高精度噪声映射在促进健康公平的城市治理中的应用：一个两阶段多源框架

《Sustainable Cities and Society》：High-Precision Noise Mapping for Health-Equitable Urban Governance: A Two-Stage Multi-Source Framework

　　雅静地|何群民|于一轩|明霞|静瑜唐|荣华黄
教育部城市与建筑遗产保护重点实验室，东南大学建筑学院，中国南京四牌楼2号，210096

**摘要**
混合用途商业区的城市噪音污染对公共健康和可持续发展构成重大威胁，直接违背了联合国可持续发展目标（SDGs）3和11。实现健康公平的城市治理需要高精度的噪音测绘，以识别影响弱势群体的噪音暴露热点并支持公平的缓解措施。然而，传统方法无法捕捉多源复杂性和空间异质性。为应对这一治理挑战，本研究提出了一个两阶段高精度噪音测绘框架，将交通噪音校正与基于现场监测数据的社区噪音建模相结合。第一阶段采用频率特定的非线性优化方法，迭代细化交通源功率，将建模误差控制在可接受的范围内。第二阶段引入基于聚类的时空校正机制，通过时间平均背景噪音水平等效表示分布式噪音源，克服了空间分散排放源带来的建模难题。由四种功能点类型组成的优化监测网络提高了空间代表性和数据覆盖范围。在中国南京中心商业区的案例研究表明，该框架的准确度高于1.5 dB(A)，在夜间预测中的平均绝对误差（MAE）方面比传统模型高出80%以上，揭示了混合用途区夜间社区噪音的主导地位。除了方法创新外，这种方法还为健康公平治理奠定了全面基础，能够进行健康风险评估，优先保护弱势群体，并促进与SDG目标一致的资源分配。该框架具有与基于物联网的监测系统和数字孪生平台无缝整合的潜力，适用于未来的智慧城市应用。

**引言**
城市环境噪音污染通过增加健康负担、降低生产力和加剧暴露不平等，严重阻碍了可持续发展。世界卫生组织（WHO）将噪音列为仅次于空气污染的第二大环境健康风险，并制定了阈值建议以减轻不良后果（《欧洲地区环境噪音指南》，2018年）。流行病学研究证实，长期暴露会导致烦恼（Brink等人，2019年；Zhang等人，2020年）、睡眠障碍（Y. Cai等人，2021年；Münzel等人，2021年）、心血管疾病（Cole-Hunter等人，2021年；Krittanawong等人，2023年；Münzel等人，2025年）和认知障碍（Li等人，2022年；van Kempen等人，2010年）。欧洲环境署2020年的评估显示，超过1亿欧洲人暴露在超过55 dB(A)的日夜间等效声级的有害道路交通噪音中，每年导致约12,000例过早死亡和大量伤残调整生命年损失（《欧洲环境噪音-2020》，2020年）。这些健康影响直接威胁到联合国可持续发展目标（SDGs）的实现（《改变我们的世界：2030年可持续发展议程》，2015年），特别是SDG 3（良好健康与福祉）和SDG 11（可持续城市和社区）。城市噪音暴露的慢性特征——持续的车流、间歇性的社区活动和空间异质性分布——对城市宜居性和居民福祉构成了持久挑战，需要系统的评估和基于证据的缓解策略。

定量风险评估已经建立了环境噪音与多种不良健康结果之间的稳健暴露-反应关系，涉及生理、心理和发展领域。心血管效应是最广泛记录的健康负担，长期暴露于道路交通噪音会通过应激介导的神经内分泌途径显著增加高血压、心肌梗死和中风的风险（Cole-Hunter等人，2021年；Krittanawong等人，2023年；Münzel等人，2025年）。睡眠障碍是另一个关键途径，因为夜间噪音暴露会扰乱睡眠结构，减少恢复性睡眠阶段，并引发代谢和免疫功能障碍（Y. Cai等人，2021年；Münzel等人，2021年）。认知和心理健康影响在弱势群体中尤为明显：长期暴露于噪音的儿童表现出阅读理解、记忆巩固和学业表现受损（van Kempen等人，2010年），而成人则表现出焦虑、抑郁和心理困扰的风险增加（Li等人，2022年）。新兴研究进一步表明，早期儿童期的神经发育后果和老年人群的认知衰退加速，强调了持续噪音暴露的生命周期影响（Lee等人，2024年；Mir等人，2023年）。这些健康差异因城市环境中噪音暴露的不平等空间分布而加剧。

噪音污染对社会弱势群体影响尤为严重，加剧了城市环境中的不公正和健康不平等。低收入人群和高密度租赁社区由于靠近主要交通走廊、难以获得隔音住房以及搬迁能力有限，往往承受不成比例的噪音负担（Basu等人，2021年；Peris & Arguelles，2023年；Tong & Kang，2021年）。这种暴露的空间不平等转化为健康风险的不平等，进一步加剧了发病率和死亡率的社会经济差异（Y. Wang等人，2023年；Xie等人，2025年）。除了对人类健康的影响外，城市噪音污染还通过干扰鸟类交流、改变物种分布模式和降低人口密集区域的栖息地质量，对生态系统和生物多样性产生不利影响（Herrera-Montes和Aide，2011年）。噪音对人类社区和生态系统的复合效应凸显了在城市发展中同时解决社会公平和环境可持续性的综合噪音管理策略的必要性。

作为量化暴露、评估健康风险和为政策决策提供信息的关键工具，高精度噪音测绘对于理解和管理城市声景变得不可或缺。准确的噪音分布空间表示能够基于证据识别影响弱势群体的噪音暴露热点和优先干预区域，从而支持公平的资源分配和有针对性的缓解策略（Galassi Luquezi等人，2025年；Hankach等人，2024年；Helbich等人，2025年；O’Reilly等人，2025年；Song等人，2024年）。通过将声学评估纳入城市规划框架，噪音测绘有助于设计可持续、宜居且有韧性的城市，平衡商业活力与居民宁静。特别是在具有多样化噪音源和异质空间模式的复杂多功能城市区域，推进噪音测绘方法是可持续城市治理的关键科学和实践要求。

在交通噪音测绘方面，国际标准如ISO 9613（Ascari等人，2015年；Cho等人，2004年）和欧洲指令2002/49/EC为声传播建模提供了通用框架。在国家认可的模型中，一些值得注意的例子包括FHWA（美国）（Barry，1978年）、RLS90（德国）（RLS90.Richtlinien Für Den L?rmschutz an Strassen., 1990）和HJ 2.4-2021（中国）（生态环境部，2021年）。然而，这些模型在城市商业区存在某些局限性。例如，FHWA模型假设交通流量速度超过60 km/h，因此在以频繁停车和30-45 km/h速度为特征的城市环境中可靠性较低。同样，中国的HJ 2.4-2021模型规定的平均速度范围为48-140 km/h，超过了典型的城市速度，未能考虑交叉口延误和加速周期等复杂驾驶行为（《噪音影响评估技术指南》，2021年）。尽管存在这些局限性，HJ 2.4-2021模型仍被纳入本研究作为比较基准，因为其在人口密集的商业区应用显示在低速、停车和走行交通条件下系统性地低估了噪音水平，在以背景社区噪音为主的区域则高估了噪音水平。此外，城市结构的显著区域差异（Chen等人，2020年；B. Wang和Kang，2011年）以及噪音源的时空变异性（Lu等人，2019年；Przysucha等人，2021年；Song等人，2024年）进一步降低了这些依赖基于交通量和速度的经验公式估算源功率的模型的准确性。

噪音监测显著提高了交通噪音测绘的准确性（Helbich等人，2025年；Quintero等人，2019年；Ruggiero等人，2016年；Tutmez & Baranovskii，2019年；Xie等人，2025年；Zhang等人，2019年）。现有研究大致可分为两种主要方法。第一种方法涉及收集交通流量数据和土地利用信息，应用预测或回归模型，并用监测数据验证预测结果（Alam等人，2024年；M. Cai等人，2015年；Xue等人，2021年；G. Zheng等人，2025年）。第二种方法是基于噪音测量的反演建模，利用实地的经验数据校准模型参数，特别是估算道路交通噪音源功率，从而显著提高预测准确性。例如，Ausejo等人（Ausejo等人，2019年）开发了一种基于街道分类和连续监测的低成本传感器网络，以改进噪音预测。Hong等人（Hong等人，2023年）将CNOSSOS-EU模型与多变量非线性回归相结合，利用历史和实时交通数据估算道路交通噪音源功率，并通过查找表实现实时噪音测绘更新。Wei等人（Wei等人，2016年）通过最小均方校正优化了模型参数，将预测误差降至3–5 dB(A）。Zambon等人（Zambon等人，2016年，2017年）利用基于每小时噪音监测和交通量的城市道路聚类，通过调整接收器声压级（SPLs）来细化噪音测绘，平均误差低于3 dB(A）。

尽管取得了这些进展，交通噪音测绘在城市商业区仍面临三个关键挑战：（i）计算精度不足。现有模型主要针对高速公路环境设计，无法捕捉人口密集城区典型的低速、停车和走行交通模式的复杂声学特征。（ii）过度依赖经验模型和辅助交通数据输入。这些方法受到交通数据的时间分辨率和大量辅助参数（如详细的时间分辨交通流量数据）的限制，限制了其在交通监测基础设施有限的地区的适用性。（iii）噪音源的时空变异性。由于交通流量的波动、时间依赖的城市商业活动和季节性行为模式，噪音源的时空变异性引入了静态建模方法无法充分解决的显著不确定性。

社区噪音的重要性不仅体现在其声学贡献上，还涵盖了高密度商业区中的独特健康和社会影响。与具有相对可预测时间模式的交通噪音不同，社区噪音具有高复杂性、广泛存在和突然变化的特点，使得传统建模方法无效，并对高精度噪音测绘构成重大挑战。研究表明，社区噪音与噪音烦恼和睡眠障碍密切相关（Billings等人，2020年）。2023年，中国县级城市共记录了450.3万起噪音投诉，其中67.5%为社区噪音（中华人民共和国生态环境部，2023年）。此外，社区噪音可使社区声压级（SPL）升高10–20 dB(A）（M. Cai等人，2015年；Si等人，2022年），表明仅依赖交通噪音模拟不足以准确反映实际的城市声环境。当前的社区噪音分析方法包括基于现场监测测量的插值映射和结合投诉、兴趣点和社交媒体数据的感知评估（D’Hondt等人，2013年；Guo等人，2022年；Jiao等人，2025年；Y. Zheng等人，2014年；Zuo等人，2016年）。例如，D’Hondt等人（D’Hondt等人，2013年）利用众包监测和插值技术为比利时1平方公里区域构建了基于测量的噪音映射。Guo等人（Guo等人，2022年）分析了政府平台的公共噪音投诉，发现夜间投诉是白天的两倍，住宅和混合用途区域与噪音投诉的相关性最高。由于社区噪音源的多样性和分散性，传统的瞬时SPL预测模型难以提供准确表示。然而，在较长的时间尺度和定义的空间范围内，社区噪音表现出扩散但有组织的分布模式，可以使用时间平均背景噪音水平有效量化。近年来，聚类算法的发展显著扩展了环境噪音特征的分析能力（Alías-Pujol等人，2024年；Bonet-Solà等人，2023年；Hummel等人，2023年；Pita等人，2021年，2022年；Socoró等人，2022年）。例如，Hummel等人（Hummel等人，2023年）利用聚类方法从噪音数据中提取活动模式，并研究其与人类感知的关系，而Pita等人（Pita等人，2021年）证明聚类方法能有效识别巴塞罗那声学传感器网络中的不同声音环境和行为模式。这些方法论的进步为系统化地量化社区噪声并将其整合到复杂城市环境中的区域噪声映射框架中提供了基础。然而，城市商业区的社区噪声研究仍然不足，并面临两个关键挑战：(i) 当前的噪声映射方法主要依赖于监测数据的直接插值，这大大限制了计算效率和空间精度；(ii) 与交通噪声评估不同，社区噪声缺乏标准化的评估协议和经过验证的预测模型，而聚类算法在系统量化及整合到区域映射框架中的应用潜力尚未得到充分探索。尽管在交通和社区噪声特征描述方面存在上述挑战，但最近在城市噪声映射方面的技术进步越来越多地利用了物联网（IoT）传感器网络、基于智能手机的众包和移动监测平台来扩大时空覆盖范围并捕捉瞬态声学事件（Castillo-Atoche等人，2024年）。研究正从简单的噪声水平测量转向对其健康和社会影响的更全面和智能的评估，特别是对于脆弱人群（Bibri & Huang，2025年；Shahid等人，2021年）。低成本声学传感器和校准的移动设备通过增加采样密度和实现实时数据采集，展示了补充固定监测站的潜力（Weil等人，2023年）。然而，这些新兴技术面临关键技术障碍，限制了它们整合到高精度映射框架中的能力。基于IoT的传感器网络虽然能够实现自动化数据收集和警报系统，但在电磁干扰密集的城市环境中存在校准漂移、带宽限制和数据可靠性问题（Hong等人，2025年）。基于智能手机的众包尽管具有可扩展性优势，但其测量精度高度依赖于设备型号、麦克风灵敏度和用户行为，缺乏标准化校准协议进一步限制了跨数据集的可比性（Ascari等人，2024年；Galassi Luquezi等人，2025年；Jezdovi?等人，2021年）。可用性限制和隐私问题也削弱了这些策略在混合用途城市环境中的操作可行性。因此，这些基于IoT和众包的技术尚未被系统地整合到需要根据标准化测量协议进行严格验证的高精度噪声映射框架中。鉴于这些限制，从实验性监测向操作性映射系统的过渡需要通过在复杂多源环境中战略性地部署监测点来建立一个经过验证的基线框架。这样的框架需要空间代表性、减少的采样偏差以及针对混合用途城市环境中的交通和社区噪声的高精度建模能力。此外，该框架还需要校准参考和质量控制基准，以支持未来IoT传感器网络和实时动态更新能力的整合。为了解决这些挑战，本研究提出了一种新颖的两阶段高精度噪声映射框架，该框架利用监测数据动态校正交通源功率和社区噪声成分，以支持健康公平的城市治理。与传统单源模型相比，这种综合方法通过提高多源噪声特征的完整性显著提高了预测精度，从而能够更可靠地识别影响脆弱人群的暴露热点。该框架包含了两个关键的方法论创新：(i) 开发了一种利用Nelder-Mead非线性优化算法的迭代校正方法，通过基于现场路边测量的迭代来实现精确调整；(ii) 提出了一种利用随机背景噪声采样的聚类方法来表征社区噪声模式，并使其能够直接整合到区域噪声映射系统中。此外，框架中结合了一种优化的噪声监测部署策略，其中包含了四种为不同分析目的设计的专门监测点。这种方法为复杂城市商业区的高精度噪声映射提供了经过验证的基线，同时为未来整合IoT传感器网络和实时监测能力以支持持续的环境健康监测奠定了校准基础。这项研究直接有助于实现联合国可持续发展目标（SDGs），特别是SDG 11和SDG 3，通过提供高精度的声学环境评估工具，实现基于证据识别影响脆弱人群的噪声热点。提高的精度有助于与WHO暴露指南相一致的定量健康风险评估，支持有针对性的缓解策略、公平的资源分配以及时间敏感的干预措施（特别是在混合用途商业区的夜间暴露期间）在城市规划中。为了验证所提出的方法，选择了中国南京的一个商业区作为案例研究区域。第4节进行了与现有方法的全面比较，以证明该框架的有效性和实际适用性，以支持可持续的城市治理。

问题表述和方法论框架
随着混合用途发展和开放社区规划的发展，现代城市中心展示了高度整合的住宅、商业和娱乐功能。这些多功能区域由于人口密度高、流动性强和多样的社会活动而具有独特的声学特征。主要声源可以分为两类：(i) 来自车辆流动、鸣笛和公共交通系统的交通噪声；(ii) 社区噪声。

现场测量
本节详细介绍了研究区域的特点、监测点部署策略、测量协议和仪器设备，以确保所提出框架的可重复性和验证。选择了中国南京中心区的一个混合功能微尺度城市街区（0.1平方公里），以研究主要道路和相邻商业-住宅活动对当地环境噪声的联合影响。该区域代表了典型的高密度、多功能环境。

现场测量结果
表4总结了各个噪声监测点的测量结果。由于交通噪声校正点（C）和验证点（V）之间的区分基于交通噪声源计算过程中的多次随机迭代，因此在实际路边噪声测量中这些点并不区分，因此在统计分析中合并在一起。车辆类别根据两个标准独立定义：CNOSSOS-EU（欧盟委员会，2015年）和...

结论
本研究开发了一种两阶段高精度噪声映射框架，将交通噪声源功率校正与社区噪声空间聚类相结合，以应对混合用途城市区域的声学复杂性，支持健康公平的城市治理。框架的第一阶段采用Nelder-Mead算法进行频率特定的非线性优化，通过迭代逐步细化交通源排放参数，将预测误差控制在可接受的阈值内。

作者贡献声明
Yajing Di：写作——审阅与编辑、写作——初稿、可视化、验证、软件、方法论、调查、形式分析、数据管理。Hequn Min：写作——审阅与编辑、写作——初稿、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、数据管理、概念化。Yiquan Xu：验证、软件、调查、形式分析、数据管理。Ming Xia：验证、资源。

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
本工作得到了中国自然科学基金（项目编号51408113）、江苏省自然科学基金（项目编号BK20140632）以及南京公路发展中心委托的“利用自适应声学干扰屏障进行智能噪声控制以实现可持续交通”的研究项目的支持。我们感谢Jinyu Guo女士在实地测量方面的协助。