近日，我院教师张雨洋在国际知名风景园林学期刊《Urban Forestry & Urban Greening》发表题为《Greening the concrete jungle: Unveiling the co-mitigation of greenspace configuration on PM2.5and 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）的最新研究成果（doi.org/10.1016/j.ufug.2023.128086）。《Urban Forestry & Urban Greening》在Web of Science收录的153种林学期刊中排名第9，IF=6.4,是中科院林学1区Top期刊，JCR-Q1期刊。我校为第一作者单位，张雨洋博士为通讯作者。该研究积极吸纳城乡规划本科生协助获取数据、支持研究工作，其中，薛然为合作者，马文科、杜鹏程、高科、房小丫、李禹涵同学被列入研究致谢。
文章主要内容：
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，500m*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。
全文链接:
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。
PLAND=绿地比例
AI=绿地聚集度
PD=绿地斑块密度
LPI=最大绿地斑块比例
