《Frontiers in Public Health》:Blue-green spaces, heat stress, and health-supportive public-space use under urban stress: machine learning and SEM evidence from jogging flow in Fuzhou, China
编辑推荐:
城市蓝绿空间(BGS)在以健康为导向与以韧性为导向的城市规划中受到越来越多关注,尤其是在暴露于热相关环境压力的高密度城市中。然而,关于BGS与热应激如何关联日常公共空间使用的实证证据仍然有限。研究人员以中国福州为案例,整合众包慢跑数据、BGS指标、地表温度(L
城市蓝绿空间(BGS)在以健康为导向与以韧性为导向的城市规划中受到越来越多关注,尤其是在暴露于热相关环境压力的高密度城市中。然而,关于BGS与热应激如何关联日常公共空间使用的实证证据仍然有限。研究人员以中国福州为案例,整合众包慢跑数据、BGS指标、地表温度(LST)以及城市发展变量,将慢跑流作为健康支持型公共空间使用的行为代理指标进行分析。研究结合机器学习(ML)与结构方程模型(SEM),以识别关键环境相关因素并检验其直接与间接路径。研究比较了9种ML模型,并采用SHAP分析解释特征重要性及非线性关系。结果表明,到植被距离(DTP)、绿视率(GVI)、天空可视率(SVI)和LST是与慢跑流相关的关键因素。BGS相关变量与慢跑流呈正相关,而更高的LST与更低的预测慢跑流相关。SEM进一步表明,绿地、蓝地以及公共活动机会代理变量与慢跑流呈正相关,而热应激呈负向直接关联。这些发现表明,BGS可能通过提供有利的环境条件和活动相关条件,与健康支持型公共空间使用相联系。本研究为理解蓝绿环境如何在热相关城市压力下促进公共空间活力与韧性导向城市规划提供了与规划相关的实证证据。
该文发表于《Frontiers in Public Health》,聚焦高密度城市在热相关环境压力下,蓝绿空间如何影响居民健康支持型公共空间使用这一关键议题。研究背景在于,随着高密度城市持续面临热暴露增强、土地高强度开发以及公共健康需求增长,居民开展日常户外身体活动的意愿与能力可能受到显著制约,尤其是在福州这类高温高湿城市中,公共空间的可达性、舒适性与活动支持性已成为健康导向与韧性导向城市规划的重要命题。既有研究虽已分别讨论绿地、蓝地、热环境与建成环境对户外身体活动的作用,但仍存在三方面不足:其一,不同环境维度常被割裂分析,难以阐明它们与慢跑流的综合关联;其二,研究多聚焦单一变量的直接关系,对蓝绿空间、公共活动机会、城市压力、热应激与慢跑流之间的间接路径关注不足;其三,这些关系很可能具有非线性和交互性,但较少与路径机制分析相结合。因此,研究人员开展本研究,旨在通过可解释机器学习与结构方程模型的整合框架,系统识别与慢跑流相关的关键环境因素,并揭示其直接和间接关联结构。
研究人员以中国福州市域为研究区域,采用Keep平台2024年9月匿名众包慢跑记录构建慢跑流数据,经异常值剔除后保留20,207条有效样本,并以每条记录的起跑点作为空间匹配单元。研究将慢跑流界定为健康支持型公共空间使用的行为代理,而非单纯运动指标。研究结论显示,在多种环境与城市变量中,到植被距离(DTP)、天空可视率(SVI)、地表温度(LST)与绿视率(GVI)是最重要的预测因子;可视绿量、空间开敞度及蓝绿环境条件整体上与更高慢跑流相关,而更强热应激与较低慢跑流相关。进一步地,偏最小二乘结构方程模型(PLS-SEM)表明,绿地、蓝地和公共活动机会代理变量均与慢跑流存在正向直接关联,热应激则呈负向直接关联;同时,绿地和蓝地还可通过公共活动机会代理变量对慢跑流产生间接正向关联。研究的重要意义在于,为高密度、热压力突出的城市中如何通过蓝绿空间优化公共空间活力、支撑日常健康行为和推进韧性导向规划提供了实证依据,但研究也明确指出,这些结果应被理解为统计关联而非因果机制。
在方法上,研究主要采用四类关键技术路径。首先,基于福州Keep平台2024年9月众包慢跑起点样本,匹配气候、空气质量、蓝绿空间、热应激、交通、城市形态、社会经济和土地利用等多源空间数据。其次,在剔除多重共线性后,比较随机森林(RF)、ExtraTrees、XGBoost、LightGBM、CatBoost、AdaBoost、支持向量回归(SVR)、多层感知机(MLP)和决策树(DT)共9种机器学习模型,并以SHAP解释关键变量的重要性、非线性响应与交互关系。最后,采用R 4.5.1中的plspm包构建PLS-SEM,分析蓝绿空间、公共活动机会代理变量、城市压力、热应激与慢跑流之间的直接和间接路径关系。
在研究结果部分,论文首先报告了“3.1 Optimal machine learning model”。该部分通过均方根误差、归一化均方根误差和决定系数对9种模型进行比较,发现CatBoost具有最高R
2和最低RMSE、nRMSE,因此被确定为后续解释分析的最优模型。研究还进行了稳健性检验,删除少量高SHAP样本后重新训练模型,结果显示模型性能保持稳定,说明总体结果并非由极少数高影响观测值主导。
在“3.2 Key environmental correlates of jogging flow”中,研究通过SHAP全局重要性排序识别出影响慢跑流的核心环境相关因素。结果显示,DTP与SVI的贡献最高,其后依次为LST、GVI和住宅建筑密度(RBD)。这意味着慢跑流主要与蓝绿空间可达性、视觉环境质量、热应激以及部分城市压力指标相关。研究进一步指出,在共同建模框架下,空气质量、部分气候指标和部分土地利用指标的相对贡献低于上述变量,因此后续重点解释排名更高的预测因子。
在“3.3 Relationships between jogging flow and driving factors”中,研究展示了慢跑流与12个关键预测因子之间的非线性关联。结果表明,这些关系并非简单线性。对于蓝绿空间变量,DTP、SVI和GVI呈现出不同响应模式:SVI和GVI在一定取值区间内与慢跑流正相关,提示空间开敞性与可见绿量是影响慢跑活动的重要街道视觉维度;LST则呈负向关系,表明更高地表温度对应更低预测慢跑流。对于城市压力与公共活动机会变量,RBD总体上表现为较弱的正相关,而GDP、道路密度(Road_D)和兴趣点(POI)在部分区间呈负向SHAP模式;到体育设施距离(DTS)和到水体距离(DTW)也呈负向关系,表明距离体育设施和水体越远,慢跑流越低。研究据此认为,慢跑流受到蓝绿空间可达性、视觉环境质量、热应激、居住密度和城市开发强度的共同影响。
在“3.4 Interactions among blue-green space variables”中,研究进一步分析蓝绿空间变量之间的交互关系,包括DTP-GVI、DTP-SVI、SVI-GVI和SVI-DTS等组合。结果显示,较高DTP与较高GVI组合时,在部分样本中对应正向SHAP值;高SVI与低GVI、高DTP与低SVI的某些组合也对应正向SHAP模式。这说明蓝绿空间变量并非彼此独立发挥作用,而是在植被可达性、视觉绿量和空间开敞性之间形成联合影响,共同关联于健康导向的公共空间使用条件。
在“3.5 Interactions between blue-green and other variables”中,研究考察蓝绿空间变量与更广泛城市压力变量、公共活动机会代理变量之间的交互。结果显示,GVI、SVI和DTP与选定城市变量的交互模式比DTW更明显。GVI与RBD、Road_D存在交互,但其SHAP方向总体稳定,说明住宅建筑密度或道路密度并未显著逆转GVI与慢跑流的关系。SVI在低值且RBD较高时对应负向SHAP,而较高SVI与较高DTS在部分分布中对应正向SHAP,提示空间开敞度与居住密度、体育设施可达性之间存在联动。DTP则与GDP、RBD和Road_D表现出交互,高DTP叠加较高GDP、RBD或Road_D时,在部分样本中对应正向SHAP值。论文特别强调,这一结果不能被解读为“离植被越远越有利于慢跑”,而更可能反映慢跑起点与邻近植被供给之间的空间错配,即高密度、开发程度较高区域存在较强慢跑需求,但近邻植被供给不足。DTW与其他城市变量则未呈现清晰交互模式,说明其关联可能相对独立或更局部化。
在“3.6 PLS-SEM pathway associations related to jogging flow”中,研究利用PLS-SEM进一步揭示变量之间的路径关联结构。模型总体拟合表现可接受,总适配度(GOF)为0.46,慢跑流的R
2为0.49,说明模型能够解释慢跑流变异的中等比例。直接效应结果显示:绿地→慢跑流(β = 0.17, p = 0.021)、蓝地→慢跑流(β = 0.11, p = 0.042)、公共活动机会代理变量→慢跑流(β = 0.23, p = 0.008)均为显著正向关联;热应激→慢跑流(β = ?0.18, p = 0.006)为显著负向关联。城市压力对中介结构表现出混合效应:对绿地为负向(β = ?0.16, p = 0.014),对蓝地为正向(β = 0.28, p = 0.003),对公共活动机会代理变量亦为正向(β = 0.19, p = 0.011)。间接效应方面,绿地可通过公共活动机会代理变量对慢跑流产生显著正向间接关联(0.052, p = 0.031),蓝地也可通过同一路径产生显著正向间接关联(0.036, p = 0.044);城市压力通过BGS相关路径对慢跑流呈显著负向间接关联(?0.041, p = 0.028);热应激通过BGS相关路径的间接关联为负,且处于边缘显著水平(?0.028, p = 0.067)。这些结果表明,慢跑流既直接关联于蓝绿空间和热应激,也嵌入更复杂的空间机会与城市压力结构之中。
讨论部分首先指出,热应激与慢跑流之间的负向关联说明,在福州这类高温高湿城市中,热环境是影响健康支持型公共空间使用的重要限制因素。LST在SHAP排序中位居前列,说明其并非边缘变量。论文同时谨慎说明,LST是基于地表温度的热应激代理,而非人体热舒适的直接测度;真实慢跑热体验还可能受到路线遮阴、风速、湿度、时间和个体适应等因素影响。其次,论文强调蓝绿空间对慢跑流的作用并不局限于单一“有无绿地”,而是同时体现在视觉维度和可达性维度。GVI反映街道层面的可见绿量,更直接关联慢跑者视平线环境体验;SVI反映空间开敞度,对路径可识别性和环境压迫感具有补充解释作用;DTS和DTW的负向关系则表明活动支持型目的地和滨水环境的邻近性可能降低慢跑的空间成本。再次,关于DTP的正向SHAP模式,论文认为这实质上提示了高密度建成区中慢跑需求与近邻植被供给之间可能存在空间错配,而不是远离植被更有利于慢跑。研究据此提出,慢跑支持型规划应特别关注高密度、植被供给不足但活动需求旺盛的社区。最后,论文从规划角度提出,应优先在高LST区域推进热敏感公共空间规划,强化树荫慢跑廊道、街道树、口袋公园和滨水路线;应将街道视觉绿量与空间开敞性纳入慢跑支持型设计;应将蓝绿空间与体育设施、休憩节点、可达公共空间和连续步跑网络整合,以提升健康支持型公共空间使用的韧性基础。
研究结论部分可译为:本研究整合机器学习与结构方程模型(SEM),考察了福州蓝绿空间(BGS)、热应激、城市压力及公共活动机会代理变量与慢跑流之间的统计关联。结果表明,在所测试的机器学习模型中,CatBoost具有最佳预测性能,并识别出DTP、SVI、LST和GVI为与慢跑流相关的主要因素。具体而言,可视绿量与空间开敞性与慢跑流呈正相关,而更高LST与更低预测慢跑流相关。由于DTP是基于慢跑起点而非完整慢跑路线测量,其正向SHAP模式应谨慎解释。路径分析进一步表明,蓝绿空间、公共活动机会代理变量、热应激、城市压力与慢跑流之间存在可能的关联结构。绿地、蓝地以及公共活动机会代理变量与慢跑流呈正相关,而热应激呈负向直接关联。此外,绿地和蓝地还可通过公共活动机会代理变量与慢跑流产生间接关联。这些结果表明,蓝绿环境与慢跑流的联系不仅体现在其环境品质上,也体现在其与活动支持型空间条件之间的连接上。然而,这些路径应被理解为探索性统计关联,而非因果机制。总体而言,研究发现慢跑流与可视绿量、空间开敞性、蓝绿空间可达性、公共活动机会代理变量及地表热条件相关。这些认识对于面临热应激和蓝绿空间可达性不均的高密度城市中的健康导向与韧性导向公共空间规划具有参考价值。但本研究并未直接测量社区韧性、社会凝聚力或个体层面的热暴露,其贡献在于识别了连接蓝绿环境与健康支持型公共空间使用的可能空间与环境路径。