从局地气候区视角揭示驱动因素对城市生态环境质量的主要及交互影响

《Journal of Cleaner Production》：Unlocking the main and interactive impacts of driving factors on urban eco-environmental quality from the perspective of local climate zones

　　

摘要

城市化是环境变化的主要驱动力，加剧了气候相关影响，并导致城市生态环境质量（UEQ）下降。尽管已有大量研究评估了UEQ及其驱动因素，但大多数研究聚焦于宏观尺度，对中观和微观尺度上UEQ的驱动因素探索有限，尤其是从不同地方气候区（LCZ）的角度出发，这阻碍了针对不同LCZ类型制定有针对性的UEQ改善策略的发展。本文整合了LCZ框架与XGBoost机器学习算法及SHAP方法，识别并解释了中国台北塑造UEQ的关键因素。结果表明，植被结构参数和景观格局指数在不同LCZ类型中对UEQ始终具有强烈影响。SHAP依赖图进一步揭示了植被覆盖度、最大斑块指数、植被高度、海拔和建筑高度对UEQ的显著正贡献。相反，容积率（FAR）和建筑密度（BD）对UEQ产生负面影响，且两者均表现出阈值效应。具体而言，BD在低于0.4时增强UEQ，超过该值则降低UEQ。此外，关键指标之间的交互效应表明，植被覆盖度、最大斑块指数和植被高度的联合影响对UEQ改善的贡献最为显著。这些发现为设计针对特定LCZ的城市规划策略提供了实用指导，以帮助面临气候和环境挑战的城市改善UEQ。

引言

快速的城市化进程不仅重塑了全球城市景观，还通过增加能源消耗和碳排放加剧了气候变化，进而放大了城市生态系统的脆弱性，最终导致严重的生态退化和城市生态环境质量（UEQ）的显著下降（Sha et al., 2025; Gong et al., 2018）。城市和社区的可持续发展已成为联合国发展目标之一，强调城市发展不应损害城市生态环境，并应采纳和实施有效政策以建设可持续的人类聚居地（United Nations, 2015）。持续的城市扩张导致自然土地（如森林、农田、湿地和河流）的丧失和破碎化，加剧了空气污染、城市热岛效应（Li and Hu, 2022; Lin et al., 2024b）以及水环境退化，同时对人类健康和生态可持续性构成风险（Boori et al., 2021a; Messer et al., 2014; Zhao et al., 2024）。例如，不透水面扩张和化石燃料消耗导致城市温度超过农村地区，使与热相关的疾病发病率不断上升（Angel et al., 2011）。此外，人为活动驱动的气候变化加剧了热浪和洪水等极端天气事件，对城市生态系统造成进一步压力（Yue and Yao, 2026）。因此，降低城市生态风险并识别UEQ的关键驱动因素对促进城市可持续发展至关重要（Zhang et al., 2024b; Zhou et al., 2023a）。

然而，如何有效评估UEQ是改善城市生态环境的重要前提。现有研究关于评估方法主要包括生态足迹模型（Rees and Wackernagel, 1996）、环境可持续指数（Esty and Porter, 2002）和生态指数（Boori et al., 2021b）。尽管这些方法能有效反映城市和区域的生态状况，但它们通常依赖于社会经济统计数据，而这些数据难以获取且在空间显式分析中适用性有限（Zhang et al., 2024a）。相比之下，遥感凭借其广泛的空间覆盖范围、高效性和成本效益提供了有价值的替代方案（Song and Xue, 2016）。然而，许多早期研究使用单一生态指标——如地表温度（LST）（Li et al., 2021）、PM2.5（Zamani Joharestani et al., 2019）或归一化差异植被指数（NDVI）（Gupta et al., 2012）——无法提供城市生态状况的综合评估。为解决这一问题，研究者利用多源数据开发了综合生态指数，例如Xu（2013）提出的广泛使用的遥感生态指数（RSEI）。RSEI综合了绿度、湿度、热度和干燥度四个指标来反映整体生态质量。由于其完全基于遥感影像，避免了主观偏差，能够客观快速地评估城市生态状况（Liu et al., 2023c; Zheng et al., 2022; Karbalaei Saleh et al., 2021）。与单一生态指标相比，RSEI能够全面捕捉城市生态环境的多个维度，包括植被状况、地表湿度、热环境和不透水面特征。此外，RSEI与城市微气候过程密切相关，能够间接反映城市内部地表能量平衡、蒸散发能力、植被调节、生态连通性和不透水面强度的变化。因此，RSEI不仅与气温、湿度和风况有关，还反映了复杂城市系统中更广泛的生态韧性和环境调节能力。因此，RSEI已成为UEQ的重要替代指标（Liu et al., 2023b）。

了解潜在的驱动效应对于制定有效的UEQ改善策略至关重要。UEQ的影响因素主要包括人为因素（如城市土地利用类型和社会经济参数）和自然要素（如气候和地形条件）（Shi and Li, 2021; Guo et al., 2024）。例如，Liu et al.（2023a）证明自然参数（如温度、降水和植被）对RSEI的影响比人为因素（如经济发展水平和人口密度）更为关键。Chen et al.（2023）发现经济发展与RSEI正相关，而人口密度和夜间灯光指数与RSEI负相关。尽管已有大量研究评估了城市群（Sha et al., 2025）、荒漠化区域（Lu et al., 2025）和流域（Zhang et al., 2023）中UEQ的驱动因素，但这些调查主要聚焦于空间分辨率相对较低的宏观尺度。然而，它们在很大程度上忽视了中观和微观尺度上复杂的城市内部景观特征对UEQ的影响，如建筑形态指标和景观格局度量。现有研究表明，复杂的城市环境特征可以显著影响城市热岛效应和空气质量。例如，Cao et al.（2024）指出植被的面积、形状和聚集度可以降低城市PM2.5浓度和温度。为了系统量化这些被忽视的城市内部异质性，本研究采用了地方气候区（LCZ）方案（Stewart and Oke, 2012），该方案根据建筑形态和土地利用将城市表面分为17种类型，为表征先前UEQ研究忽视的中观尺度景观特征提供了坚实基础（Chang et al., 2021; Zhou et al., 2023b; Lin et al., 2024a）。

鉴于LCZ框架捕捉了城市形态和土地利用的显著空间差异，不同LCZ类型的城市环境特征存在显著变化，可能导致影响RSEI的不同机制。例如，Lin et al.（2024a）证明相同的植被覆盖度和建筑高度在不同街区中对UEQ可能产生不同影响。这表明在不同LCZ类型中，单一关键驱动因素可能产生不同的效应（Zhang et al., 2025）。忽视这些差异可能导致对各类因素影响UEQ方式的片面理解，从而阻碍制定有针对性的策略来缓解特定LCZ类型中的UEQ问题（Liu et al., 2025）。因此，有必要研究各类LCZ类型内部的驱动机制。

现有关于UEQ驱动机制的研究主要依赖于线性回归（Huang et al., 2022）、普通最小二乘法回归分析（Yang et al., 2023）和地理探测器（GD）方法（Wu and Zhang, 2021; Xu and Jin, 2024; Lu et al., 2025）。然而，回归分析依赖于线性假设，往往忽视了变量之间潜在的非线性关系，使得结果容易受到自变量多重共线性的影响。此外，传统回归方法在捕捉阈值效应和变量间复杂交互作用方面能力有限。尽管GD方法不依赖线性假设，但它主要关注解释空间分异性，无法有效识别影响因子在全球和局部尺度上的方向（正或负）、大小和非线性响应特征。为应对自变量与因变量之间的非线性关系，机器学习模型提供了有效解决方案，如XGBoost模型（Ye et al., 2025）、随机森林模型（Yao et al., 2022）和神经网络模型（Chang et al., 2023）。与其他机器学习模型相比，XGBoost整合了多种算法增强技术，使其能够在大规模数据集上更好地控制过拟合，同时保持高预测精度和鲁棒性。更重要的是，XGBoost能够在不依赖线性假设的情况下有效捕捉变量间的非线性关系、阈值效应和复杂交互作用，使其特别适合研究UEQ的复杂驱动机制。然而，与许多机器学习方法一样，这些模型往往作为"黑箱"运行，缺乏对自变量如何具体影响因变量的可解释性。为提高机器学习结果的可解释性，Lundberg和Lee（2017）提出了SHapley加法解释（SHAP），一种可解释的机器学习方法。与传统统计解释方法相比，SHAP能够同时在全球和局部尺度上量化影响因子的重要性、方向和贡献大小。此外，SHAP依赖分析和交互分析能够可视化非线性响应模式、阈值效应和变量间的协同交互作用，从而为UEQ的复杂驱动机制提供更深入的洞察。这为UEQ的探索提供了新的视角。

综上所述，尽管先前研究为改善UEQ提供了有价值的见解，但仍存在若干局限。首先，大多数研究从单一维度考察城市环境问题，如热环境或空气污染，而忽视了不同生态指标之间的相互作用，这使其难以实现对UEQ的综合评估（Messer et al., 2014; Zhao et al., 2024）。例如，城市内更丰富的树木能产生更强的降温效果；然而，一些研究表明在极端高温条件下，树木可能加剧空气污染（Pfannerstill et al., 2024）。其次，学者们主要在宏观尺度上探索UEQ的驱动因素，使用的数据集通常具有较低的空间分辨率，未能捕捉复杂城市内部建筑形态和景观格局指标对UEQ的影响。例如，与低密度街区和城市公园相比，高密度城市街区在城市形态方面表现出显著的异质性，导致通风和蓄热能力存在巨大差异，进而影响UEQ（Lin et al., 2024a; Yao et al., 2022）。因此，从街区视角出发对UEQ影响因素的理解仍然有限。第三，大多数现有研究使用纯机器学习方法研究影响因素与UEQ之间的关系。然而，这种方法往往缺乏解释影响因素如何通过具体机制影响UEQ的能力（Cao et al., 2024）。此外，影响因素并非孤立作用，而是协同交互影响UEQ（Zhang et al., 2025）。因此，研究影响因素之间的非线性交互关系对于综合理解潜在驱动机制至关重要。

为应对上述研究空白，本研究利用Google Earth Engine（GEE）处理Landsat 8数据，计算中国台北的RSEI。台北是典型的东亚高密度大都市，具有以下特征：多样的LCZ类型、复杂的城市形态、亚热带盆地地形以及显著的生态异质性。不同类型的LCZ（包括紧凑型高层、紧凑型中层、低层开放型及植被主导型）在相对有限的地理区域内共存，使台北非常适合研究中观和微观尺度上UEQ的空间异质性和驱动机制。近年来，台北受气候变化影响日益严重，洪水和暴雨等气候现象强度增加。与东京和首尔等城市相比，由于高建筑密度、绿地分布不均以及盆地地形导致的通风条件有限，台北的UEQ受到这些环境挑战的影响更为严重（Chuang et al., 2026; Hao and Yeh, 2023）。因此，选择台北作为研究区，采用结合XGBoost与SHAP的可解释机器学习方法，研究各种人为和自然因素如何在不同LCZ类型中影响RSEI。

本研究的主要目标为：(1) 划定台北的本地气候区（LCZ）类型，并分析其空间分布特征；(2) 从本地气候区类型的角度调查区域生态健康指数（RSEI）的空间分布；(3) 分析不同本地气候区类型中影响区域生态健康指数的关键因素及其交互作用。本研究重点关注不同本地气候区类型中各因素对区域生态健康指数影响的共性与差异，为制定针对性的规划策略以改善人环境质量提供科学依据。此外，尽管由于气候、地形和城市发展模式的差异，不同城市之间的具体阈值效应和响应关系可能有所不同，但本研究提出的整合本地气候区–极端梯度提升树（XGBoost）–沙普利加性解释（SHAP）框架可以为理解其他面临类似生态和气候挑战的高密度亚热带城市的人环境质量驱动机制提供可借鉴的见解。

**研究区域**

台北位于中国台湾省，是台湾省的政治、经济和文化中心（图 1）。其面积约为 271.79 平方公里，2024 年常住人口约为 249 万。平均人口密度达到每平方公里 9180 人（台湾省城市建设局，2024 年）。台北属亚热带季风气候。2024 年 8 月至 10 月的平均气温为 28.4°C。年均……

**本地气候区的空间分布**

基于本地气候区生成器生成的 100 米分辨率本地气候区地图，在街区尺度上进行了本地气候区分类（图 3）。如表 6 所示，本地气候区 1、本地气候区 2、本地气候区 4 和本地气候区 5 是主要的城市建筑类型，主要集中在台北市中心区域。土地利用类型主要为本地气候区 A 至 D，主要分布在城市北部，占总面积的 59%。在城市建筑类型中，本地气候区 2 的比例最大，占……

**不同本地气候区类型中驱动因素对区域生态健康指数的影响**

我们的研究表明，不同的本地气候区对区域生态健康指数表现出不同的影响。例如，在本地气候区 1、本地气候区 2 和本地气候区 3 等密集建成区中，生态环境质量较差的区域约占 60%——是其他本地气候区类型的两倍。这表明密集建成区往往具有较低的生态质量，这与先前的研究一致。一个可能的解释是，高密度本地气候区类型通常植被覆盖率较低……

**结论**

本研究以台北为研究对象，采用极端梯度提升树（XGBoost）+ 沙普利加性解释（SHAP）模型，从本地气候区的角度探讨了各种城市形态因素对人环境质量的重要性。我们考察了关键影响因素与其沙普利加性解释值之间的关系，并进一步探讨了这些关键因素之间的交互效应，从而补充和丰富了单变量效应对人环境质量影响的理解。研究结果如下：不同本地气候区类型的区域生态健康指数为……

**贡献声明**

熊瑶：撰写初稿、验证、获取资金、数据整理、撰写审查与编辑、方法论。

王晓文：撰写审查与编辑、撰写初稿、可视化、验证、软件、资源、数据整理、概念化。

贾帅祥：软件、调查研究。

**利益冲突声明**

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本论文所报告的工作。

**致谢**

本工作获得了中国国家自然科学基金（项目编号：32301647）和中国福建省自然科学基金（项目编号：2022J05194）的资助。

熊瑶 | 王晓文 | 贾帅祥