年终数据技能大冲刺开车啦！
同时报名还可享更多优惠：
任选2套同报，钜惠价再减200元！
任选3套同报，钜惠价再减360元！
任选4套同报，钜惠价再减520元！
任选5套同报，钜惠价再减650元！
（多套同报优惠到1月30日截止，
以上优惠不包括营13和营14）
本期为大家推荐的内容为论文《Greening the concrete jungle: Unveiling the co-mitigation of greenspace configuration on PM2.5 and land surface temperature with explanatory machine learning》（绿化钢铁森林：用解释性机器学习模型揭示绿地形态对PM2.5和地表温度的共同影响），发表在Urban Forestry & Urban Greening期刊上。欢迎大家学习与交流。
在高密度城市区域，城市绿地（UGS）的数量是有限的，而且由于非植被（道路、建筑）的土地比例较高，增加城市绿地的难度很大。因此，确定城市绿地的最佳空间布局对于实现降低PM2.5浓度和地表温度等环境效益至关重要。然而，这方面的研究还很有限。
本研究采用了一种解释性机器学习方法来识别高密度城市地区PM2.5和地表温度的诱因与共同减缓之间的非线性关系，该可解释机器学习方法有三个主要优点：提高估测准确性、空间信息明确性和增强对复杂关系的理解性。研究发现，500 m *500 m网格尺度下要减缓 PM2.5和地表温度，城市绿地的比例最好保持在 25-30%。此外，将聚集指数保持在97以上、斑块密度保持在1650以上、最大绿地斑块比例保持在2.00 %到4.85 %之间，也有利于共同缓解。然而，研究发现，绿地斑块形状复杂性与两种环境要素共同缓解之间的结果相互矛盾。该研究强调了解释性机器学习方法在可持续城市环境管理方面的潜力，为了解城市绿地和城市形态对环境污染的共同缓解效应提供了见解。
题目：Greening the concrete jungle: Unveiling the co-mitigation of greenspace configuration on PM2.5 and land surface temperature with explanatory machine learning
（绿化钢铁森林：用解释性机器学习模型揭示绿地形态对PM2.5和地表温度的共同影响）
作者：李彦，Yecheng Zhang，薛然 ，王骁然 ，司梦琳，张雨洋*
发表刊物：Urban Forestry & Urban Greening （IF=6.4，JCR-Q1）
doi.org/10.1016/j.ufug.2023.128086
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.
yuyond@ncut.edu.cn; yanli427@hotmail.com
北方工业大学建筑与艺术学院讲师，清华大学建筑学院博士后，北京工业大学土木工程哲学博士。他的研究兴趣包括城市大数据、环境移动传感， 已经发表20余篇同行评议论文，并获得中国博士后科学基金的资助。
基于视觉/定制化环境传感器，以群智移动的方式传感/感知与我们日常生活息息相关的多维度环境，包括建成环境、自然环境及社会环境。
2.基于移动传感的城市高时空分辨率环境场（温度/颗粒物等）识别研究
3.基于流行病学与城市规划视角构建健康城市与健康社区研究
4.基于视觉传感器与机器学习方法的建成环境行为学研究
澳大利亚墨尔本大学工程学院哲学博士，武汉大学地理信息系统理学学士，博士研究课题为“基于计算机视觉的人群动力学研究”，主要研究兴趣为环境移动传感，计算机视觉和城市大数据，已发表相关领域同行评议论文20余篇。获得清华大学水木学者称号，全国博管会国际交流引进项目资助，主持国家重点实验室开放基金。
清华大学在读博士生。他的主要研究兴趣为城市科学，计算机视觉与多模态。已在INT J APPL EARTH OBS等国际期刊发表成果。ORCID: 0000-0002-4151-2737; Github: https://github.com/24kchengYe。
北方工业大学建筑与艺术学院城乡规划20级学生，发表一篇学术论文。
王骁然，北京建筑大学建筑与城规学院城乡规划专业20级学生。发表学术论文3篇，实用新型专利2项。
文章合作联系邮箱：yuyond@ncut.edu.cn; yanli427@hotmail.com
文章研究区域为北京四环路以内的高密度区域，主要是高建筑密度和高人口密度区域。
在本研究中，进行了基于网格的计算，并在三个尺度上调查了尺度效应，包括500米(1279个网格)、1000米(385个网格)和1500米(152个网格)的网格尺度。这项研究包括三个步骤(图2)。
(1)计算PM2.5浓度和地表温度等三个因变量。包括高水平和低水平的PM2.5和LST。
(2)计算UGS的空间配置变量，以及其他城市解释变量。包括水比例、道路密度、二维(2D)和三维(3D)建筑形式变量，总共产生14个自变量。
(3)机器学习与空间回归。假设网格中高水平和低水平的PM2.5和LSTs浓度都与UGS变量、城市形态变量以及相邻网格中的LSTs和PM2.5浓度相关，则进行一系列空间统计分析和机器学习空间回归模型，以比较和探索UGS空间配置对PM2.5浓度和LSTs的影响，并根据验证精度结果确定最合适的方法。
根据地理坐标的SHAP值，不同位置对高PM2.5、低PM2.5和LSTs的贡献存在明显的空间格局，可称为PM2.5和LSTs的空间异质性(图3)。值得注意的是，与以前用于测量空间异质性的方法(如GWR)相比，这些空间异质性模式考虑了其他独立因素，只反映了地理位置的贡献。红色区域表示正的位置贡献，而蓝色区域对应于负的位置贡献。
在500米尺度上，三个因变量的空间异质性最为显著。高、低PM2.5表现出明显的南北区域分布差异，尤其是高PM2.5，这主要是由于区域传输是北京高空气污染的主要来源。就地表温度而言，可以观察到中部和南部地区数值升高，而周边和北部地区数值降低的模式，这表明了明显的中央-周边分布模式。这种模式主要是由于北京的中心-外围发展模式，中心密度高，外围密度相对较低。
在500米尺度上，对于高PM2.5，LPI与PM2.5在0.00-2.00%之间呈强正相关，在2.00%-4.85%之间呈负相关，之后无影响。PLAND在4.00%之前有一个强烈的下降，在4.00%-30.00%之间呈负相关，之后由于置信区间较宽，相关性较弱。水分比例在1.50%之前呈强负相关，此后无影响。对于LSTs，UGS比例在25.00%之前呈强负相关，在42.00%之前保持稳定。在42.00%之后，相关性似乎增强了，但是由于宽的置信区间而变弱。UGS的聚集分布(AI)在92.50-97.50之间呈强负相关，此后无影响。UGS斑块最大比例在7.00%之前呈强负相关。建筑密度在35%之前呈强正相关，之后关系保持稳定。水分比例在7.50%之前也呈强负相关，之后无影响。
最终发现：下图为有效指标阈值内的绿地样本，代表该形态可同时降低PM2.5与地表温度，红色表示超出阈值。
最近有朋友问我们：为什么没有及时看到推文？因为微信改了推送规则，没有点“赞”或“在看”，没有把我们“星标”，都有可能出现这种状况。
加“星标”，不迷路！看完文章顺手点点“赞”或“在看”，就可以准时与我们见面了~
原文始发于微信公众号（城市数据派）：【佳文推荐】用解释性机器学习模型揭示绿地形态对PM2.5和地表温度的共同影响丨城市数据派
规划问道
