负氧离子时空分布的归因、分区及模拟研究——以中国重庆市为例

《Environmental Impact Assessment Review》：Attribution, zonation, and simulation of spatiotemporal distribution of negative oxygen ions in mountainous megacity: A case study of Chongqing, China

　　• 将少量样本学习（few-shot learning）、SHAP（Shapley Additive Explanations）和因果推断（causal inference）相结合，用于解码负氧离子（NOI）的驱动因素。• NOI的时空分布（STD）反映了地形-气候-污染之间的相互作用。• 因果机器学习（causal ML）减少了地形和NOI空间分布的偏差（ATE = 0.179，σ = 0.031）。• 城乡之间的山地梯度影响了NOI的STD模式（CV 9.6–30.4%）。• 生态优化加剧了NOI STD的不平衡（增益 = ?28.76 cm?3，基尼系数 = 0.0835）。

引言
负氧离子（NOI）是大气生态质量和人类健康的重要指标，与空气清洁度、微气候、氧化平衡和整体福祉密切相关。快速的城市化和气候变化改变了城市大气，从而引发了对特大城市生态宜居性和健康风险的担忧（Chen等人，2023b；Chen等人，2024；Du等人，2024）。NOI与植被、水文、气象和污染物密切相关，这突显了它们作为综合生态指标的潜力（Pierce等人，2024）。此外，最近的城市生态研究已经从评估孤立的环境条件转向评估耦合的生态风险、人口暴露和空间连通性。例如，将热舒适度与人口密度和生态网络分析相结合，可以揭示环境效益与人类暴露之间的空间不匹配，并确定关键生态走廊和节点以进行有针对性的干预（Hu和Zeng，2026）。然而，以往的研究通常依赖于实地观察或局部相关性分析，对异质性城市景观中NOI动态的空间机制关注有限。因此，驱动NOI形成的环境过程及其对可持续城市治理的影响仍不甚清楚，尤其是在那些地形复杂和人类-自然互动密切的山区特大城市中。

从地理空间的角度来看，NOI的动态受到地形、生态、气候和人为干扰的调节。地形影响太阳辐射、气流和水分传输，而植被和水体则通过蒸散作用和生态缓冲作用影响电离过程和局部微气候条件（Li等人，2024；Mei等人，2025）。值得注意的是，来自282个中国城市的最新证据表明，外部地理障碍和地形配置可以结构性地改变通风路径、污染物扩散以及社会经济和城市形态因素对PM?.?的影响，这些关系具有明显的非线性和阈值依赖性（Song等人，2026）。城市扩张和相关排放改变了地表能量平衡和大气成分，从而重塑了生态过程（Badia等人，2025；Zhang等人，2025a）。这些相互作用是非线性的、空间异质性的且具有尺度依赖性，因此传统的线性统计方法不足以捕捉其复杂性。最近在地理空间人工智能（GeoAI）和机器学习方面的进展利用多源地球观测数据改进了复杂的环境建模（Fu等人，2025；Iyer等人，2025；Tang等人，2026）。此外，环境评估研究最近强调了数据驱动方法在识别空间关联和复杂人-环境相互作用以支持可持续决策方面的潜力（Fan等人，2022；Li等人，2023）。特别是，可解释的机器学习方法在揭示城市生态系统中的非线性反应和阈值依赖性相互作用方面表现出潜力（Bansal和Quan，2024；Li等人，2025；Wu等人，2025）。

由于地形复杂、土地覆盖破碎和局部环流，山区城市在大气和生态过程方面表现出更大的空间异质性（Gou等人，2025；Wang等人，2025）。这种三维环境加剧了地形、气象、植被和排放之间的非线性相互作用，从而使生态指标背后的空间机制变得更加复杂。此外，最近在亚热带城市的研究表明，城市绿地调节大气气溶胶的能力表现出显著的空间和时间变化，这是由于植被配置、气候条件、城市形态和污染负荷之间的相互作用（Yue等人，2026）。这表明不应假设生态调节在异质性城市景观中统一运作。尽管以前的研究已经使用遥感和机器学习了山区城市的环境质量、热环境和空气污染（Gou等人，2025；Wang等人，2025），但从可解释的地理空间智能的角度来看，大气NOI仍被忽视。具体而言，不同环境干预对NOI的空间响应及其平衡影响很少得到系统评估，从而限制了现有研究在快速城市化的山区特大城市中支持气候适应性和平衡导向治理的能力。

尽管机器学习模型可以预测复杂的环境变量，但它们的“黑箱”性质限制了可解释性和政策适用性。同时，可解释的人工智能（XAI），特别是基于Shapley Additive Explanations（SHAP）的框架，成功地量化了非线性特征贡献并揭示了隐藏的响应模式（Bansal等人，2024；Fu等人，2025；Wu等人，2025）。将可解释的建模与因果推理结合起来，弥合了统计关联和机制导向理解之间的差距（Brand等人，2023；Cui和Athey，2022；Fu等人，2025）。基于场景的模拟对于评估未来干预情景下城市政策的生态有效性和可持续性至关重要（Chen等人，2023a；Ghodsvali，2026；Teutscher等人，2025；Zhang等人，2025b）。此外， recent研究强调，有效的城市生态治理需要超越统一或孤立的干预措施，采取空间连贯、地形感知和区域差异化的策略（Hu等人，2026；Song等人，2026；Yue等人，2026）。然而，在NOI研究中整合XAI、环境平衡分析和场景模拟仍然有限，特别是在气候敏感的山区城市聚集区。因此，这些分析组件很少被整合到一个能够连接环境预测、机制解释、干预评估和规划导向决策支持的统一框架中，尽管它们各自都在推动环境评估的发展。

因此，本研究探讨了更广泛的环境规划问题，即如何将可解释的地理空间智能转化为可解释的环境响应模式和适用于山区特大城市的规划知识。为此，本研究开发了一个综合的归因、模式和模拟框架，以阐明重庆的NOI动态，重庆被认为是一个具有代表性的山区特大城市。所提出的框架将环境预测、机制解释、因果分析、场景评估和空间公平性评估整合到一个统一的分析工作流程中。通过结合少量样本学习、可解释的机器学习（SHAP）和因果推断，我们旨在：（1）解开非线性驱动因素并估计关键环境变量对NOI的平均处理效应，（2）预测重庆的空间模式，（3）在多场景模拟下评估生态有效性和城乡环境平衡之间的权衡。本研究的主要贡献有三方面。首先，它建立了一个可解释的GeoAI框架，将环境预测、机制解释、场景评估和空间公平性评估结合在一起，将多源观测转化为与规划相关的环境知识。其次，它揭示了地形、气候、植被和大气污染在调节NOI分布中的非线性和交互作用，从而增强了我们对山区城市生态系统环境机制的理解。第三，本研究明确将人口加权效益和空间公平性纳入场景评估中，从而将传统的环境模拟扩展到以平衡为导向的城市治理和决策支持。

**研究区域**
重庆位于中国西南部，是四川盆地向云南-贵州高原过渡期间形成的典型山区城市聚集区（图1a）。其山脉、丘陵、主要河流（长江和嘉陵江）、多样的植被和密集建成的区域导致了复杂的地表-大气相互作用。此外，其亚热带湿润季风气候具有高的温度、湿度和弱风，加上复杂的地形，产生了强烈的非线性。

**框架**
在这个框架中，所有栅格预测因子都进行了重新投影、重采样和对齐到统一的网格上，以消除空间不对齐偏差。图2展示了研究重庆NOI动态的集成工作流程。该框架没有将单独的分析方法视为独立组件，而是将环境预测、机制解释、干预评估和空间公平性评估连接到一个统一的知识到决策工作流程中。

**模型评估**
根据图3所示的结果，我们使用自助重采样（1000次迭代）在测试集上评估了八个候选模型对NOI估计的预测性能（图3a–e）。TabPFN的表现始终优于其他模型，实现了最高的平均R2值（0.65）和最低的RMSE（415 cm?3）、MAE（281 cm?3）和MAPE（18.5%）。相比之下，SVM和ANN的表现较差（R2接近零或负值，RMSE > 660 cm?3，MAPE > 36%），这表明它们的能力有限。

**更广泛的应用**
本研究开发的框架可以扩展到其他具有类似环境复杂性的山区特大城市。值得注意的是，本研究中识别出的主要驱动因素及其模型衍生的非线性阈值依赖性响应并非该研究区域所独有。最近的基于GeoAI的城市气候研究表明，湿度相关的大气过程通常比传统的土地覆盖指标对生态空气指标有更强的控制作用。

**结论**
本研究开发了一个综合框架，结合了TabPFN、基于SHAP的可解释性和因果推断，以表征重庆山区城市聚集区中的NOI动态。我们证明了NOI分布与所提出的框架捕获的耦合自然和人为过程有关。在DML识别假设下，海拔、NO?和相对湿度显示出显著的估计处理效应（ATE = 0.179–0.209，p < 0.001）。

**数据和代码可用性声明**
支持本研究结果的代码和样本可以在OSF Storage中获得，标识符为：https://doi.org/10.17605/OSF.IO/EWSZG。

**资助**
本项目得到了中国国家自然科学基金（编号42271414）、中央高校基本科研业务费（编号2026300253）和中国国家社会科学基金（编号25VHQ002）的支持。

**利益冲突声明**
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文报告的工作。

**致谢**
作者感谢Google Earth Engine平台、美国地质调查局（USGS）提供的遥感数据，以及CleanPNG（https://www(cleanpng.com/）提供的矢量图形材料的支持。

作者：Qin Huang | Yu Ma | Chunqian Li | Lu Sui | Chen Zhou | Manchun Li