生态系统效益与城市绿地的物理特征联系起来，如植被、水体、生物多样性以及休闲设施等，这些特征被认为具有恢复身心功能的作用，同时还能提升人们的安全感（Liu等人，2022；Wood等人，2018）。另一种研究则关注感知特征——即人们对环境的主观体验。相比客观指标，人们感知到的自然性、宁静感以及生物多样性往往与幸福感有着更强的关联，这凸显出需要从人们实际体验的角度来描述环境，而不仅仅是从其物理构成角度出发。为了系统地把握这种体验层面，Grahn及其同事经过三十年时间开发的感知感官维度量表，已成为一种能够在不同文化背景下可靠测量此类特性的常用工具（H. Chen等人，2019；Chen和Lin，2023；Plambech和Konijnendijk van den Bosch，2015）。
由于这两类研究很少相互结合，它们各自的预测能力至今仍不明确（Zhang等人，2021），而这直接影响到设计决策。这两种方法并非可以互相替代：基于NDVI的绿色度指标往往与居民的感知存在差异（Leslie等人，2010），而且有研究认为，与遥感图像相比，平视视角的摄影更能准确反映人类视角下的视觉体验（Jiang等人，2017），这也凸显出将用户感知与物理测量相结合的重要性（Aoshima等人，2018）。此外，纳入主观的环境感知还能提高模型的预测精度（D. Zhu等人，2024），并有助于解释仅靠物理指标无法揭示的行为模式（Dong等人，2023），因为在现实环境中，心理层面的恢复效果同时也受到物理因素的影响（Hipp和Ogunseitan，2011）。从概念上讲，物理属性描述的是环境本身，而感知则是人们通过这种体验使环境转化为有益因素的中间环节；因此，这两者带来的贡献可能并不相等，但规划者可以直接调整的却是物理环境。所以，首先需要明确哪种维度对文化生态系统效益的预测作用更强，以及将两者结合起来是否能进一步提升预测效果，这是决定应将有限的资源用于改善物理环境还是培养人们对环境的积极感知的关键前提。
要解决这种比较问题，还涉及到方法论上的挑战。目前该领域的评估仍主要依赖线性回归分析，但其假设可能无法完全体现人与环境之间的复杂关系，因为有研究表明这类关系其实是非线性的（Kulczyk等人，2024；Zhao等人，2025）。而机器学习方法则能够模拟非线性关系，确定各预测因子的相对重要性，同时提高模型的透明度（Cheng等人，2020；Herrera-Benavides等人，2024）。鉴于城市绿地带来的文化效益可能会随着环境因素和时间的变化而呈非线性变化（Kulczyk等人，2024），使用结合了Shapley加性解释方法的XGBoost模型，非常适合用来揭示非线性的感知机制（Zhao等人，2025），从而能够在同一个与决策相关的框架内，同时考量物理特征和感知特征对文化生态系统效益的影响。
本研究将这两类研究方法结合起来，利用来自一个高密度城市绿地的公众参与GIS调查数据，通过XGBoost和SHAP技术，比较分析物理特征、感知特征以及二者结合后的预测因子对文化生态系统效益的影响，并阐释各个特征的具体作用机制。具体而言，本研究要解答以下问题：（1）哪种模型最能准确预测文化生态系统效益——是物理特征、感知特征，还是两者的结合？（2）在预测效果最佳的模型中，哪些特征对文化生态系统效益的影响最大，它们的重要性排序如何？（3）各个特征与文化生态系统效益之间的关系是线性的还是非线性的？
章节摘要
材料与方法
图1展示了本研究设计的工作流程，该流程系统地分析了城市绿地的物理特征和感知特征如何共同影响文化生态系统效益。整个分析过程分为三个主要阶段。首先，通过专门设计的公众参与GIS平台收集了关于城市绿地感知特征和文化生态系统效益的相关数据，同时通过实地调查获取了城市绿地物理特征的信息。在参考以往研究中确定的解释变量基础上，我们进一步构建了三种
研究结果
共有1473人参与了本次调查，排除22份异常数据后，得到了1451份有效问卷。受访者中女性占比最高，为58.1%，其中70%的受访者年龄在19至49岁之间。值得注意的是，60岁及以上的受访者比例为11.2%，这一数值与广州市的普查数据（11.41%）十分接近，这说明通过研究人员现场协助的调查方法有效地降低了“数字鸿沟”带来的影响，确保了样本的代表性。在受教育程度方面
研究创新点
本研究的一个创新之处在于采用了可解释的机器学习方法——具体来说就是利用SHAP值——来分析和比较在特定场地尺度上，公园的感知特征与物理特征对文化生态系统效益的预测能力。以往的研究多将城市绿地带来的幸福感与客观测量的场地特征联系起来（Dade等人，2020），也有研究将感知感官维度作为文化生态系统效益的预测因子（Chen和Lin，2023）。不过，这些研究通常都依赖于
结论
本研究全面分析了在城市绿地中，感知特征与物理特征在预测文化生态系统效益方面的相对重要性。通过结合可解释的机器学习框架（XGBoost和SHAP），这项研究进一步加深了我们对环境特征与主观幸福感之间复杂非线性关系的理解。
通过分析，我们得出了三个核心结论。首先，就预测因素而言，感知特征（如多样性、自然性、开放性等）具有更强的
资金支持
本研究得到了以下机构的资助：中国国家自然科学基金（项目编号：32501725）；中华人民共和国教育部人文社会科学研究基金（项目编号：24YJCZH022）；广东省自然科学基金（项目编号：2025A1515011719）；广东省哲学社会科学规划办公室（项目编号：GD25YYS24）；中国博士后科学基金会（项目编号：2024M760957和2026T190437）；以及。
CRediT作者贡献说明
Mengyun Chen：论文撰写——审阅与编辑，论文撰写——初稿，可视化分析，结果验证，项目管理，方法设计，数据收集，正式分析，数据整理，概念构建。Guangsi Lin：项目指导，项目管理，方法设计。Jiayi Kong：论文撰写——初稿，可视化分析，方法设计，正式分析。Xukai Zhao：正式分析，数据整理。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
Mengyun Chen|Guangsi Lin|Jiayi Kong|Xukai Zhao
