从数值归因到语义解释：利用大型语言模型（LLM）和地理增强人工智能（Geo-XAI）探究噪声感知与环境的关联

《Building and Environment》：From Numerical Attribution to Semantic Interpretation: Environmental Associations of Noise Perception with LLM and Geo-XAI

　　**摘要**
噪声污染是严重的环境健康威胁，但现有的投诉数据无法完全反映居民的主观体验。本研究利用来自中国杭州的10,537条带有地理信息的噪声投诉记录，结合大型语言模型（LLM）和地理空间可解释人工智能（Geo-XAI）来衡量噪声感知并解读其与环境之间的关联。在测量过程中，LLM从非结构化的投诉文本中提取与噪声相关的信息，并评估三个维度：睡眠剥夺、可协商性和耐受性累积； annoyance则通过情感分析模型进行计算。这四个维度共同构成了CNPI（复合噪声感知强度）指数。通过人类标注对Qwen生成的字段进行评估，其宏观F1值范围为0.563至0.843。所获得的强度加权投诉负担指标提供了超出对数变换后投诉数量之外的额外预测信息。在环境关联方面，XGBoost与SHAP的结合显示，社会经济变量占累积预测重要性的69.4%，超过了形态学、视觉和生态特征的贡献。Geo-XAI进一步识别出四种空间关联模式：城市生态区、高密度城区、城乡过渡区和高强度开发区，在这些区域中，噪声类型及其环境关联存在差异。LLM协助对原始投诉文本进行语义分析，进一步解释了这些差异。该研究为差异化的噪声管理提供了实证支持。

**引言**
快速的全球城市化进程，伴随着市政建设的加剧、居住功能和商业功能的 high-density 混合以及交通持续增长，使得噪声成为普遍的城市背景声音[36]。世界卫生组织将环境噪声列为全球第二大的环境健康风险因素，仅低于空气污染[55]。大量证据表明，环境噪声对健康的影响是一个连续体，从主观不适到长期病理后果都有涉及：噪声烦恼与暴露水平之间存在稳定的剂量-反应关系[39]；夜间噪声会引发睡眠障碍和频繁醒来，从而损害睡眠结构及其恢复功能[41]；长期暴露与高血压和缺血性心脏病的风险显著增加[43]。根据《2025年欧洲环境噪声报告》，噪声污染每年导致欧洲约66,000人过早死亡。在这种背景下，声学环境的质量被认为是一个关键因素，影响着居民在城市开放空间中的生活质量和舒适度[9,28,59]。因此，声学环境的治理已成为推进可持续发展目标3（良好健康与福祉）和可持续发展目标11（可持续城市和社区）的重要手段。有效的噪声治理需要有效的测量方法。传统的物理方法通过固定或移动监测获取分贝数据[3,44]，基于物联网的实时监测和评估系统面向智慧城市的发展日益成熟[1]，最近的研究还通过机器学习从遥感和街景图像中推断噪声分布[63,64]。这些方法大大提高了描述城市噪声暴露的能力，而最新的声音事件分类和检测以及频谱分析方法可以进一步识别噪声源类型、发生时间和特定声源的特征[20,21]；然而，仅凭声学测量数据难以深入了解居民为何感到困扰、他们具体投诉的内容、他们期望谁来解决这一问题，以及这些冲突在空间环境中的差异。

**理论研究**
长期以来，理论研究已经确定，在物理层面上，除了等效声级之外，信号参数（如峰值水平和时间变化）对主观感知有显著影响[37,45]。在主观层面上，噪声烦恼是一个受多种因素调节的心理结构[18,24]，其严重程度受到睡眠干扰[36,49]、累积耐受性[46,50]和噪声源特性[18]的影响。这意味着仅依赖客观声学指标的测量系统很难全面捕捉居民实际承受的噪声干扰，这表明噪声治理需要超越单纯的暴露评估，转向对主观感知、责任主体和空间环境的综合理解。城市噪声投诉数据为捕捉这种主观体验提供了重要的自下而上的数据来源，具有较大的样本量和真实的公众噪声感知反映[28,33,51,64]。现有研究大多将投诉数量作为因变量[8,25]，而有些研究则将投诉文本粗略分类为交通噪声、建筑噪声、工业噪声和家庭噪声等物理源类别[64]。然而，这样的处理方式仍然无法准确代表主观体验。还注意到，投诉频率难以反映个别投诉的主观强度[28]。一方面，居民是否投诉可能受到社会经济地位、权利意识等相关因素的影响，因此投诉文本内容可能比投诉行为本身更具信息量。另一方面，单一的频率计数可能掩盖了噪声的主观强度，而投诉中包含的信息（持续时间、发生时间、声源类型和主观情绪）对于指导噪声治理实践和支持噪声感知的理论理解至关重要。然而，投诉文本的非结构化性质阻碍了此类分析的深入，当前的噪声研究在描述居民主观干扰的强度及其空间差异方面仍不够充分。

**城市噪声治理中的挑战**
除测量外，城市噪声感知的空间异质性也需要进一步解释。先前的研究表明，建成环境与噪声暴露和投诉分布之间存在显著关联：道路网络、建筑密度、绿地、水体、交通设施以及商业活动的强度都可能影响城市噪声环境[25,51,56,64]。这些关系往往是非线性的，并且依赖于具体情境。机器学习模型结合可解释人工智能方法（如SHAP）有助于识别高维城市环境变量与噪声感知指标之间的非线性阈值特征[34,48,62]。Geo-XAI进一步将模型解释嵌入地理空间中，帮助识别不同区域变量贡献模式的空间差异[4,12]。然而，这些解释基本上仍停留在模型层面的数值属性上，缺乏与原始投诉语义的联系：它们无法揭示居民在不同空间背景下实际投诉的具体内容，使得数值解释难以直接转化为差异化的干预建议以用于规划和治理。

**大型语言模型（LLMs）**
大型语言模型（LLMs）为解决这些测量和解释难题提供了有效手段。成熟的自然语言处理工具，如基于词典的SnowNLP和预训练模型BERT，在其预定范围内表现可靠，例如在整体情感评分方面[28,32]。然而，这些工具无法从单一文本中提取多个相互独立的概念维度，也无法解释与这些维度相关的各种情境线索。LLMs具备这些能力，能够从复杂的非结构化文本中提取结构化信息并进行多维度语义分析[52,66]。因此，这两种工具是互补的，而非替代品，应根据具体任务选择合适的工具[52,66]。最近的研究利用LLMs对社交媒体文本中的城市空间进行多维度语义评估[5]，展示了它们在支持细粒度投诉分类和多维度心理分析方面的潜力。本研究基于噪声烦恼的多维理论[18,24]，利用杭州中心的噪声投诉记录，整合了LLMs、多维地理空间数据和Geo-XAI，以实现三个目标：首先，在测量层面，LLM从非结构化投诉文本中提取多维度心理信息，构建了复合噪声感知强度（CNPI）指数，将因变量从简单的投诉数量扩展为同时反映投诉主观强度的指标；其次，在解释层面，结合多源建成环境和社会经济变量与可解释机器学习，识别噪声感知的非线性和空间差异关联；最后，在情境化阶段，对原始投诉文本进行后端语义分析，为基于模型的关联模式提供补充的定性解释。通过这种方式，本研究旨在在大样本条件下将投诉数据分析从“发生了多少投诉”推进到“在什么情况下、来自哪些声源以及居民以何种强度感受到干扰”，从而为差异化的噪声治理和规划干预提供实证支持。

**数据与方法**
整个研究框架如图1所示，包括三个连续阶段：测量、解释和验证。在测量阶段，LLM从原始投诉文本中提取结构化语义信息，将每条记录归类到九个噪声源责任类别之一，并评估三个感知维度；第四个维度“烦恼”使用SnowNLP中文情感分析模型单独计算，四个维度共同构成了CNPI指数。

**结论**
基于杭州的噪声投诉记录，本研究开发了一种城市噪声感知的分析框架，整合了LLMs、多维地理空间数据和Geo-XAI，从仅基于数量的投诉分析转向结合投诉频率和主观感知强度的综合结果，并从数值解释转向语义-定性解释。在测量方面，CNPI指数由四个感知维度构建。

**作者贡献声明**
白照城：撰写 – 审稿与编辑、撰写 – 原稿起草、可视化、方法论、数据分析、概念化；季瑞：撰写 – 审稿与编辑；齐俊：撰写 – 审稿与编辑；高峰：撰写 – 审稿与编辑；刘松：撰写 – 审稿与编辑；张艳：撰写 – 审稿与编辑。
作者单位：同济大学建筑与城市规划学院，中国上海200092。