震后城市重建、土地利用与土耳其马拉蒂亚对流层NO2暴露

《Frontiers in Public Health》：Post-earthquake urban reconstruction, land use, and tropospheric NO? exposure in Malatya, Türkiye

　　

震后重建期间的土地利用决策可以重塑交通系统、建成环境以及环境暴露的空间分布。然而，这些关系在地震影响的城市中仍未得到充分研究。本研究评估了2019–2025年期间土耳其马拉蒂亚省对流层二氧化氮（NO2）的时空格局，并将2019–2022年的基线期与2023–2025年的重建期进行了比较。研究人员整合了Sentinel-5P TROPOMI观测数据与土地利用/土地覆盖、道路密度、高程、归一化植被指数（NDVI）和归一化建筑指数（NDBI），构建了一个包含108,626个像素-年观测值的共同空间框架。采用XGBoost对对流层NO2进行建模，通过SHAP解释变量贡献，并使用全局莫兰指数（Global Moran’s I）评估空间依赖性。高NO2水平持续集中在Battalgazi-Ye?ilyurt城市轴线上，该区域密集的道路网络、人工地表和集约城市功能重叠，而较高海拔和较低密度区域则观测到较低值。土地利用/土地覆盖对模型的增益贡献最大，而高程对像素级预测的影响更强。模型在保留测试集上表现出中等预测性能（R2 = 0.5941，RMSE = 2.816 μmol m?2，MAE = 1.865 μmol m?2）。年度全局莫兰指数（Global Moran’s I）值介于0.9893至0.9922之间（p = 0.001），表明在整个研究期间对流层NO2存在强烈的空间聚集。重建期的特征是对流层NO2格局更加破碎化和空间异质性，而非全省范围内均匀增加。这些发现表明，变化的交通流量、建成区发展、地形控制以及灾后空间重组可能共同导致环境暴露条件的差异。该研究为健康敏感的土地利用规划、空气质量监测和灾后城市管理提供了可解释的空间证据。

论文解读文章

一、研究背景与科学问题

城市化进程中，土地利用决策不仅关乎空间规划，更是决定城市人口环境暴露条件的关键公共健康要素。快速城市化、交通基础设施扩张以及不透水面增加，对交通相关排放、热岛效应、噪声、绿地可达性和空气质量产生多维影响。其中，二氧化氮（NO₂）作为典型的交通和燃烧相关污染物，其短大气寿命和近排放源的强空间梯度使其成为评估土地利用、交通强度和城市形态对环境暴露影响的理想指标。

然而，现有研究多聚焦于大城市的地面站点估算，缺乏将土地利用特征、地形控制、卫星衍生的NO₂观测与可解释机器学习相结合，特别是在震后重建这一特殊情境下的系统研究。2023年2月6日土耳其地震对马拉蒂亚省的建成环境造成了严重影响，启动了大规模的重建、临时安置、交通流动和城市功能空间重组进程。这种大规模灾害及其后的重建期可能通过改变交通流量、重型车辆移动、施工活动、临时居住区和土地利用模式，从而重塑环境暴露条件。因此，马拉蒂亚省成为一个独特的研究案例，用于评估灾后空间重组如何与NO₂格局相关联。

二、研究目标与方法概述

本研究旨在评估2019–2025年期间马拉蒂亚省对流层NO₂的时空分布，并通过XGBoost和SHAP建模方法解释该分布与土地利用、地形结构和人为指标之间的关系。通过对比震前期（2019–2022）和震后期（2023–2025），揭示灾后重建过程中变化的城市和环境条件如何与NO₂格局相关联。

主要关键技术方法包括：

1. 1.
   卫星遥感数据获取与预处理：从哥白尼计划的Sentinel-5P TROPOMI传感器获取对流层NO₂柱浓度数据（COPERNICUS/S5P/OFFL/L3_NO2产品），在谷歌地球引擎（GEE）环境中处理。仅纳入qa_value > 0.75的高质量像素，将每日观测值聚合为月度中位数合成，再进一步聚合为年度对流层NO₂表面，覆盖2019–2025年。
2. 2.
   地理信息系统（GIS）环境变量生成：从ALOS PALSAR数字高程模型（DEM）提取高程、坡度和坡向等地形变量；从Sentinel-2影像计算归一化植被指数（NDVI）和归一化建筑指数（NDBI）；从OpenStreetMap（OSM）道路数据生成距道路距离和道路密度；从土耳其统计局（Tü?K）获取人口密度数据；采用ESRI 10米土地利用/土地覆盖（LULC）数据代表地表特征。所有连续变量均经过最小-最大归一化处理，所有图层统一重采样至1000米分析网格。
3. 3.
   XGBoost机器学习建模：以年度Sentinel-5P衍生的对流层NO₂柱密度为响应变量，以高程、LULC、道路密度、NDVI和NDBI为预测因子，建立基于像素-年观测值的回归模型。数据集按80/20随机划分训练集和测试集，在训练子集中应用五折交叉验证。
4. 4.
   SHAP可解释性分析：采用基于博弈论Shapley值的SHAP方法，计算每个变量对模型输出的边际贡献，量化各变量在不同像素上对NO₂预测的正向或负向影响。
5. 5.
   空间统计与时间序列分析：采用全局莫兰指数（Global Moran’s I）评估NO₂的空间自相关强度，并进行局部莫兰指数（LISA）分析识别高-高（HH）和低-低（LL）空间聚类。

三、研究结果

3.1 对流层NO₂浓度的时空变化（2019–2025）

通过对Sentinel-5P TROPOMI数据的年度栅格分析发现，研究期间NO₂浓度在强度和空间组织上均发生了显著变化。年度最小值约在9.55–11.69 μmol m^?2之间，最大值在38.08–46.31 μmol m^?2之间。虽然年均浓度相对稳定（约17.87–18.34 μmol m^?2），但标准差从2019年的约3.28 μmol m^?2增至2025年的3.99 μmol m^?2，表明空间分布更加异质化。2020年年均浓度略有下降可能与COVID-19疫情期间交通和经济活动减少有关。2025年NO₂最大值达到研究期内最高值46.31 μmol m^?2，显示局部高浓度区域变得更加突出。

空间分布上，NO₂浓度集中在马拉蒂亚南部和东南部，特别是Battalgazi和Ye?ilyurt地区，年均浓度达26–34 μmol m^?2。相比之下，北部和西北部高地形区域NO₂水平维持在15–22 μmol m^?2，形成强烈的南北空间梯度（约10–12 μmol m^?2）。

3.2 震前与震后NO₂分布对比

震前期（2019–2022）NO₂呈现相对规则和连续的空间格局，高浓度区集中于Battalgazi和Ye?ilyurt，并向周边逐渐递减。震后期（2023–2025）NO₂空间分布变得更加异质化。差值表面（震后均值减震前均值）范围为?3.28至+8.64 μmol m^?2，空间均值为+0.21 μmol m^?2。最大的正向差异集中在市中心-Battalgazi-Ye?ilyurt走廊，而北部和外围区域主要为负值或接近零的差异。这表明震后NO₂变化并非全省均匀增加，而是呈现空间不均匀的变化特征。

3.3 2019–2025年平均季节变化

多季合成数据显示，冬季对流层NO₂均值最高（21.32 μmol m^?2），其次是秋季（19.55 μmol m^?2）、夏季（18.58 μmol m^?2）和春季（17.66 μmol m^?2）。箱线图分析显示冬季中位值约21 μmol m^?2且分布范围最宽，秋季中位值约19 μmol m^?2，春季中位值集中在16–17 μmol m^?2，夏季中位值约18–19 μmol m^?2但四分位距最窄。Battalgazi和Ye?ilyurt的季节性空间变异性最大。

3.4 XGBoost模型与环境控制因素

XGBoost模型在训练集上的表现为R² = 0.7964，RMSE = 2.016 μmol m^?2，MAE = 1.351 μmol m^?2。五折交叉验证R²为0.5978，独立测试集R²为0.5941，RMSE = 2.816 μmol m^?2，MAE = 1.865 μmol m^?2，表明模型具有适度的泛化能力。模型预测表面成功再现了Sentinel-5P数据中的主要空间梯度，特别是Battalgazi-Ye?ilyurt走廊与高海拔外围区域之间的对比。

全球莫兰指数（Global Moran’s I）分析显示，2019–2025年间所有年份均存在强烈且统计显著的正空间自相关（I值0.9893–0.9922，p = 0.001），表明对流层NO₂在研究期间始终呈强烈空间聚集状态。局部莫兰指数（LISA）分析显示，高-高（HH）聚类占比从震前期的平均17.63%降至震后期的16.64%，而低-低（LL）聚类占比从31.87%略升至32.10%。

四、讨论与结论

讨论部分总结： 研究发现，震后重建期对流层NO₂格局呈现出更加破碎化和空间异质化的特征，而非全省范围的均匀增加。这暗示着变化的交通流、建成区开发、地形控制以及灾后空间重组可能共同驱动环境暴露条件的差异化。地形因素在震后期变得更加突出：南部的山谷系统和半封闭形态区域因空气流通弱和停滞的大气条件有利于污染物积累，而北部的高海拔开阔地形则通过更强的风循环促进污染物扩散。研究还指出，NO₂分布与交通网络、地表特征、地形结构和建成区空间组织的关联性强于单纯的人口密度。

结论部分翻译： 本研究表明，震后重建期间的NO₂格局变化并非均匀的全省范围增加，而是在Battalgazi-Ye?ilyurt城市轴线及其周边区域呈现更显著的局部变化。XGBoost-SHAP建模框架有效识别了土地利用/土地覆盖、高程、道路密度、NDVI和NDBI等变量在对流层NO₂预测中的作用，其中土地利用/土地覆盖对模型的增益贡献最大，而高程对像素级预测的影响最强。研究结果为健康敏感的土地利用规划、空气质量监测和灾后城市管理提供了可解释的空间证据，强调了在震后重建决策中考虑环境暴露空间分异的重要性。