近日,我院教師張雨洋在國際知名風景園林學期刊《Urban Forestry & Urban Greening》發表題為《Greening the concrete jungle: Unveiling the co-mitigation of greenspace configuration on PM2.5and land surface temperature with explanatory machine learning》(綠化鋼鐵森林: 用解釋性機器學習模型揭示綠地形態對PM2.5和地表溫度的共同影響)的最新研究成果(doi.org/10.1016/j.ufug.2023.128086)。《Urban Forestry & Urban Greening》在Web of Science收錄的153種林學期刊中排名第9,IF=6.4,是中科院林學1區Top期刊,JCR-Q1期刊。我校為第一作者單位,張雨洋博士為通訊作者。該研究積極吸納城鄉規劃本科生協助獲取數據、支持研究工作,其中,薛然為合作者,馬文科、杜鵬程、高科、房小丫、李宇涵同學被列入研究致謝。
文章主要內容:
在高密度城市區域,城市綠地(UGS)的數量是有限的,而且由于非植被(道路、建筑)的土地比例較高,增加城市綠地的難度很大。因此,確定城市綠地的最佳空間布局對于實現降低PM2.5濃度和地表溫度等環境效益至關重要。然而,這方面的研究還很有限。本研究采用了一種解釋性機器學習方法來識別高密度城市地區PM2.5和地表溫度的誘因與共同減緩之間的非線性關系,該可解釋機器學習方法有三個主要優點:提高估測準確性、空間信息明確性和增強對復雜關系的理解性。研究發現,500m*500 m網格尺度下要減緩PM2.5和地表溫度,城市綠地的比例最好保持在25-30%。此外,將聚集指數保持在97以上、斑塊密度保持在1650以上、最大綠地斑塊比例保持在2.00 %到4.85 %之間,也有利于共同緩解。然而,研究發現,綠地斑塊形狀復雜性與兩種環境要素共同緩解之間的結果相互矛盾。該研究強調了解釋性機器學習方法在可持續城市環境管理方面的潛力,為了解城市綠地和城市形態對環境污染的共同緩解效應提供了見解。
全文鏈接:
https://www.sciencedirect.com/science/article/pii/S1618866723002571
引用格式:
Li, Y., Zhang, Y., Wu, Q., Xue, R., Wang, X., Si, M., & Zhang, Y. (2023). Greening the Concrete Jungle: Unveiling the Co-Mitigation of Greenspace Configuration on PM2. 5 and Land Surface Temperature with Explanatory Machine Learning.Urban Forestry & Urban Greening, 128086.
下圖為有效指標閾值內的綠地樣本,代表該形態可同時降低PM2.5與地表溫度,紅色表示超出閾值。
PLAND=綠地比例
AI=綠地聚集度
PD=綠地斑塊密度
LPI=最大綠地斑塊比例
編輯:左芳舟