利用可解释机器学习解析灰绿空间权衡与PM2.5浓度之间的关联

《Journal of Environmental Management》：Unraveling associations between grey–green spatial trade-offs and PM 2.5 concentrations using explainable machine learning

　　

摘要

城市空气质量与快速城市化城市中灰色空间与绿色空间之间的空间平衡日益相关。然而，以往的研究主要分别考察灰色或绿色空间，对其联合空间动态及其与城市内尺度空气污染的非线性关联关注不足。本研究利用灰色—绿色空间协调指数（GGSCI）、局部空间关联指示器（LISA）空间聚类以及可解释的极端梯度提升—Shapley加性解释（XGBoost–SHAP）框架，探讨了2016–2024年间维尔纽斯灰色—绿色空间协调与细颗粒物（PM_2.5）浓度之间的关系。结果表明，GGSCI与PM_2.5之间存在一致的负相关关系：被归类为"一般失衡"和"高度失衡"（GGSCI < ?0.125）的选区对应较高的PM_2.5浓度，而"一般平衡"和"高度平衡"（GGSCI > 0.125）类别则对应较低的污染水平。持续的高—高PM_2.5聚类对应失衡的灰色—绿色结构，而低—高聚类则主要与平衡的GGSCI类别相关。

此外，SHAP分析揭示了在不同取值范围和灰色—绿色协调条件下预测变量的异质性贡献。在PM_2.5的预测变量中，归一化植被指数（NDVI）值大于约0.3时，在平衡的GGSCI类别中更频繁地与负的SHAP贡献相关联；而人口密度（POP）大于约2000人/km²以及夜间灯光强度（NL）超过约18时，在失衡的GGSCI类别中更频繁地与正的SHAP贡献相关联。这些发现展示了PM_2.5预测模式如何随灰色—绿色协调条件的变化而变化，可为维尔纽斯协调城市发展与空气质量规划提供信息参考。

引言

全球城市化的快速发展显著加剧了空气污染，对公共健康和城市可持续性构成了重大挑战。目前，全球超过40亿人，即全球人口的一半以上，居住在城市地区，其中约91%的人暴露在污染空气中（世界卫生组织，2025）。在城市尺度上，城市灰色（建成）空间和绿色（植被和水体，Wang等，2025）空间对空气质量的影响仍存在争议（Pont等，2021）。城市形态是空气污染的关键决定因素：更为分散或多中心的格局通常与更好的空气质量相关，因为排放源的去集中化以及开放和绿色空间增加带来的增强污染物扩散（She等，2017；Wu等，2025）。相反，城市扩张模式，特别是紧凑型与蔓延型发展，主要通过交通系统和土地利用分布对空气质量产生不同影响（Lopez-Aparicio等，2025）。紧凑的城市形态可以通过缩短出行距离和促进高效出行来减少总排放量（Glaeser和Kahn，2010），而蔓延型发展则往往因公共交通、社会服务和自然区域的可达性降低而导致更高的污染水平（Lopez-Aparicio等，2025）。

细颗粒物（PM_2.5）是空气污染的主要成分之一，每年导致约400万至490万人死亡，是全球空气污染相关死亡的首要贡献因素（SoGA，2024；WHO，2021a）。PM_2.5的暴露几乎是普遍性的，影响了全球近99%的人口（WHO，2021b），以及欧盟约94%的城市居民，这些地区的浓度超过了世界卫生组织（WHO）的空气质量指南（EEA，2025a）。应对PM_2.5暴露是联合国可持续发展目标（SDG）11.6的核心内容，特别是指标11.6.2，该指标旨在减少城市地区人群对环境空气污染物的暴露，凸显了考察城市扩张及灰色与绿色空间平衡如何影响空气质量的必要性。

塑造未来城市形态的城市扩张模式在决定空气污染动态方面起着关键作用（Gu等，2025；He等，2017；Tan等，2023）。城市形态通过多种机制影响PM_2.5浓度，包括排放强度、气流和污染物扩散（Fan等，2018）。城市密度增加通常与更高的能源消耗和交通相关排放相关，而建筑布局和地表特征则改变了风流动、大气混合和污染物积聚（Wang等，2019）。城市扩张的维度，如空间范围、垂直发展和社会经济增长，促成了PM_2.5水平的变化，其中城市形态作为关键中介，决定了污染物如何生成、传输和扩散（Gu等，2025）。

以往的研究通过两种主要途径考察了灰色和绿色空间对空气质量的影响：（1）建成区的特征，包括结构属性和景观属性，如城市规模、紧凑度、碎片化以及斑块面积、斑块密度和景观形状指数等指标（Guo等，2025；Ouyang等，2021）。这些区域的高密度或紧凑型发展与排放增加和空气流通受限相关，加剧了PM_2.5浓度（Davtalab和By?enkien?，2026；Meng等，2023），凸显了建成区格局的重要性。（2）绿色空间的存在和配置，已有研究探讨其在减轻空气污染方面的潜力。植被结构和空间布局，包括更大的核心区域、降低的边缘复杂度和改善的连通性，增强了PM_2.5的去除（Chen等，2019），尽管这些过程的有效性取决于空间尺度和景观配置（Li等，2023）。尽管灰色和绿色空间都与城市空气质量相关，但鲜有研究考察其联合空间动态，尽管有证据表明绿色空间与空气污染之间的关系会随周围建成环境而变化（Riondato等，2020）。

城市形态通过灰色和绿色空间空间配置的变化与空气质量变异相关联（Abhijith等，2017；Jin等，2024）。然而，大多数以往的研究将灰色和绿色空间分开考察，对城市系统演变过程中两者的联合时间动态和空间异质性关注不足。因此，灰色—绿色空间协调与空气质量之间的关联，特别是在城市内部尺度上，仍未得到充分理解。此外，PM_2.5模式和预测变量贡献如何随不同灰色—绿色协调条件的变化而变化，也尚未得到系统考察。

传统统计方法，包括普通最小二乘法（OLS）和多元线性回归（MLR），受限于线性假设，且无法捕捉城市环境中固有的复杂非线性交互作用和阈值效应，往往产生过于简化的结果。相比之下，机器学习（ML）方法，如XGBoost，提供了一个灵活且稳健的框架，用于建模非线性关系和多变量之间的交互作用（Li等，2023）。结合Shapley加性解释（SHAP）等可解释技术，这些方法可以精确量化单个预测变量的贡献和相对重要性，为理解驱动城市环境中PM_2.5变异的机制提供了关键洞察。

总之，本研究旨在弥补对城市灰色和绿色空间与PM_2.5浓度之间关系的认识差距。具体目标为：（1）刻画城市绿色和灰色空间变化之间的时间协调性，并考察其与PM_2.5的空间关联；（2）利用城市和环境预测变量建模年度PM_2.5浓度；（3）考察模型导出的预测变量贡献如何随不同灰色—绿色协调条件的变化而变化。通过将灰色—绿色发展轨迹、PM_2.5空间模式与可解释的机器学习结果联系起来，本研究提供了一种综合评估方法，超越了绿色空间、灰色空间或空气污染的分别和静态评估。

章节片段

研究区域

维尔纽斯（54.56°–54.73° N，25.13°–25.43° E）是立陶宛首都，位于立陶宛东南部（图1）。该市人口为611,176人，不仅是该国最大的城市，也是波罗的海国家中人口最多的首都（立陶宛国家统计局，2025）。该市拥有广阔的绿色区域，覆盖其领土的约61%，并因其在可持续性和城市方面的长期承诺而被授予2025年"欧洲绿色首都"称号

方法

本研究采用综合分析方法来考察不同灰色—绿色协调条件下的PM_2.5模式（图2）。分析包括四个相互关联的阶段：（1）分别利用其各自的面积和城市扩张指标刻画城市绿色和灰色空间的变化；（2）利用Moran's I和灰色—绿色空间协调指数（GGSCI）分别评估PM_2.5的空间模式以及城市绿色和灰色空间变化之间的协调性，

结果

结果按照分析的时间结构呈现。第4.1–4.4节主要报告2016–2018、2019–2021和2022–2024三个时期的基于时期的发现，而第4.5节XGBoost分析的预测变量选择、第4.6节XGBoost模型性能与特征贡献模式则呈现基于完整年度数据集导出的XGBoost和SHAP结果。在189个潜在的选区—年观测值中，147个满足PM_2.5的预定义完整性要求

GGSCI与PM_2.5的关系

我们的发现显示，在所有三个研究期间（2016–2018、2019–2021、2022–2024），GGSCI与PM_2.5浓度之间存在着清晰且一致的负相关关系。尽管以往的研究表明，较高的城市绿色空间（UGS）比例可以降低PM_2.5浓度（Chen等，2019），但本研究通过证明这种关联也会随绿色和灰色城市结构之间的空间平衡而变化，扩展了这一理解。在维尔纽斯，选区

结论

基于2016–2024年维尔纽斯的数据，本研究考察了灰色—绿色空间协调与PM_2.5浓度之间的关联。GGSCI刻画了由城市绿色和灰色空间相对变化产生的时间灰色—绿色权衡，而XGBoost–SHAP则量化了NDVI、LST、AOD、NL、POP和Road_density对PM_2.5预测的贡献。主要结论如下：

首先，结果揭示了GGSCI和PM_2.5的明显空间和时间变异

作者贡献声明（CRediT）

Mehri Davtalab：撰写—原稿撰写、可视化、验证、软件、方法、正式分析、数据管理、概念化。Iwona S. Stachlewska：撰写—审阅与编辑、资源、调查研究、概念化。Steigvil? By?enkien?：撰写—审阅与编辑、监督、资源、调查研究、概念化。

利益冲突声明

作者声明他们没有已知的竞争经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

致谢

本项目获得了立陶宛研究委员会（LMT）的资助，协议编号[S-PD-24-137]。

Mehri Davtalab|Iwona S. Stachlewska|Steigvil? By?enkien?

立陶宛维尔纽斯物理科学与技术中心（FTMC），立陶宛，LT-10257