快速城市化对中国绿地造成的边际效应与交互效应

《Environmental Impact Assessment Review》：Marginal and interactive effects of rapid urbanization stress on green spaces in China

本研究提出动态质量-强度框架，结合机器学习模型分析358个城市2000-2020年绿地压力，发现97%城市压力显著增加，温带南方最严重，识别关键阈值及多因素交互机制，为城市治理提供新方法。

　　

贾一飞|陈兆芳|卢星浩|王云才

同济大学建筑与城市规划学院景观建筑设计系，200092上海，中国

摘要

中国的快速城市化加剧了对城市绿地的生态压力（UGS）。然而，传统的静态或单一维度方法难以捕捉这种压力的累积性和动态性，特别是忽略了边缘敏感性和多因素交互机制的关键作用。为了解决这一差距，本研究提出了一种新的量-强度框架，通过整合微积分工具动态量化压力：总压力量（TSQ）用于累积损失，压力强度（SIc）用于边缘敏感性。我们将该框架与XGBoost-SHAP模型结合，应用于358个中国城市的多源遥感数据（2000-2020年）。分析显示，全国范围内压力有所加剧——97%的城市TSQ增加（平均+26%），99%的城市SIc升高（平均+49%）。从空间上看，气候对压力效应有显著影响，尤其是在温带南部地区。重要的是，该模型通过边缘效应识别了关键阈值，例如在干旱地区当热岛强度（ΔLST）>7°C时压力得到缓解。值得注意的是，指标交互效应经常超过个别贡献，气候因素之间的协同作用以及经济和形态指标之间的协同作用尤其具有影响力。本研究提供了从静态评估到动态机制分析的范式转变，为识别压力阈值提供了可靠的方法，以支持适应气候的城市治理和可持续的UGS管理。

引言

快速城市化带来了显著的经济机遇，但也对城市可持续性构成了重大挑战。城市地区的环境污染和生态退化已成为日益突出的问题（Liu等人，2016；Caplin等人，2019）。城市绿地（UGS）作为城市生态系统的重要组成部分，对环境变化非常敏感（Zhou等人，2014；Luo等人，2021）。近几十年来，中国经历了快速的城市扩张。这种转变导致UGS的空间范围和功能质量发生了重大变化，进而引发了一系列生态挑战和城市发展问题（Grimm等人，2008；Zhang等人，2022；Jia等人，2024）。城市扩张对绿地的不利影响通常被称为“生态压力”或“压力效应”（Roy等人，2012；Fang等人，2017）。这种由压力引起的环境变化已成为全球研究的重点。因此，有效管理UGS和维护其功能质量是当代城市治理的核心挑战（Wu，2014）。

城市化作为主导的社会经济驱动力，通过直接和间接机制显著影响了UGS的演变轨迹。城市地区的物理扩张直接通过将农田、草地和其他自然区域转化为道路、建筑物和不透水表面来破坏UGS的生态基础（Liu等人，2015；Yao等人，2019；Zhong等人，2019）。这种土地覆盖变化减少了绿地的总面积，并加剧了其破碎化，导致空间模式变得越来越复杂和不规则。实证分析证实了建成区增长与UGS覆盖率损失之间存在强烈的正相关关系，且存在显著的地区差异（Peng等人，2017；Li和Cao，2019）。同时，现有城市核心区的密集开发间接加剧了UGS的形态破碎化和空间分化。这种城市景观的功能重组减少了绿地斑块的大小和连通性，削弱了它们提供关键生态系统服务的能力（Wu，2014；Haaland和Van Den Bosch，2015；Chu等人，2022）。因此，剩余植被区域的净初级生产力通常下降，损害了其碳封存和微气候调节等核心生态功能（Jia等人，2018；Zhang等人，2022）。这些时空变化突显了城市化对城市绿地结构和功能的深远、多方面的影响。

矛盾的是，尽管城市化仍在继续，许多城市地区的绿地覆盖率和植被生产力却在恢复（Li等人，2026）。卫星观测显示，全球97%的城市表现出与城市化相关的植被增强（Zhang等人，2022）。从地区上看，这种模式也很明显：在中国，86%的主要城市显示出植被增长（Zhao等人，2016），而在美国，92.9%的大都市区也出现了类似的趋势（Jia等人，2018）。这种广泛的恢复主要归因于城市环境变化——如温度升高、降水模式改变和积极的绿化管理，这些因素在某些条件下可以刺激植物生长和再生。然而，这种表面上的恢复可能掩盖了城市化引起的潜在生态压力。虽然局部植被改善源于气候或管理因素，但城市扩张的直接侵入和间接压力可能导致累积的“生态风险”（Yin等人，2026）。因此，植被恢复和压力加剧并不矛盾，而是城市化不同方面的体现：恢复反映了局部补偿，而压力积累则预示着长期的生态系统风险。这一悖论强调了需要一个动态框架来解读压力的多维性质。

城市化无疑是绿地退化的主要驱动力。这一过程还受到社会经济因素的加剧——如人口密度的增加和污染物排放量的增加——这些因素共同改变了资源分布并放大了生态压力。实证研究表明，人口密度高的地区进入城市绿地的便利性大大降低，而优先考虑经济收益的发展政策常常忽视了生态考虑（Gong等人，2014；Bille等人，2023）。建成区的空间配置也表现出显著差异，三维属性（如容积率和服务密度）对植被施加了不同的压力。在高层、高密度建筑主导的地区，植物生长常常受到遮荫的抑制。相比之下，低密度城市扩张倾向于大量占用土地，导致绿地破碎化和位移（Sun等人，2020）。因此，构建一个多因素耦合模型对于分析UGS的动态演变至关重要，重点在于识别退化阈值和 Chinese城市中城市绿地关键驱动路径的时空差异。

尽管人们对城市化压力的认识日益增加，但当前的评估方法存在局限性，阻碍了我们对复杂生态动态的理解。卫星遥感被广泛用于监测植被生长，常用的指标包括归一化植被指数（NDVI）和增强植被指数（EVI）。遥感是描述土地表面变化（包括城市植被）时空变化的强大工具（Zhang等人，2022）。Zhao等人（2016）建立了一个耦合分析框架，通过EVI与城市强度之间的关系定量评估城市化对植被生长的直接和间接影响。一些现有的评估主要是静态的，未能捕捉压力的累积。多维指标，如生态脆弱性指数和基于遥感的生态指数，已被用来评估特定时间点的绿地系统健康状况（Wang等人，2021；Lan等人，2023）。此外，还开发了多维框架来评估绿地压力，强调面积、模式、功能和相关阈值效应（Jia等人，2024）。虽然这些方法能够很好地描述状态，但它们缺乏量化随时间累积的压力的时间连续性，并且难以捕捉城市化梯度上的时空动态。其次，传统统计模型常常错过关键的生态阈值（Ho和Cole，2023）。尽管线性回归常用于识别驱动因素（Li等人，2018；Zhong等人，2021；Zhang等人，2022），但绿地响应本质上是非线性和不连续的。线性假设可能会掩盖“临界点”——压力急剧增加的关键阈值。因此，这些方法无法提供定义安全城市治理边界的定量阈值。气候背景与城市形态之间的相互作用仍然未得到充分探索（Li等人，2023）。尽管最近的研究采用了机器学习模型（如随机森林）来解决非线性问题（Chen等人，2024；Jia等人，2024），但它们往往将驱动因素视为独立的，或者未能将3D城市特征与气候数据结合起来，使交互机制成为一个“黑箱”。如果不解耦这些效应，就很难解释为什么相似的城市化强度会在不同气候区产生不同的生态结果。为了解决这些差距，我们的研究从静态描述转向动态机制分析，通过整合总压力量（TSQ）-压力强度（SI）框架与XGBoost-SHAP可解释模型（Li，2022；Ren等人，2026），我们旨在量化城市绿地压力的边缘和交互效应，支持可持续的城市治理。

作为城市化最快的国家之一，中国需要深入了解城市扩张对绿地造成的压力。研究城市植被如何应对环境变化对于指导可持续的城市化路径至关重要。本研究对2000年至2020年358个中国城市的压力动态进行了全面分析，整合了多源遥感数据和机器学习技术，以实现以下目标：（1）建立一个新的TSQ-SI评估框架。（2）解析压力效应的时空差异；（3）通过边缘效应和交互效应识别控制压力响应的关键阈值和机制。

研究框架

本研究通过结合“TSQ-SI框架”和“XGBoost-SHAP混合模型”（图1）建立了一个综合分析框架。首先，将多源遥感和地理数据输入TSQ-SI框架，该框架利用“积分-微分”运算（（3），（4）从城市强度（$\beta$）与增强植被指数（EVI）之间的非线性关系中动态量化TSQ-SI的核心指标，从而将静态的生态损失转化为

压力的时空差异

对358个中国城市的分析显示，97%的城市经历了加剧的城市化引起的压力，全国平均增加了约26%（图4A）。最高的TSQ值出现在温暖湿润的南部沿海地区，如珠江三角洲。相比之下，负TSQ值——表明压力得到缓解——主要出现在干旱的西北部中国。在温暖地区，压力影响明显强于寒冷和干旱地区（图4B）。在全国范围内

城市化压力的全国性加剧

本研究揭示了中国快速城市化过程中绿地压力效应的复杂和广泛模式。根据2000年至2020年中国城市EVI变化的计算，我们发现44.26%的城市地区出现了退化趋势，8.61%的城市地区没有显著植被变化，46.12%的城市地区表现出绿化恢复趋势（附录D-1，表3）。这一结果表明，由于压力，中国城市的植被退化很普遍

结论

总之，应对快速城市化对绿地造成的多方面压力需要克服静态、单一维度评估的局限性，并探索驱动这种压力的具体机制。本研究通过结合TSQ-SI框架和XGBoost-SHAP模型的新方法，从根本上推动了该领域的发展，实现了动态的双维量化和压力边缘效应及交互效应的评估。该框架整合了微积分工具

作者贡献声明

贾一飞：方法论、数据管理、正式分析、调查、软件、可视化、初稿撰写、审稿与编辑、资金获取。陈兆芳：方法论、数据管理、调查、正式分析、软件、审稿与编辑。卢星浩：方法论、审稿与编辑、调查。王云才：概念化、方法论、审稿与编辑、调查、项目管理、监督。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（授权号：52578089）的支持。