多维度城市绿化对成年人血脂异常和血脂谱的影响：香港的一项10年纵向队列研究

《Environmental Research》：The impacts of multidimensional urban greenness on incident dyslipidaemia and blood lipid profiles among adults: A 10-year longitudinal cohort study in Hong Kong

　　刘玉飞|陈思毅|林长青|郑一玲|易圆圆|杨 Jun|杨修伦|马 Jun|李伟峰|潘传光|郝凌馨|郭翠
香港特别行政区香港大学建筑学院城市规划与设计系

**摘要**
尽管绿色环境对健康的益处已有充分记录，但将多维度绿化与血脂健康（心血管疾病的关键风险因素）联系起来的纵向证据仍然有限，特别是在高密度城市环境中。这项为期10年（2008-2017年）的队列研究调查了香港多维度绿化与血脂健康之间的关联。我们评估了每位参与者住所附近的空中绿化程度、街道可见度（绿色视野指数）以及三维绿化体积。研究中分析了24,458名成人和6,239名成人的绿化程度与血脂状况（总胆固醇、甘油三酯、高密度脂蛋白胆固醇、低密度脂蛋白胆固醇）之间的关系，以及这些因素与血脂异常的发展情况。通过使用时间变异性Cox回归模型和线性混合效应模型，我们发现所有绿化指标每增加一个四分位距，血脂异常的风险降低8–14%。所有绿化指标都与更健康的血脂水平相关。值得注意的是，我们确定了三维绿化体积对健康影响的潜在阈值（1.1立方米），这相当于目前香港平均水平大约需要提高37.5%。中介分析显示，细颗粒物显著中介了三维绿化体积对血脂异常发展的影响（高达40.39%）。非老年成人和女性参与者从绿化中获益较少。这些发现为城市绿化提供了定量目标，并为利用自然解决方案构建可持续健康城市提供了理论依据。

**1. 引言**
血脂异常是心血管疾病的主要可改变风险因素，而心血管疾病是全球的主要死亡原因。虽然全球胆固醇水平总体上保持稳定，但在1980至2018年间，东亚和东南亚地区男女的年龄标准化平均总胆固醇水平分别增加了15.5毫克/分升。血脂异常是一种多因素疾病，与环境暴露、基本健康状况、生活方式和遗传倾向等多种因素相关。
城市绿地对人类健康和环境可持续性具有多重益处。先前的研究表明，绿化可能通过直接和间接机制影响血脂健康。直接方面，接触绿化环境与调节炎症相关淋巴细胞（包括PLXDC1、IGFBP2和LY6D蛋白）以及调节人体脂质代谢和运输有关；间接方面，绿地通过促进体育活动、支持体重管理和缓解空气污染等环境压力因素来改善血脂健康。这些机制共同维护了血脂健康。
尽管有这些实验性发现，但关于城市绿化与血脂健康关联的流行病学研究结果并不一致。一些研究报告称居住区的绿化可以预防血脂异常或改善血脂状况，但也有一些研究得出了相反结果。这些差异可能归因于研究区域、参与者特征和设计方法的差异。此外，一些研究依赖于横断面设计，无法捕捉绿化暴露的纵向变化及其对应的健康影响。
另一个可能的解释是绿化指标的多样性，这些指标反映了不同方面的城市绿化情况。以往关于城市绿化与血脂健康关联的研究主要依赖于基于卫星的指标（如归一化植被指数NDVI和增强植被指数EVI），但这些指标未能反映个人在日常生活中的绿化体验。在香港这样的复杂城市形态中，垂直结构和高密度开发会显著影响绿化的可及性和视觉暴露，从而改变其健康效益。然而，很少有研究评估街道级别的绿化（如绿色视野指数GVI）与血脂健康之间的关联。

**2. 方法**
**2.1. 研究参与者**
参与者来自由MJ健康管理机构建立的香港动态队列。自2002年以来，该私人订阅制机构为居民提供全面的健康筛查服务。2002至2017年间，约有60,000名香港居民参与了该项目。更多细节见补充在线内容S1。每位参与者均签署了知情同意书。MJ健康研究基金会发表了详细说明健康测量程序和质量保证措施的技术报告。本研究已获得香港大学人类研究伦理委员会的批准（EA240157）。
本研究共有32,503名18岁及以上的成人参与，其中8,045人因缺少GSV数据、血脂资料或协变量信息以及服用类固醇药物而被排除在外。最终，24,458名成人（包含41,475条观测数据）被纳入血脂分析，6,239名成人（包含18,944条观测数据）被纳入血脂异常分析（见图S1）。纳入和排除的参与者主要特征相似（见表S1）。

**2.2. 结果评估**
血液样本采集的详细信息见补充材料S1。清晨空腹时采集血液样本，使用自动化生化分析仪检测血浆葡萄糖和血脂成分。所有检测均在MJ健康筛查中心实验室进行，质量控制程序记录在技术报告中。主要分析指标包括总胆固醇（TC）、甘油三酯（TG）、高密度脂蛋白胆固醇（HDL-C）和低密度脂蛋白胆固醇（LDL-C）。血脂异常定义为TC≥240毫克/分升、TG≥200毫克/分升、HDL-C<40毫克/分升或LDL-C≥160毫克/分升。

**2.3. 多维度绿化评估**
本研究评估了四种绿化指标：基于卫星的指标（NDVI和EVI）、绿色视野指数GVI和三维绿化体积3DGV。所有指标均基于参与者住所周围500米范围内的年平均值计算。为了反映长期环境暴露情况，使用了包含健康评估当年及前一年的两年平均值。

**2.3.1. 基于卫星的绿化指数**
卫星图像来自美国地质调查局数据库提供的Landsat Collection 2 Tier 1 Level 2产品，分辨率为30米。选取了2007至2017年间覆盖香港的卫星图像，通过位运算提取质量评估带中的特定标志位，从而生成屏蔽掩码，排除受影响的像素。缺失值采用最近邻插值法填补。NDVI和EVI的计算方法详见相关文献。

**2.3.2. 绿色视野指数**
使用Google街景（GSV）全景图评估GVI。道路网络地理数据来自香港地政署。在每位参与者住所周围500米半径范围内，以50米间隔设置了采样点，共收集了198,344张GSV图像。每张图像均使用在ADE20K数据集上预训练的Pyramid Scene Parsing Network（PSPNet）算法进行处理，总体准确率为93.4%。将标记为“树木”、“草地”、“花朵”和“植物”的特征比例汇总后计算GVI。因GSV图像缺失的数据使用同一采样点最近两年的数据进行替换。

**2.3.3. 三维绿化体积**
三维绿化体积（3DGV）通过激光雷达（LiDAR）数据评估，数据来源于香港土木工程与发展部。LiDAR数据采集时间为2010年12月1日至2011年1月8日，生成的数字地形模型（DTM）和数字表面模型（DSM）分辨率为0.5米。通过从DSM中减去DTM得出树冠高度模型（CHM），进而计算绿化体积。使用2010年的年均3DGV值对每位参与者进行评估。为了估算2008–2017年（2010年除外）的3DGV，采用了随机森林和极端梯度提升（XGBoost）算法。利用2010年的NDVI、EVI和GVI值预测同年同一缓冲区内的3DGV。数据集分为训练集（80%）和测试集（20%），XGBoost因预测性能优越而被选中。

**2.4. 协变量和潜在中介因素**
协变量的选择主要基于先前研究和有向无环图（图S2）。主要分析包括年龄（年）、性别（男/女）、教育程度（初中以下<10年、高中10–12年、大学13–16年或研究生以上>16年）、吸烟情况（从未/曾经/当前）、饮酒情况（从未/很少<每周一次 每周一次以上）、蔬菜 水果摄入量（很少≤每天1份、中等1.5–2.0份 天、频繁>2份/天）、体力活动强度（不活跃/低/中等/高强度）、体重指数（BMI；kg/m2）、工作强度（主要坐着/需要站立/行走/高强度）、是否服用类固醇药物、注册年份和每次医学评估的季节（春季/夏季/秋季/冬季）。
环境中的细颗粒物（PM2.5）和代谢当量小时数（MET-h）被纳入作为潜在中介因素。PM2.5浓度数据采用1km×1km的空间时间模型估算。模型整合了MODIS气溶胶光学深度数据和地面测量数据，通过两步校正过程得出。

**3. 结果**
多维度绿化指标（NDVI、EVI、GVI和3DGV）对成人血脂状况和血脂异常发展的影响通过10年纵向队列研究进行了评估。此外，研究了可能易受影响的群体（非老年人和女性）以及可能的中介因素（环境中的细颗粒物PM2.5和体力活动），以解释绿化对血脂健康的调控作用。

**结论**
本研究为城市绿化提供了定量目标，并为利用自然解决方案构建可持续健康城市提供了理论依据。问卷中还包含了每项活动每周所花费的时间（以小时计）。然后通过将活动的新陈代谢当量（MET-h）值与活动持续时间（小时）相乘来计算MET-h。2.5. 统计分析使用Spearman等级相关系数来檢查连续-连续变量对之间的成对关联，使用相关比率（eta）来檢查分类-连续变量对之间的关联，以及使用Cramér’s V来檢查分类-分类变量对之间的关联。线性混合效应回归模型被用来檢查绿色度指标（即NDVI、EVI、GVI和3DGV）与脂质谱（即TC、TG、HDL-C和LDL-C）之间的关联。绿色度暴露被分别作为连续变量和分类变量（基于四分位数）进行分析。结果以每个绿色度指标的四分位数范围（IQR）增加的系数和95%置信区间（CI）的形式呈现。对于每个绿色度指标，依次进行了三个模型调整了协变量：模型1没有包括任何协变量；模型2调整了人口统计变量（年龄、性别和教育水平）、BMI、季节和入组年份；模型3进一步调整了生活方式因素（体力活动强度、工作强度、吸烟状态、酒精摄入量和蔬菜/水果摄入量），以及类固醇药物的使用情况。使用具有个体级别随机截距的时间变化Cox回归模型来研究多维绿色度与血脂异常发生之间的关联。除了性别和基线年份外，所有上述协变量都被作为时间变化变量包括在内。估计的影响以风险比率（HR）及其相应的95%置信区间（CI）的形式呈现。使用似然比测试来确定关联是线性的还是非线性的。基于模型3的自然样条函数对浓度-反应关联进行了可视化。为了验证估计关联的稳健性，进行了以下敏感性分析：（1）在参与者地址的300米缓冲区内评估多维绿色度；（2）在参与者地址的1000米缓冲区内评估多维绿色度；（3）在访问年份及其前两年内评估三年平均绿色度暴露；（4）在访问年份内评估年平均绿色度暴露；（5）使用随机森林作为估计3DGV的替代方法；（6）将GVI重新定义为“树木”和“草地”类别。为了识别潜在的脆弱人群，根据模型3进行了分层分析，按年龄（18-60岁与>60岁）、性别（男性与女性）、BMI（<23 kg/m2与≥23 kg/m2）和体力活动强度（不活跃/低与中/高）进行划分。在模型3中包括了绿色度指标与潜在效应修饰因素之间的交互项，以测试不同亚组之间的绿色度-脂质健康关联是否存在统计学差异。进行了因果中介分析，以评估PM2.5和MET-h是否可能作为多维绿色度与脂质健康关联的中介因素。详细信息见文本S2。简而言之，使用R中的CMAverse包分别估计了每个中介因素的中介效应。对于每个中介模型，我们估计了总效应、自然直接效应、自然间接效应和中介比例。中介模型调整了与模型3相同的协变量集。环境暴露使用Google Earth Engine、Google Colab和ArcGIS Pro（版本3.0.1）进行评估。所有统计分析均使用R软件（版本4.4.2）进行。统计显著性定义为双尾P值小于0.05。3. 结果本研究包括24,458名成年人，他们在2008年至2017年间在香港产生了41,475条医疗观测记录，共计31,798人年。大多数参与者居住在香港岛和九龙（图S3）。基线时，平均年龄为41.6岁[标准差（SD）：11.8岁]（表1）。超过一半的人获得了大学或更高水平的教育。13.9%的人是当前吸烟者，17.9%的人偶尔或经常饮酒，57.3%的人报告体力活动强度较低。TC、TG、HDL-C和LDL-C的平均水平分别为196.0 mg/dL（SD：36.5）、105.6 mg/dL（SD：82.3）、54.9 mg/dL（SD：12.9）和120.0 mg/dL（SD：32.7）。在基线时没有血脂异常的6,239名参与者中，有1,032人在研究期间出现了血脂异常，累计发病率为16.54%。表1. 主要分析中参与者的描述性统计。表1. 基线时用于评估脂质谱的参与者（n = 24,458）基线时用于评估血脂异常发展的参与者（n = 6,239）人口统计因素年龄（岁）41.6 ± 11.840.1 ± 10.8性别男性10,678.0 (43.7%)2,285.0 (36.6%)女性13,780.0 (56.3%)3,954.0 (63.4%)教育水平低于高中9,197.0 (37.6%)1,972.0 (31.6%)高中423.0 (1.7%)91.0 (1.5%)大学或学院12,415.0 (50.8%)3,518.0 (56.4%)研究生2,423.0 (9.9%)658.0 (10.5%)BMI（kg/m2）22.6 ± 3.521.8 ± 3.2季节春季6,856.0 (28.0%)1,700.0 (27.2%)夏季6,263.0 (25.6%)1,603.0 (25.7%)秋季6,213.0 (25.4%)1,557.0 (25.0%)冬季5,126.0 (21.0%)1,379.0 (22.1%)基线年份2,011.6 ± 2.92,010.0 ± 2.1生活方式吸烟习惯从未19,585.0 (80.1%)5,262.0 (84.3%)曾经1,479.0 (6.0%)310.0 (5.0%)当前3,394.0 (13.9%)667.0 (10.7%)酒精摄入从未或很少20,078.0 (82.1%)5,215.0 (83.6%)偶尔3,080.0 (12.6%)752.0 (12.1%)经常1,300.0 (5.3%)272.0 (4.4%)蔬菜摄入很少6,845.0 (28.0%)1,626.0 (26.1%)中等13,130.0 (53.7%)3,472.0 (55.6%)频繁4,483.0 (18.3%)1,141.0 (18.3%)水果摄入很少9,471.0 (38.7%)2,328.0 (37.3%)中等13,392.0 (54.8%)频繁4,483.0 (18.3%)1,141.0 (18.3%)水果摄入很少9,471.0 (38.7%)2,328.0 (37.3%)中等13,392.0 (54.8%)频繁1,595.0 (6.5%)382.0 (6.1%)体力活动强度不活跃2,059.0 (8.4%)207.0 (3.3%)低活动强度14,008.0 (57.3%)3,825.0 (61.3%)中等活动强度6,143.0 (25.1%)1,620.0 (26.0%)高强度2,248.0 (9.2%)587.0 (9.4%)工作强度主要坐着17,243.0 (70.5%)4,709.0 (75.5%)需要站立/步行5,579.0 (22.8%)1,254.0 (20.1%)高强度1,636.0 (6.7%)276.0 (4.4%)药物使用类固醇药物摄入没有24,349.0 (99.6%)6,216.0 (99.6%)有109.0 (0.4%)23.0 (0.4%)健康结果TG（mg/dL）105.6 ± 82.384.2 ± 34.5TC（mg/dL）196.0 ± 36.5187.0 ± 26.5HDL-C（mg/dL）54.9 ± 12.957.8 ± 11.2LDL-C（mg/dL）120.0 ± 32.7112.3 ± 23.9血脂异常6,214.0 (25.4%)–绿色度指标NDVI20.3 ± 0.10.3 ± 0.1EVI20.2 ± 0.10.2 ± 0.1GVI (%)210.0 ± 5.09.5 ± 4.63DGV（m3）20.8 ± 0.30.8 ± 0.3中介PM2.530.0 ± 5.232.4 ± 4.6MET-h8.9 ± 17.88.1 ± 15.6缩写：BMI，体重指数；TC，总胆固醇；TG，甘油三酯；HDL-C，高密度脂蛋白胆固醇；LDL-C，低密度脂蛋白胆固醇NDVI，标准化植被指数；EVI，增强植被指数；GVI，绿色视图指数；3DGV，三维绿色体积；PM2.5，环境细颗粒物；MET-h，任务小时的新陈代谢当量。1连续变量的值以平均值±标准差的形式呈现。分类变量以计数（%）的形式显示。2访问年份及其前一年的两年平均值。基线时，NDVI、EVI、GVI和3DGV的平均值分别为0.3（SD：0.1）、0.2（SD：0.1）、10.0%（SD：5.0%）和0.8 m3（SD：0.3 m3）。所有绿色度指标随时间呈现总体上升趋势（图S4）。图S5显示，人口密度较低的地区往往具有较高的绿色度水平。图S6显示了研究期间3DGV的动态空间分布。在完全调整协变量后，所有绿色度指标都与血脂异常的较低风险一致相关（表2）。与暴露于第一四分位数的参与者相比，暴露于NDVI（> 0.352）、EVI（> 0.207）、GVI（> 0.122）和3DGV（> 1.016）第四四分位数的参与者血脂异常的风险分别降低了24%（HR 0.76；95% CI: 0.64至0.91）、18%（0.82；95% CI: 0.69至0.98）、20%（0.80；95% CI: 0.67至0.96）和23%（0.77；95% CI: 0.64至0.91）。3D-GV与血脂异常之间的浓度-反应关联是非线性的（图1）。表S3显示，暴露于更高水平的多维绿色度指标通常与更有利的脂质谱相关。在完全调整的模型中，NDVI、EVI和3DGV的每个IQR增加与TC变化-0.01至0.27 mg/dL、TG变化-0.35至0.80 mg/dL、HDL-C变化+0.15至0.27 mg/dL和LDL-C变化-0.10至0.16 mg/dL相关。表2. 香港成年人多维绿色度与血脂异常发展之间的关联。多维绿色度模型1模型2模型3HR（95% CI）P值HR（95% CI）P值HR（95% CI）P值NDVI第二四分位数（0.171 - 0.250）0.98（0.82-1.16）0.7960.93（0.78-1.10）0.3880.93（0.78-1.10）0.383第三四分位数（0.250 - 0.352）0.78（0.66-0.94）0.009***0.79（0.66-0.94）0.010***0.78（0.65-0.94）0.009***第四四分位数（> 0.352）0.79（0.66-0.94）0.009***0.76（0.63-0.91）0.003***0.76（0.64-0.91）0.003***NDVI（每个IQR = 0.181）0.86（0.79-0.95）0.002***0.86（0.78-0.94）<0.001***0.86（0.78-0.94）<0.001***EVI第二四分位数（0.098 - 0.142）1.04（0.87-1.23）0.6651.00（0.84-1.19）0.981.00（0.84-1.18）0.968第三四分位数（0.142 - 0.207）0.84（0.70-1.01）0.0630.85（0.71-1.02）0.0760.85（0.70-1.01）0.069第四四分位数（> 0.207）0.85（0.71-1.01）0.0720.82（0.69-0.98）0.033***0.82（0.69-0.98）0.033***EVI（每个IQR = 0.110）0.90（0.83-0.98）0.021***0.89（0.82-0.97）0.009***0.89（0.82-0.97）0.008***GVI（%）第二四分位数（0.062 - 0.086）0.92（0.77-1.09）0.3320.89（0.75-1.06）0.2040.89（0.74-1.06）0.185第三四分位数（0.086 - 0.122）0.97（0.81-1.15）0.7190.99（0.83-1.18）0.9120.98（0.83-1.17）0.848第四四分位数（> 0.122）0.81（0.68-0.97）0.024***0.81（0.67-0.96）0.019***0.80（0.67-0.96）0.017***GVI（每个IQR = 0.060）0.92（0.85-1.00）0.049***0.92（0.85-1.00）0.0590.92（0.85-1.00）0.0543DGV（m3）第二四分位数（0.603 - 0.799）0.81（0.69-0.96）0.017***0.80（0.67-0.95）0.010***0.80（0.68-0.95）0.011***第三四分位数（0.799 - 1.016）0.72（0.61-0.87）<0.001******0.71（0.60-0.85）<0.001******0.71（0.60-0.85）<0.001***第四四分位数（> 1.016）0.75（0.63-0.89）0.001***0.76（0.64-0.90）0.002***0.77（0.64-0.91）0.003***3DGV（每个IQR = 香港成年人中多维度绿色指标与血脂异常发展关联的中介分析

| 绿色指标/中介变量 | 总效应 | 自然间接效应 | 自然直接效应 | 中介比例 | HR（95% CI） | P值 | HR（95% CI） | P值 | HR（95% CI） | P值 | 中介比例（95% CI） | P值 |
|-------------|---------|-----------|------------|-----------|-------|--------|---------|-------|-----------|--------------|
| NDVI | 0.58 (0.51, 0.64) | <0.001*** | 0.90 (0.85, 0.94) | <0.001*** | 0.65 (0.58, 0.71) | <0.001*** | 16.02 (10.11, 22.20) | <0.001*** |
| MET-h | 0.70 (0.63, 0.78) | <0.001*** | 1.00 (0.99, 1.00) | 0.354 | 0.70 (0.64, 0.78) | <0.001*** | 0.28 (-0.26, 1.30) | 0.354 |
| EVIPM | 0.70 (0.62, 0.78) | <0.001*** | 1.03 (0.98, 1.07) | 0.213 | 0.68 (0.61, 0.74) | <0.001*** | -6.50 (-20.27, 3.10) | 0.213 |
| GVI | 0.65 (0.58, 0.72) | <0.001*** | 0.97 (0.93, 1.01) | 0.148 | 0.67 (0.61, 0.74) | <0.001*** | 5.60 (-2.28, 12.60) | 0.148 |
| 3DGV | 0.78 (0.71, 0.86) | <0.001*** | 1.00 (1.00, 1.00) | 0.327 | 0.79 (0.71, 0.87) | <0.001*** | 0.46 (-0.40, 2.10) | 0.327 |
| 3DGVM | 0.58 (0.52, 0.64) | <0.001*** | 0.77 (0.74, 0.80) | 0.75 (0.68, 0.82) | <0.001*** | 40.39 (32.21, 51.10) | <0.001*** |
| MET-h | 0.69 (0.63, 0.76) | <0.001*** | 1.00 (0.99, 1.00) | 0.344 | 0.69 (0.63, 0.76) | <0.001*** | 0.30 (-0.29, 1.30) | 0.344 |

*: P<0.05; **: P<0.01; ***: P<0.001

缩写：HR，风险比；CI，置信区间；NDVI，归一化植被指数；EVI，增强植被指数；GVI，绿色视图指数；3DGV，三维绿色体积；PM2.5，环境细颗粒物；MET-h，任务当量的代谢。

所有模型均根据人口统计特征（年龄、性别和教育水平）、BMI、季节、基线年份、生活方式因素（除MET-h的中介分析外）、吸烟状况、酒精摄入量、工作强度以及相关的药物使用（类固醇药物）进行了调整。

结果以每增加一个IQR的多维度绿色指标对应的HR（95% CI）表示。

**讨论**
本研究评估了多维度绿色指标对成人血脂状况和血脂异常发生的影响，并探讨了潜在机制。这是首批研究城市成年人中多维度绿色与血脂健康纵向关联的十年队列研究之一。我们的发现表明，长期暴露在绿色环境中与改善血脂状况和降低血脂异常风险显著相关。所有多维度绿色指标（即空中、街道和垂直层次）在血脂健康中都起着重要作用，其中NDVI的影响最为显著。此外，PM2.5可能作为绿色与血脂异常关联的重要中介因素。这些结果对城市规划具有重要的政策意义，特别是在传统绿地扩展具有挑战性的高密度发达城市中。在这种情况下，引入大量植被和多样化的绿化策略可以作为可行的替代方案。

我们的研究发现了基于卫星的绿色环境对血脂状况/血脂异常的保护作用，这与先前的研究结果一致。然而，由于研究设计、人群特征和暴露评估方法的差异，直接定量比较仍然具有挑战性。总体而言，我们发现NDVI/EVI与血脂状况/血脂异常之间的关联强度相似。我们的研究显示，NDVI每增加一个IQR，血脂异常风险大约降低14%，这与先前报告的5.0%至27.0%的降低幅度相当。我们估计的基于空中的绿色环境对血脂状况（即TG、HDL-C和LDL-C）水平的保护作用与先前研究结果大体一致，尽管由于研究设计和统计建模的不同，直接比较具有挑战性。然而，也有少数研究报道绿色环境对血脂状况无显著影响甚至有不利影响。样本大小的差异以及绿色空间的多样性和质量可能部分解释了这些不同的发现。通过捕捉TC和LDL-C的微小变化以及TG和HDL-C的明显改善，我们的发现有助于澄清这些差异，并强调了结合多维度空间指标系统评估绿色环境健康影响的重要性。有趣的是，我们发现NDVI与血脂健康的关联通常比EVI更强（见表2和S3）。先前的研究也报告了NDVI的类似更强关联。虽然EVI结合了大气气溶胶的蓝光校正和土壤调整因子以提高在植被密集区域的敏感性，但NDVI可能在破碎的城市景观中提供更稳定的测量结果。这种差异表明，低密度的城市绿化，如口袋公园和公共花园，可能特别有利于血脂调节。需要进一步通过特定植被形态的分析来验证我们的发现。

由于不同的绿化指标可能捕捉到城市环境的独特属性，采用多维度方法对于全面评估其健康影响至关重要。与基于卫星的指标不同，GVI提供了高分辨率的街道级绿化数据，反映了详细的行人视角和植被类型（例如树木、草地、花草和植物）。据我们所知，很少有研究考察GVI与血脂健康之间的关联，尤其是在纵向研究设计中。我们的发现表明，长期暴露在较高的GVI环境中与成人血脂异常风险降低和更健康的血脂状况显著相关。在两项针对儿童和青少年的队列研究中也报告了类似的一致模式。其中一项研究发现，青少年时期街道视野中的花卉、植物和田野与较低的BMI相关。另一项在美国进行的研究强调了年龄特定的效应，发现在青少年后期，街道视野中树木比例较高与更好的整体心血管健康相关，而早期生活阶段（例如儿童中期）的长期暴露则没有显著的健康影响。我们观察到的保护作用与这些研究结果一致，并进一步扩展到了其他人群和年龄组，表明街道级绿化对包括血脂健康在内的心血管健康具有持续的有益作用。然而，GVI的健康影响相对较弱，可能是因为像香港这样的高密度城市街道级绿化的覆盖率较低（本研究中为10.0%），而杭州等低密度城市的覆盖率为28.8%。

LiDAR衍生的3D绿色体积提供了精确的城市绿化体积测量，使得能够更准确地评估浓度-反应关系与健康结果之间的关联。据我们所知，这是首次研究3DGV对血脂健康的影响，为这些关联提供了新的证据，并强调了在未来的流行病学研究中纳入3DGV指标的重要性。与其他二维指标相比，3DGV的每个IQR与TC（-0.01 vs. 0.02?0.27 mg/dL）和TG（-0.80 vs. -0.64? -0.35 mg/dL）的保护关联更强，而与HDL-C（0.19 vs. 0.15?0.27 mg/dL）、LDL-C（-0.04 vs. -0.10? -0.16 mg/dL）以及血脂异常发生（12% vs. 8%?14%）的关联大致相当。我们的发现对香港等高密度城市具有重要的政策意义，在这些城市中，大规模扩展绿地具有挑战性。

在本研究中，血脂异常风险与3DGV之间的非线性浓度-反应关联显示出一个潜在的阈值1.1 m3，大约是香港平均3DGV值的1.4倍，表明需要进一步发展三维植被以达到最佳的健康保护水平。此外，本研究发现3DGV呈现U形曲线，这可能是由于观察数量（n = 175）较少且3DGV值较高所致。另一种解释是3DGV能够全面捕捉植被结构，包括不同区域的垂直复杂性和生物量密度。过高的绿化体积可能会引入复杂的健康风险，例如增加过敏原和花粉的暴露。先前的研究也报告了类似的绿色健康曲线的非线性形状。

城市规划政策应从关注总绿化覆盖率转向战略性优化。例如，通过垂直绿墙和高冠层树木在城市走廊中扩展垂直绿化，是一种务实的方法，特别是在水平空间有限的高密度城市环境中最大化公共卫生效益。我们观察到，虽然并非所有交互项都达到统计显著性，但不同亚组之间多维度绿色指标与血脂状况之间的关联存在差异。具体来说，男性表现出比女性更强的绿色-血脂健康关联，先前的研究也报告了类似的性别差异模式。可能的解释包括户外活动的性别差异。现有研究表明，男性可能比女性在户外花费更多时间，因此有更多的机会接触和利用绿地。此外，不同的空间使用模式也可能导致这些差异。总体而言，男性更多依赖工作场所的绿化，而在高密度地区，女性则更受益于垂直绿化系统。然而，香港的3DGV覆盖率需要进一步提高。另一个潜在原因可能在于脂质代谢。男性通常具有较高水平的类固醇，而女性具有较高的脂肪酸水平。类固醇和脂肪酸都可以调节血脂状况。此外，我们发现老年人通常比年轻人更能从绿色环境中受益。虽然工作年龄段的成人可能从工作场所的绿化中获益显著，但老年人具有更高的代谢紊乱（如血脂紊乱和高尿酸血症）的基线风险，这可能因生理韧性降低和慢性炎症（如IL-6）而加剧，而居住区的绿化可能有助于缓解这些问题。这可能突显了个体对环境暴露的敏感性，因此老年人可能从更绿色的环境中获得更大的代谢益处。

中介分析表明，多维度绿色可能通过潜在的环境途径有益于血脂健康。PM2.5在3DGV的绿色-血脂异常关联中的中介效应相对较强（40.39%），这可能是由于基于卫星的指标或GVI主要在水平层面或眼睛可见范围内描述绿色面积，而3DGV则更全面地捕捉垂直复杂性和体积结构。因此，3DGV可能通过增强物理过滤和干沉降过程来减少空气污染。这些发现强调了将3DGV映射纳入健康城市设计指南的重要性，特别是对于PM2.5浓度较高和血脂异常发生率较高的社区。然而，MET-h并不是绿色-血脂异常关联的显著中介因素，这与先前关于中国成人代谢综合征的研究结果一致。

本研究有三个重要优点。首先，我们利用了一个为期十年的基于人群的队列来研究多维度绿色指标与血脂健康之间的纵向关联。庞大的样本量促进了严谨的统计分析，得出了稳定结果，并使得详细的分层和中介分析成为可能。其次，我们采用了一种创新且全面的方法来评估多维度绿色，结合了基于卫星的（NDVI和EVI）、街道级（GVI）和体积（3DGV）的绿色及其健康影响。这一多维度框架涵盖了绿色的空中、水平和垂直维度，从主观和客观角度提供了人类与城市绿化互动的全面而准确的表示。第三，我们解决了关于多维度绿色与血脂健康之间不同机制的关键知识空白，提供了对潜在环境途径的深入理解。我们还描述了多维度绿色的浓度-反应关联，对确定支持血脂健康的最佳绿色阈值具有政策意义。

然而，我们也认识到一些局限性。首先，当LiDAR数据不可用时，我们使用机器学习算法来预测3DGV。尽管模型经过严格验证并显示出强大的预测准确性，但植被结构的时间变化无法完全捕捉。需要结合多年的LiDAR数据来反映其动态变化并进一步提高估计准确性。不过，我们将其他三个绿色指标的时间和空间变化整合到3DGV预测模型中，以尽量减少潜在偏差。鉴于香港的亚热带气候和相对稳定的植被模式，这一限制不太可能引入显著偏差。其次，尽管我们的研究使用了多种绿色指标，但我们没有考虑绿色的其他特征，如质量、可访问性和使用模式。这些特征也可能对血脂健康有不同的影响。最后，我们研究结果的普遍性需要进一步提高。本研究仅集中在香港这一高密度城市，该城市的人口受教育程度较高且相对健康。未来的研究需要在不同的城市和农村环境中复制这些分析，以进一步评估我们的结论的有效性并扩大其适用范围。

本研究为设计更健康的高密度城市提供了重要启示。我们建议城市绿化应从基于数量的方法转向基于结构的方法。在像香港这样的都市环境中，将现有绿化的体积增加约37.5%可以提高社区对血脂异常的抵御能力。此外，血脂健康管理应考虑环境暴露作为一个关键因素。通过优先考虑PM2.5浓度较高的社区中的绿化干预措施，并针对特定亚群，政策制定者可以最大化绿化的公共卫生效益，同时解决代谢健康不平等问题。结论
本研究提供了强有力的证据，表明长期接触多元化的绿色环境可能有助于改善成年人的血脂状况，并降低患血脂异常的风险。通过结合基于卫星的数据、街道级别的信息和三维植被指标，我们的发现为城市绿色环境对代谢健康的影响提供了新的见解。此外，PM2.5被确定为多元化绿色环境对健康影响的关键中介因素。这些结果强调了制定城市绿化策略的必要性，这些策略应优先考虑垂直绿空间，并与更广泛的环境政策相结合，以最大化公共卫生效益，特别是在那些扩展水平绿空间存在实际挑战的高密度城市中。

作者贡献声明
郝凌欣：撰写、审稿与编辑、监督
郭崔：监督、项目管理、资金筹集
刘宇飞：撰写、审稿与编辑、原始草稿撰写、数据可视化、方法研究、概念化
李伟锋：撰写、审稿与编辑
潘湍光：撰写、审稿与编辑
陈思义：撰写、审稿与编辑、数据验证
林长青：撰写、审稿与编辑、资源协调
郑一玲：撰写、审稿与编辑、数据验证
杨秀伦：撰写、审稿与编辑、资源协调
马军：撰写、审稿与编辑
易圆园：撰写、审稿与编辑、数据验证
杨俊：撰写、审稿与编辑

未引用文献：23.; 34.

利益冲突
作者声明与本手稿无关的任何利益冲突。

资金来源
本研究部分得到了香港大学合作研究种子基金（2207101523）和中国国家自然科学基金青年科学基金（4240070121）的支持。