随着城市化和人口老龄化的持续，越来越多的关注集中在微观环境设计如何支持老年人的景观体验和满意度 (Li et al., 2024a; Urra-Uriarte et al., 2024)。现有研究主要强调具有恢复力的视觉和自然要素，如绿色度、天空可视度、美学质量和感知自然度 (Gu and Ryan, 2008; You, 2024)。基于注意力恢复理论和压力减轻理论，高绿色度、天空可视度和美学质量与减少疲劳和增强恢复相关 (Kim et al., 2015)。然而，老年人的景观满意度也受物理环境条件的影响，包括地表热背景，因为他们的户外活动对环境压力更为敏感 (Au et al., 2020; Portegijs et al., 2023)。因此，视觉、空间、感知和热相关因素之间的综合和非线性关联仍未得到充分了解，需要可解释的分析方法 (He et al., 2025; Huang et al., 2025)。
相比之下，学术关注主要集中在界定的公园环境中，这意味着日常城市公共空间的内在复杂性 largely 被忽视 (Plouffe and Kalache, 2010; Zuo et al., 2024)。事实上，老年人通常表现出较低的大型城市公园访问频率，并表现出偏好居住在附近和沿水岸的文化景观空间 (Beard and Petitot, 2010; Jiang et al., 2025)。与固定的观景地点不同，这些节点通常位于线性路径沿线，允许老年人将其作为连续旅程的一部分来体验，而不是孤立的地方。在此过程中，不同节点的视觉开阔度和地表热背景可能有助于老年人对廊道的整体感知，表明沿连续路径存在潜在的累积效应 (Rui and Cai, 2025)。因此，为了全面理解老年人在城市公共空间体验的连续性和其感知反应的积累，有必要将路径分布的城市文化景观节点作为研究重点。
由于老年人在基于路径的空间中的感知可能涉及多个因素之间的非线性关联，传统线性模型可能无法完全代表这些关系 (Chen et al., 2024; Lawton, 1983)。机器学习方法可以捕捉这种非线性模式，但模型选择和解释仍然是重要的挑战 (Dubey et al., 2016; Naik et al., 2014)。大多数研究依赖于单一机器学习模型，对模型间的系统比较关注较少，这使得模型选择不那么确定 (Gebu et al., 2017)。此外，许多机器学习方法可以捕捉非线性关联，但它们往往难以就关键变量和潜在响应模式进行解释 (Lui et al., 2009; Yuan et al., 2016)。因此，本研究整合多模型比较与基于 SHAP 的解释，以识别相关的环境因素和模型推导的响应模式。
以南京市为案例研究区，本研究采用多模型机器学习策略，考察传统模型不易捕捉的复杂关系。模型结果使用可解释模型进行解释，以支持初步的、基于感知的解释用于规划和设计讨论 (Guo et al., 2023; Wahl et al., 2012)。本研究重点关注以下问题：(1) 在城市文化景观节点中，地表热背景、空间形态、与绿色度相关的视觉属性和感知变量如何与老年人的景观满意度相关联？(2) 哪些环境变量对较高景观评估的探索性机器学习分类贡献最大？(3) 基于 SHAP 的解释可以识别出哪些非线性响应模式和候选拐点，这些模式如何为差异化的景观管理和适老化环境规划策略提供信息？本研究旨在揭示文化景观感知的空间异质性和非线性环境模式，从而为基于感知的环境管理、适老化景观规划以及城市文化景观的适应性治理提供证据 (Wen et al., 2022; Yang et al., 2024)。
