EN中文

Landscape Architecture >

2025 , Vol. 32 >Issue 7: 56 - 64

DOI: https://doi.org/10.3724/j.fjyl.LA20250095

Special: Green Infrastructure and Healthy Landscape

Impact of Subjective and Objective Green Space Characteristics on Mental Health Benefits: An Explainable Machine Learning Approach

  • LI Ke ,
  • MAO Yipei ,
  • LI Yongjun
Expand
  • College of Horticulture, Nanjing Agricultural University

LI Ke is a master student in the College of Horticulture, Nanjing Agricultural University. Her research focuses on urban green space and public health, and landscape planning and design

MAO Yipei is a master student in the College of Horticulture, Nanjing Agricultural University. His research focuses on urban green space and public health, and landscape planning and design

LI Yongjun, Ph.D., is a lecturer in the College of Horticulture, Nanjing Agricultural University. Her research focuses on landscape perception preference, and urban green space and public health

Received date: 2025-02-15

  Revised date: 2025-05-09

  Online published: 2025-12-09

Copyright

Copyright reserved © 2025.
Fold

Abstract

[Objective]

Against the backdrop of high-density urban development, residents’ mental health problems have become increasingly severe. Access to urban green spaces is widely regarded as an important approach to improving residents’ mental health. Exploring the impact of green space characteristics on mental health benefits can provide a theoretical basis for urban green space planning and design from the perspective of healthy city. This research aims to clarify the internal relationships between objective and subjective green space characteristics and different mental health benefits (emotional restoration, cognitive enhancement, and stress relief) through explainable machine learning models.

[Methods]

A mental health perception restoration experiment was carried out in two green spaces (Yanziji Park and Xiamafang Park) in Nanjing, with 56 participants engaged in two-hour free activities in the green spaces. During this period, GPS trajectories, data on objective green space characteristics, data on perception assessment of subjective green space characteristics, and data on self-assessment of mental health benefits were collected. Objective green space characteristics include the Normalized Difference Vegetation Index (NDVI), green view index, canopy density, actual noise dB (A), and spatial attractiveness, which are measured by remote sensing, semantic segmentation, and acoustic instruments. Subjective green space characteristics, such as perceived greenness, perceived noise, and perceived attractiveness, are evaluated by means of a 5-point Likert scale questionnaire. Mental health benefits are divided into the three types of emotional restoration, cognitive enhancement, and stress relief, and are assessed using the Restorative Outcomes Scale (ROS). To analyze and clarify the relationships between objective and subjective green space characteristics and different types of mental health benefits, the research adopts the Light Gradient Boosting Machine (LightGBM) model, combined with SHapley Additive exPlanations (SHAP) to measure and explain the importance of green space characteristics for mental health benefits. Based on the SHAP values, the non-linear relationships between them are further clarified.

[Results]

Through the analysis of 3 types of mental health benefits and 5 models, the LightGBM model outperforms other algorithms (such as Random Forest and XGBoost) in terms of prediction accuracy (R 2: 0.523 – 0.642), with its robustness in capturing complex feature interactions being verified. The SHAP value analysis shows that subjective green space characteristics have a stronger relative impact on mental health outcomes than objective indicators. Specifically, perceived attractiveness is the most important contributing factor, followed by perceived greenness and perceived noise. Notably, the positive impact of perceived greenness on mental health is greater than that of objective indicators such as green visibility and NDVI. In addition, in terms of noise, excessive actual noise could inhibit cognitive enhancement and stress relief. However, moderate perceived noise could promote emotional restoration and stress relief. For example, when the actual noise exceeds 53.88 decibels in the cognitive enhancement model and 52.73 decibels in the stress relief model, negative effects would occur. While in the emotional restoration model, when the perceived noise is within a certain range (less than 2.58 points), it is beneficial for emotional restoration.

[Conclusion]

The results of this research provide empirical evidence for the internal relationship between urban green spaces and residents’ mental health. Firstly, this research constructs an indicator system covering both objective and subjective characteristics. By combining field measurements, questionnaire surveys, and advanced machine learning algorithms, the research explores the impact of green space characteristics on emotional restoration, cognitive enhancement, and stress relief. Secondly, subjective green space characteristics play a prominent role in influencing mental health benefits. The combined influence of perceived attractiveness and perceived greenness is the most significant. The results of non-linear regression show that actual noise has an inhibitory effect on cognitive enhancement and stress relief, while moderate perceived noise can promote emotional restoration and stress relief. Finally, this research provides a direction for further exploring the in-depth association mechanism between green spaces and mental health, and also offers data support for urban green space planning and design aimed at promoting residents’ mental health.

Key words： urban green space; green space characteristic; green space perception; mental health; machine learning

Cite this article

LI Ke , MAO Yipei , LI Yongjun . Impact of Subjective and Objective Green Space Characteristics on Mental Health Benefits: An Explainable Machine Learning Approach[J]. Landscape Architecture, 2025 , 32(7) : 56 -64 . DOI: 10.3724/j.fjyl.LA20250095

随着城市化快速发展，高密度城市衍生的生活压力致使居民的心理健康问题日益严峻[1]，对居民生活质量及社会可持续发展形成潜在挑战，已引起公共健康、城市规划以及风景园林等多学科领域的广泛关注。城市绿色空间是居民与自然交互的重要纽带，既往研究表明城市绿色空间具有改善居民心理健康的重要潜力[2]，可提供情绪调节、压力缓解等健康支持服务[3]，为改善城市居民心理健康问题提供了新思路[4]。由此，深入探究城市绿色空间与居民心理健康的内在关联可进一步完善多学科协同理论框架，为城市绿色空间规划设计及健康城市政策制定提供循证依据。
基于多维绿色空间特征与心理健康效益的量化关联研究，揭示“绿色空间—心理健康”的作用机制已成为多学科交叉研究的热点领域。然而，现有研究在绿色空间特征的概念定义[5]、测度方式[4, 6]以及分析模型[7-8]等方面存在差异，导致研究结果各异，亟须对绿色空间特征与心理健康内在关联进行系统性梳理。既往研究表明，绿色空间特征多被分为以下两类：客观和主观绿色空间特征[9-11]。其中，客观绿色空间特征常包括归一化植被指数（normalized difference vegetation index, NDVI）[9]、绿视率[10]等，常通过卫星数据或街景图像测度研究范围内绿色植被的密度或比例[11]；主观绿色空间特征指感知到的绿色空间特征[12]，常通过调查问卷的方法来测度人们对绿色空间的理解与感受，包括感知绿量、感知吸引力、感知可达性、安全感等[13]。尽管部分研究多关注客观绿色空间特征对心理健康效益的积极影响[14]，但少有研究探讨主客观绿色空间特征对心理健康效益的共同作用。部分研究认为[5]，客观绿色空间特征评估使得空间属性和行为感知相孤立，在讨论其与心理健康效益间的关系时稍显不足，而围绕环境感知评估的主观绿色空间特征可以反映居民对绿色空间质量、使用意愿等方面的评价。此外，学者们认为绿色空间特征对心理健康效益的影响存在类型特异性[15]。具体而言，不同的绿色空间特征在情绪恢复、认知提升、压力缓解等心理健康效益类型中的作用效果各异，既往研究表明，客观绿色空间特征的提升与情绪恢复效益呈正相关，但对压力缓解的作用并不显著[5]，而主观绿色空间特征，如高感知绿量，能够显著促进认知水平提升与压力缓解等心理健康效益[16]。因此，构建耦合主客观绿色空间特征的指标体系，是探明绿色空间特征与不同心理健康效益类型间内在关联的理论基础。
传统的绿色空间特征测度方式包括卫星遥感解译[17]、基于街景图的语义分割[10]等，然而基于遥感解译的二维特征指标对绿色空间的视觉感受评估尚不全面，而车载全景街景影像虽然能够测度绿色空间的部分三维特征指标，但车载全景街景影像与人视角下绿色空间中的真实视觉影像仍存在一定出入[18]，且多数绿色空间内部视觉影像数据尚未通过车载街景采集。尽管现有研究通过多维度的特征评估初步构建了绿色空间的心理健康效益的分析框架，但从物理环境到个体感知，视觉[14]、听觉[19]和吸引力[20]等特征会共同影响人与空间的交互方式[21]，绿色空间带来的复杂感官体验可能与心理健康效益的关联更为密切[22]，实地调研方式能采集人视角的绿色空间特征数据，耦合视觉、听觉及吸引力等多感官特征，可以进一步提高绿色空间特征评估的全面性[9]。
在解析主客观绿色空间特征与心理健康效益的关联时，既往研究采用的多元线性回归、Logistic回归等统计模型[13, 21, 23]，虽在一定程度上阐释了两者的关联性，但在精准回归分析与有效分类方面仍显不足[24]。为了解决此类问题，学者们将卷积神经网络、随机 森林（random forest, RF）模型、极限梯度 提升（extreme gradient boosting, XGBoost）、轻量梯度提升机（light gradient boosting machine, LightGBM）等机器学习方法[25]广泛应用到绿色空间与公共健康领域[24]。机器学习方法可以通过学习心理健康效益与绿色空间特征之间复杂的非线性关系[3]来更好地进行模型预测，进而更准确地揭示主客观绿色空间特征对心理健康效益的影响机制。然而，尽管机器学习方法在预测复杂非线性关系方面具有优势，但这类模型的结果导向特性使得在绿色空间与心理健康研究中，难以解析变量间的作用机制，主要存在以下2个方面的局限：一是自变量对因变量的重要性评估不透明；二是非线性交互关系的可解释性不足。沙普利可加性解释（SHapley additive exPlanations, SHAP）方法[21]，可克服传统机器学习模型的“黑盒”性质，有效提高了模型的可读性，可进一步衡量和解释各绿色空间特征对心理健康效益的重要程度，量化变量之间的交互效应并揭示其复杂的非线性关系，从而便于研究者基于解释结果制定更科学合理的城市绿色空间规划策略。
综上所述，本研究基于心理健康感知恢复实验、实地测量及问卷调查，构建主客观绿色空间特征指标体系和心理健康自评数据集，并耦合LightGBM模型和SHAP方法进一步明晰主客观绿色空间特征与不同心理健康效益类型的关联性。本研究旨在探讨：1）影响不同心理健康效益类型的核心绿色空间特征有哪些？2）主客观绿色空间特征指标与心理健康效益之间存在怎样的非线性关系？

1 研究方法

本研究以南京市2处公园绿地作为研究区域，研究内容主要分为3个部分。1）实验设计：招募受试者在绿色空间内进行2 h自由活动，记录受试者的GPS轨迹并同时进行绿色空间特征指标测度；2）数据收集：通过绿色空间的实地测量和受试者的感知问卷，获取主客观绿色空间特征，分别包含绿量、噪声、吸引力3个维度，以及受试者的心理健康自评，包含情绪恢复、认知提升、压力缓解3个维度；3）基于LightGBM模型进行心理健康效益预测建模，结合SHAP方法分析影响心理健康效益的核心绿色空间特征，并通过非线性回归方法，探究核心绿色空间特征影响不同心理健康效益的趋势阈值。

1.1 实验设计

截至2023年底，南京市人均公园绿地面积16.23 m2，位于全国同类城市前列，是江苏省首个入选联合国《生物多样性公约》“自然城市”平台的城市[26]。尽管完善的公园体系和绿道网络为居民提供了充足的绿色空间，但南京市城市居民心理健康问题仍较为突出。《中国国民心理健康发展报告》蓝皮书显示，江苏城市居民的抑郁症患病率超过了10%[27]，南京作为江苏省省会，居民普遍面临着激烈的工作竞争和较高的生活成本等多重压力。本研究对南京市主城区21个公园绿地的视听环境进行调研分析，收集不同绿色空间特征数据，最终筛选了2个绿色空间特征差异显著且面积相似的公园绿地作为实验场地，即燕子矶公园、下马坊公园（图1）。
图1 实验样地及活动路径点分布

Fig. 1 Distribution of experimental sample plots and activity path points

本研究进行了一项为期2 h的心理健康感知恢复实验，受试者样本量使用G*Power 3.1.9.4分析工具进行估算，结果表明需要的样本总量至少为54人（效应大小f设为0.25，误差概率$\alpha $设为0.05，统计功效设为0.95）。受试者从大学生群体中进行招募，筛选后共计56人，男女比例约为1∶1，且受试者的基本健康状况、年龄、身体质量指数均无明显差异，每位受试者已在实验开始前知悉实验方案和数据收集方式，并签署知情同意书（表1）。本实验于2023年5月7日9：00—11：00进行，为避免公园的游人承载量过大影响实验结果，受试者分为2组分别在燕子矶公园和下马坊公园进行实验。实验开始前，实验助理以30 m×30 m空间单元对场地进行划分，以空间单元的中心点作为数据采集点。实验过程中，每位受试者使用两步路App记录活动路径点，实验助理在数据采集点进行全景图和顶视图拍摄，并实时监测噪声（图1）。实验结束后，受试者填写绿色空间特征感知问卷、恢复性效益量表（restorative outcomes scale, ROS）。
表1 受试者基本情况表

Table 1 Basic information of subjects

受试者组别 男 女 年龄/岁 身高/m 体重/kg BMI
　　注：性别括号内数值表示该性别所占比例；年龄、身高、体重及BMI数据表示为均值（标准差）。
下马坊（n=25） 12（48%） 13（52%） 18.80（0.96） 1.69（0.08） 62.28（12.86） 21.65（3.81）
燕子矶（n=31） 16（52%） 15（48%） 19.65（0.84） 1.70（0.07） 64.18（13.25） 22.26（4.70）

1.2 客观绿色空间特征测度

客观绿色空间特征指标包括实际绿量（NDVI、绿视率与郁闭度）、实际噪声以及实际吸引力（表2）。实际绿量中的NDVI用于评估绿色空间中高空视角的植被覆盖度[28]。基于2023年5月欧洲航天局（European Space Agency, ESA）Sentinel-2无云卫星图进行遥感反演，计算各空间单元的NDVI均值作为本研究中NDVI指标的数值。绿视率和郁闭度用于评估绿色空间中人视角的绿量程度。首先，在数据采集点距地面人眼高度（1.5 m）处拍摄全景图（0~270°），并利用35 mm焦段的鱼眼镜头拍摄顶视图，筛选掉无受试者活动轨迹的空间单元后，共获得183张全景图和顶视图。其次，对基于Cityscapes数据集训练的DeepLabv3模型进一步训练和优化，该模型的平均交并比（mean intersection over union, MloU）为78.7%，具有较高的可靠性[29]。利用训练后的模型计算全景图中植被面积的占比，作为各数据采集点的绿视率指标；利用Photoshop软件的直方图模块计算顶视图中的绿色像素数量占比，作为各数据采集点的郁闭度指标。
表2 绿色空间特征指标测度

Table 2 Measurement of green space characteristic indicators

指标类型 指标 描述 数据来源
客观绿色 空间特征 NDVI 样地各30 m×30 m空间单元的NDVI均值评估高空视角的植被覆盖度 Sentinel-2卫星图
绿视率 DeepLabv3模型对人眼高度1.5 m全景图语义分割后的植被面积占比 全景图实拍
郁闭度 35 mm焦段的鱼眼镜头拍摄的顶视图中的绿色像素数量占比 顶视图实拍
实际噪声 各采样点持续1 min的等效连续A声级均值，单位为dB (A) HS-5633B声级计实测
实际吸引力 各空间单元中两步路App活动路径点数量 两步路App
主观绿色 空间特征 感知绿量 受试者对各空间单元绿量大小的感知评估，1~5分 问卷调查
感知噪声 受试者对各空间单元噪声程度的感知评估，1~5分 问卷调查
感知吸引力 受试者对各空间单元活动意愿的感知评估，1~5分 问卷调查
实际噪声指标通过等效连 续A声级（equivalent continuous A-weighted sound level, Leq）来评估[30]，使用HS-5633B声级计在每个数据收集点进行1 min的持续测量，该指标可量化这段时间内空间的平均噪声水平。实际吸引力以受试者的客观活动数据为基础，侧重量化空间的实际使用强度，不同于受试者的主观认知与感受，该指标将两步路 App 记录的受试者活动路径点映射到空间单元中，计算每个空间单元的路径点数量，数量越多则表示实际吸引力越强（图1）。

1.3 主观绿色空间特征感知

本研究采用问卷调查的方式来评估受试者的主观绿色空间特征，其中主观绿色空间特征包含感知绿量、感知噪声和感知吸引 力（表2）。其中，感知绿量反映了受试者对NDVI、绿视率和郁闭度的综合感知评价；感知噪声则表明受试者对空间实际噪声的主观感受；感知吸引力表现为受试者对空间的主观偏好程度，基于感知问卷来反映主观活动意愿。主观绿色空间特征感知问卷使用从1（最低）到5（最高）的5点李克特量表设置的3个问题。1）感知绿量：您感觉这个空间是否有足够的绿色？2）感知噪声：您感觉这个空间会产生多大的噪声？3）感知吸引力：您想来这个空间进行活动的意愿多大？

1.4 心理健康效益自评

心理健康效益自评使用恢复性效益量表（restorative outcomes scale, ROS）[31]进行评估，包含情绪恢复、认知提升以及压力缓解3类心理健康效益。其中，情绪恢复反映了受试者在空间内活动后情绪状态的积极转变，表现为放松和平静；认知提升侧重于注意力、记忆力等认知功能方面的改善；压力缓解则反映了受试者压力感受程度的降低。ROS问卷使用从1（最低）到5（最高）的5点李克特量表设置3个问题。1）情绪恢复：这个空间让您感到放松和平静的程度如何？2）认知提升：这个空间让您感到注意力集中的程度如何？3）压力缓解：这个空间让您感到缓解压力的程度如何？

1.5 可解释机器学习模型遴选

本研究构建了受试者轨迹可达的187个空间单元的主客观绿色空间特征的有效数据集，随机选择130个空间节点作为训练集，19个空间节点作为测试集。通过RF模型、支持向量回归（support vector regression, SVR）模型、线性回归模型、XGBoost模型以及LightGBM模型共5个模型评价3类心理健康效益（情绪恢复、认知提升和压力缓解）。模型的均方误差（mean squared error, MSE）是常用的回归评估指标，用于衡量模型预测值与真实值之间的偏差程度，MSE值越小，说明模型预测的结果与真实值越接近；平均绝对百分比误差（mean absolute percentage error, MAPE）是预测值与真实值之间差异的绝对值占真实值的百分比的平均值，均方根误差（root mean squared error, RMSE）是MSE的平方根，MAPE和RMSE值越小，说明模型预测效果越好；综合各衡量指标对模型的准确性进行对比。结果表明，不同模型间性能差异较为明显，在3类心理健康效益的模型对比中，LightGBM模型的表现均为最优，其准确率（R 2）在0.5~0.7，其次是RF模型，而其他模型的准确率均在0.4左右（表3）。
表3 5种预测模型间准确性对比

Table 3 Comparison of accuracy among five forecasting models

模型 情绪恢复 认知提升 压力缓解
MSE MAPE RMSE R 2 MSE MAPE RMSE R 2 MSE MAPE RMSE R 2
RF 0.482 1.210 0.694 0.514 0.568 2.184 0.754 0.428 0.569 1.705 0.754 0.426
SVR 0.548 1.139 0.740 0.448 0.640 1.897 0.800 0.354 0.598 1.516 0.773 0.398
线性回归 0.597 1.338 0.773 0.398 0.727 2.286 0.853 0.268 0.573 1.589 0.757 0.423
XGBoost 0.544 1.213 0.737 0.452 0.645 2.169 0.803 0.350 0.690 1.913 0.831 0.304
LightGBM 0.332 0.206 0.576 0.642 0.315 0.216 0.561 0.601 0.448 0.236 0.669 0.523
综上，本研究选取LightGBM模型来预测主客观绿色空间特征对3类心理健康效益的影响，该模型是一种用于机器学习中数据分类和回归任务的梯度提升模型[21]，以梯度提升决策树算法为基础进行优化。LightGBM模型的目标函数由两部分组成：损失函数和正则化项。整体目标函数的计算式
$ Obj=\sum _{i=1}^{n}l（{y}_{i}，{\hat{y}}_{i}）+\sum _{k=1}^{K}{\text{{Ω}}}（{f}_{k}）， $
式中：Obj表示整体优化目标，$l（ {{y_i}，{{\hat y}_i}} ） $是损失函数，${\text{{Ω}}}（{f}_{k}） $为正则化项，控制第k棵树的复杂度，$ i $表示第$ i $个样本，$ k $表示第$ k $棵树，$ {y}_{i} $表示第$ i $个样本的真实值。当生成$ t $棵树时，预测分数的计算式
$ {\hat{y}}_{i}^{t}={\hat{y}}\,_{i}^{t-1}+{f}_{t}（{x}_{i}）， $
式中：$ {\hat{y}}_{i}^{t-1} $为前$ t-1 $棵树的累积预测结果，$ {f}_{t}（{x}_{i}） $为第t棵树对样本$ {x}_{i} $的预测输出。
此时目标函数被改写为
$ {\mathcal{L}}^{（t）} =\sum _{i=1}^{n} l（{y}_{i}，{\hat{y}}\,_{i}^{t-1}+{f}_{t} （{x}_{i}） ） +{\text{{Ω}}}（{f}_{t}）， $
式中：$l（{y}_{i}，{\hat{y}}\,_{i}^{t-1}+{f}_{t} （{x}_{i}） ） $是损失函数，$ {\hat{y}}\,_{i}^{t-1} $为前$ t-1 $棵树的累积预测结果，$ {f}_{t} （ {x}_{i} ） $为第t棵树对样本$ {x}_{i} $的预测输出，${\text{{Ω}}}（{f}_{t}）$为正则化项，控制第$ t $棵树的复杂度。
同时，SHAP方法已被引入作为一种持续衡量LightGBM模型中特征重要性的方法[21]，本研究通过SHAP值衡量各特征重要性，解释模型中各绿色空间特征指标对心理健康效益的影响程度。利用机器学习模型对样本进行预测，基于SHAP方法根据原始模型的条件期望函数计算SHAP值，表征各个绿色空间特征的分配重要性，该值量化了每个特征的影响程度和正负关系。SHAP值计算式
$ g（{z}{\text{'}}）={{\varnothing }}_{o}+\sum _{j=1}^{M}{{\varnothing }}_{j}{z}_j {\text{'}}， $
式中：$ g（{z}{\text{'}}） $为解释模型的加性近似函数；$ {{\varnothing }}_{o} $为所有样本的预测均值；$ {{\varnothing }}_{j} $为每个特征$ j $的SHAP值，$ {z}_{j} {\text{'}} $表示简化特征向量。

2 研究结果

2.1 不同心理健康效益的绿色空间特征水平趋势分析

本研究聚焦绿色空间的绿量、噪声及吸引力3类指标的主客观特征指标评估，计算分析各特征在不同心理健康效益类型下的均值（图2）。结果表明，情绪恢复水平随着实际吸引力、感知噪声的增加而降低，而主观的感知吸引力与感知绿量会正向促进情绪恢复水平。认知提升水平随着多数主客观绿量特征（绿视率、郁闭度、感知绿量）的增长而提高，NDVI和感知噪声显著抑制了认知提升水平。压力缓解水平随着感知噪声、实际吸引力的降低而增加，感知吸引力、主客观绿量特征（NDVI、绿视率、郁闭度、感知绿量）可显著提高压力缓解水平。此外，本研究探讨了性别和BMI是否与受试者的绿色空间特征感知及心理健康差异相关，统计分析结果显示在当前样本中，未发现性别与BMI对绿色空间感知与心理健康造成系统性影响。
图2 不同心理健康效益类型下的绿色空间特征描述性分析

Fig. 2 Descriptive analysis of green space characteristics under different types of mental health benefits

2.2 不同心理健康效益的差异性分析

针对3种不同心理健康效益（情绪恢复、认知提升、压力缓解）的ANOVA分析结果表明，情绪恢复和认知提升之间存在显著差异（p＜0.05，表4）。这种差异或可归因于受试者对于自身情绪恢复的评估相对于认知提升的评估更加敏感，其认知提升指标在绿色空间中更容易受到其他环境因素的影响。其中，情绪恢复的均值（3.15）相对认知提升（2.93）和压力缓解（3.08）较高，不同类型心理健康效益的分析结果表明，暴露于绿色空间有益于促进受试者的各类心理健康效益。
表4 3类心理健康效益差异性分析

Table 4 Variability analysis of three types of mental health benefits

对比组 平均值差值 标准误 p 值 95%置信区间
下限 上限
情绪恢复—认知提升 0.211 6 0.096 6 0.029 0 0.021 7 0.401 4
情绪恢复—压力缓解 0.064 4 0.096 6 0.505 6 −0.125 5 0.254 2
认知提升—压力缓解 −0.147 2 0.096 6 0.128 4 −0.337 0 0.042 7

2.3 主客观绿色空间特征促进心理健康效益的影响机制

2.3.1 影响心理健康效益的绿色空间特征重要性分析

本研究对所有样本预测情况进行整体分析，通过展示绿色空间特征分布及与预测结果间的关系，解释主客观绿色空间特征对各类心理健康效益的影响。首先，本研究对各绿色空间特征的平均绝对SHAP值进行了计算和排序（图3），该值表明了影响心理健康的特征的重要程度。随后，将该数据集中每个样本以散点的形式绘制基于SHAP值的归因分析概要图（图4），SHAP值为正则表示该特征对模型的预测有积极影响，而负值表示有负面影响。最后，根据图3、4初步分析绿色空间特征与其SHAP值之间的关系。
图3 基于平均绝对SHAP值的特征重要性排序

Fig. 3 Characteristic importance ranking based on mean absolute SHAP values

图4 基于SHAP值的归因分析概要图

Fig. 4 Synoptic diagram of attribution analysis based on SHAP values

在3类心理健康效益评估中，感知吸引力始终是最重要的指标，平均绝对SHAP值均超过了0.35，且随着感知吸引力越大，对各类心理健康效益的正向影响也越大。在情绪恢复评估中（图4-1），感知绿量为第二重要的特征指标，平均绝对SHAP值超过了0.3，并对模型具有积极影响。因此，感知吸引力与感知绿量是比其他特征更为重要的特征指标。感知噪声对情绪恢复的影响重要性排名第三，其平均绝对SHAP值仅超过了0.05，并对模型具有负向影响。在认知提升评估中（图4-2），重要性排名第二的仍然是感知绿量，其平均绝对SHAP值超过了0.25；重要性排名第三却是绿视率，感知噪声的重要性在认知提升评估中重要程度并不高。在压力缓解评估中（图4-3），实际噪声重要性排名第二，超越了感知噪声，说明了实际噪声对模型具有负向影响；感知绿量重要性排名第三，其平均绝对SHAP值均超过了0.1。
总而言之，在心理健康效益评估模型中，感知吸引力为最重要的影响因素，并对模型具有积极影响；其次，在主观绿色空间特征中，感知绿量（正向影响）和感知噪声（负向影响）都较为重要；在客观绿色空间特征中，绿视率和实际噪声（负向影响）较为重要。NDVI、郁闭度等特征指标对心理健康效益评估的影响较小，在后续建模中可考虑移除这些特征。

2.3.2 基于SHAP值的绿色空间特征指标与心理健康效益的非线性关系

为了探究绿色空间特征指标与心理健康效益的非线性关系，本研究选择了各模型中重要性排名靠前的特征指标，包括感知吸引力、感知绿量、感知噪声、实际噪声以及绿视率，并分析了各特征指标与SHAP值之间的依赖关系。
针对主观绿色空间特征指标，在3个非线性回归模型中，SHAP值都随着感知吸引力和感知绿量的增加而增加（图5）；在感知吸引力的分值分别超过3.29、3.23和3.13时，以及感知绿量的分值分别超过3.44、3.50和3.47时，对模型均产生积极影响。在情绪恢复和压力缓解的模型中，SHAP值随着感知噪声的增加而降低，当感知噪声的分值超过2.58和2.75时，对模型产生消极影响。
图5 不同心理健康效益类型的非线性回归分析

Fig. 5 Nonlinear regression analysis of different types of mental health benefits

针对客观绿色空间特征指标，在认知提升和压力缓解模型中，SHAP值会随着实际噪声的增加而降低，在实际噪声分别超过53.88 dB和52.73 dB时，对模型产生负面影响。在情绪恢复模型中，实际吸引力与SHAP值呈现倒U形关系，当实际吸引力的测度值大于197时，反而对模型具有负向影响。
综上，通过探究不同心理健康效益模型中的非线性关系，发现过高的实际噪声会抑制认知提升与压力缓解；同时，感知绿量和绿视率对心理健康均具有积极促进作用，其中主观的感知绿量相对于客观的绿视率对心理健康效益的影响更强。

3 讨论

3.1 主客观绿色空间特征对心理健康效益的影响差异

结果表明，绿量、噪声及吸引力这3类指标的主客观绿色空间特征均对心理健康产生影响。与客观绿色空间特征相比，主观绿色空间特征对心理健康的影响程度更高，其中感知吸引力的影响最为突出[7]。这与既往部分研究的结果大致相同，绿色空间作为复杂综合的外部环境，其影响心理健康的过程通常需要主观的绿色空间特征来介导[5]。主观绿色空间特征不仅补充了客观绿色空间特征难以捕捉的绿地感知、偏好程度等因素[32]，且进一步解释了人们对外部绿色空间的感知程度[33]。不同心理健康效益类型的非线性回归分析进一步揭示了这种影响模式的差异：主观绿色空间特征（如感知吸引力、感知绿量、感知噪声）的心理健康效益SHAP值大多呈现单调关系，而客观绿色空间特征（如绿视率、实际吸引力、实际噪声）则多表现为U形或倒U形的非线性关系。这种差异与环境心理学中强调“感知环境”的观点一致，即个体对环境的主观感知是影响其心理状态和行为反应的关键[34]。主观感知在将外部绿色空间转化为内在心理健康益处过程中发挥了关键作用，单一考虑优化客观指标并不一定能带来最佳的心理健康效益，客观指标的心理健康效益取决于它们能在多大程度上转化为积极的主观感知[35]。

3.2 影响不同心理健康效益类型的核心绿色空间特征

通过可解释机器学习模型分析，本研究发现，感知吸引力在情绪恢复、认知提升以及压力缓解3类心理健康效益中均为最重要的影响因素，其次是感知绿量。与既往研究结果较为一致，感知吸引力和感知绿量反映了绿色空间的可接触性和使用感受的主观评价[36]，较高的感知吸引力和感知绿量能够有效缓解压力、促进情绪恢复[37-38]等。此外，感知噪声对情绪恢复和压力缓解有抑制作用，而实际噪声对认知提升和压力缓解抑制作用更为显著。从环境心理学角度来看，实际噪声会干扰人的注意力集中程度，进而对认知提升和压力缓解产生抑制作用。然而，在情绪恢复过程中，人们对声音的认知和感受更多的来自感知噪声，对于绿色空间内的“有益噪声”（孩童玩耍声、鸟鸣以及水流声等）有更积极的认知，反而认为此类空间更具吸引力。上述研究结果表明，针对不同心理健康效益类型的空间设计中，应精细调控绿色空间特征，从而高效地发挥绿色空间的恢复性功能，进一步实现城市绿色空间资源从数量到质量的提质转型[39]。

3.3 基于不同心理健康效益类型的城市绿色空间设计策略

本研究表明，感知吸引力显著促进了3种类型的心理健康效益，而实际吸引力（空间活动频次）对心理健康效益的贡献较小。空间单元的语义分割结果分析显示，高实际吸引力的空间具有较高的硬质比例和较低的绿视率与郁闭度，这类空间主要为广场和开敞草地，多能够承载更多的活动行为；相比之下，高感知吸引力的空间景观要素更为多元，水体、小径等要素的比例更高，通常包含拱桥、喷泉、亭台等景观小品，能够为使用者带来丰富的感官体验和良好的心理健康效益。在情绪恢复方面，丰富的景观要素和较低的感知噪声更为重要；认知提升需要相对安静的环境以及一定的绿色植被帮助注意力集中；压力缓解则需要一个静谧且能够提供遮蔽的空间，适度的自然环境声或人文活动声有助于缓解压力。因此，城市绿色空间设计应根据不同心理健康效益类型的需求，合理调控绿色空间特征，划分动态活动空间和静态疗愈空间，提供多样化的康养体验[40]。例如，在情绪恢复区增加丰富的景观小品；在认知提升区合理布局植被以减少视觉干扰，提供安静环境；在压力缓解区则应营造静谧的氛围，并设置舒适的休息设施。此外，本研究发现实际噪声对压力缓解的影响具有临界值，较低水平的实际噪声反而能促进压力缓解。因此，规划设计中可适度引入自然声景观，如水流、鸟鸣声等，除利用植被和景墙对噪声进行直接阻断，还可以考虑通过地形和水环境分隔空间，间接屏蔽噪声，既保留适当的有益噪声，又能有效控制噪声干扰。

4 结论

本研究基于心理健康感知恢复实验，利用全景影像和语义分割技术，结合实地测量和问卷数据，构建了主客观绿色空间特征指标体系与心理健康自评数据集，借助LightGBM模型和基于SHAP方法，搭建了主客观绿色空间特征影响心理健康效益的可解释机器学习模型，明晰了影响不同类型心理健康效益的核心绿色空间特征及其阈值范围。研究结果表明，在影响心理健康效益的主客观绿色空间特征中，综合贡献最大的指标分别是感知吸引力、感知绿量以及感知噪声，主观绿色空间特征指标的重要性相对客观绿色空间特征更高。此外，主客观绿色空间特征指标与不同心理健康效益类型的非线性关系结果表明，过高的实际噪声会抑制认知提升与压力缓解，适度的感知噪声则会促进情绪恢复和压力缓解；感知绿量相对于绿视率、郁闭度、NDVI对心理健康效益的促进作用更为显著。本研究探究了主客观绿色空间特征与不同心理健康效益的关联，有利于增进城市绿色空间特征影响居民交互体验过程的理解，并为心理健康导向下的城市绿色空间规划设计提供了数据支撑和理论支持。
然而，本研究仍存在以下局限性。1）受试者主要在个体社会属性较为相似的大学生群体中进行招募，且实验场景仅为南京市公园绿地，可能导致主观绿色特征感知数据存在一定偏倚性，未来研究考虑在场地的多样性和受试者的年龄层、职业背景、健康状态与文化背景等方面进行拓展实验。2）受限于基于实地的感知恢复实验的场地条件，本研究的心理健康数据来自恢复性效益量表，可在未来研究中补充仪器测度的生理指标以更全面地评估绿色空间特征的健康效益。3）本研究虽测度了受试者实验前的基线心理健康并无显著差异，但由于绿色空间特征感知和心理健康间可能存在双向因果关系，无法完全排除受试者在实验过程中心理状态的变化影响主观感知的可能性，后续研究应综合考虑受试者心理健康水平偏差影响绿色空间恢复性效益的结果。

文中图表均由作者绘制，其中图1底图来源于 ESA Sentinel-2 数据集。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘航, 马烨清, 朱争鸣. 健康视角下城市密度与绿地空间暴露关系的脉络及展望[J]. 生态学报, 2024, 44(24): 11096-11108.

LIU H, MA Y Q, ZHU Z M. The Relationship and Prospects Between Urban Density and Green Space Exposure from a Health Perspective[J]. Acta Ecologica Sinica, 2024, 44(24): 11096-11108.

[2]
CARDINALI M, BEENACKERS M A, FLEURY-BAHI G, et al. Examining Green Space Characteristics for Social Cohesion and Mental Health Outcomes: A Sensitivity Analysis in Four European Cities[J]. Urban Forestry & Urban Greening, 2024, 93: 128230.

[3]
XU J X, MA J, TAO S. Examining the Nonlinear Relationship Between Neighborhood Environment and Residents' Health[J]. Cities, 2024, 152: 105213.

DOI

[4]
FANG Z, LIN Y, CHEN C Y, et al. Mental Health in China: Exploring the Impacts of Built Environment, Work Environment, and Subjective Perception[J]. Frontiers in Psychology, 2024, 15: 1352609.

DOI

[5]
DZHAMBOV A M, HARTIG T, TILOV B, et al. Residential Greenspace Is Associated with Mental Health via Intertwined Capacity-Building and Capacity-Restoring Pathways[J]. Environmental Research, 2019, 178: 108708.

DOI

[6]
YAN Q Y, SUN Y X. Mapping Perceived Sentiments in University Campuses with Varied Landscape Metrics and Climatic Conditions[J]. Frontiers in Psychology, 2024, 15: 1467966.

DOI

[7]
RIEVES E S, FREIS S M, FRIEDMAN N P, et al. Is Greenspace in the Eye of the Beholder? Exploring Perceived and Objective Greenspace Exposure Effects on Mental Health[J]. Journal of Environmental Psychology, 2024, 100: 102468.

DOI

[8]
TACZANOWSKA K, TANSIL D, WILFER J, et al. The Impact of Age on People’s Use and Perception of Urban Green Spaces and Their Effect on Personal Health and Wellbeing During the COVID-19 Pandemic: A Case Study of the Metropolitan Area of Vienna, Austria[J]. Cities, 2024, 147: 104798.

DOI

[9]
LI K, MAO Y P, LI Y J, et al. Exploring the Pathways of Urban Green Space Exposure on Respiratory Health: An Empirical Study in Nanjing, China[J]. Urban Forestry & Urban Greening, 2024, 101: 128536.

[10]
BAI Y H, WANG R Y, YANG L C, et al. The Impacts of Visible Green Spaces on the Mental Well-Being of University Students[J]. Applied Spatial Analysis and Policy, 2024, 17(3): 1105-1127.

DOI

[11]
XU W Z, XU S Q, SHI R X, et al. Exploring the Impact of University Green Spaces on Students' Perceived Restoration and Emotional States Through Audio-Visual Perception[J]. Ecological Informatics, 2024, 82: 102766.

DOI

[12]
MOLLAESMAEILI M, HAKIMIAN P, LAK A. Perceived Urban Green Spaces and Youth Mental Health in the Post-COVID-19 Era[J]. Frontiers in Public Health, 2024, 12: 1265682.

DOI

[13]
陈崇贤, 刘欣宜, 邱添, 等. 夜跑友好视角下城市街道环境视觉感知评价[J]. 风景园林, 2024, 31(4): 36-43.

DOI

CHEN C X, LIU X Y, QIU T, et al. Evaluation on Visual Perception of Urban Street Environment from the Perspective of Being Friendly to Nighttime Running[J]. Landscape Architecture, 2024, 31(4): 36-43.

DOI

[14]
MA R, ZHANG M. Pathways Mediating Neighborhood Green Spaces on Emotions of Populations with Different Mental Health in Nanjing, China[J]. Applied Geography, 2024, 173: 103457.

DOI

[15]
HA J, KIM H J, WITH K A. Urban Green Space Alone is not Enough: A Landscape Analysis Linking the Spatial Distribution of Urban Green Space to Mental Health in the City of Chicago[J]. Landscape and Urban Planning, 2022, 218: 104309.

DOI

[16]
REID C E, RIEVES E S, CARLSON K. Perceptions of Green Space Usage, Abundance, and Quality of Green Space Were Associated with Better Mental Health During the COVID-19 Pandemic Among Residents of Denver[J]. PLoS One, 2022, 17(3): e0263779.

DOI

[17]
PENG Z M, ZHANG R Y, DONG Y, et al. A Study on the Relationship Between Campus Environment and College Students’ Emotional Perception: A Case Study of Yuelu Mountain National University Science and Technology City[J]. Buildings, 2024, 14(9): 2849.

DOI

[18]
SUN D, ZHOU F J, LIN J J, et al. A Study on Landscape Feature and Emotional Perception Evaluation of Waterfront Greenway[J]. Environmental Research Communications, 2024, 6(9): 095023.

DOI

[19]
崔雪, 金荷仙, 曾程程. 校园绿地听嗅交互感知对大学生压力恢复的影响研究[J]. 中国园林, 2023, 39(2): 26-31.

CUI X, JIN H X, ZENG C C. A Study on the Influence of Campus Green Space Auditory and Olfactory Interactive Perception on Stress Recovery of College Students[J]. Chinese Landscape Architecture, 2023, 39(2): 26-31.

[20]
DELGADO-SERRANO M M, MELICHOVÁ K, MAC FADDEN I, et al. Perception of Green Spaces' Role in Enhancing Mental Health and Mental Well-Being in Small and Medium-Sized Cities[J]. Land Use Policy, 2024, 139: 107087.

DOI

[21]
SONG L Y, LIU D, KWAN M P, et al. Machine-Based Understanding of Noise Perception in Urban Environments Using Mobility-Based Sensing Data[J]. Computers, Environment and Urban Systems, 2024, 114: 102204.

DOI

[22]
吝涛, 曾志伟, 姚霞, 等. 城市绿地暴露与人群健康效应研究[J]. 生态学报, 2023, 43(23): 10013-10021.

LIN T, ZENG Z W, YAO X, et al. Study on Urban Green Space Exposure and Population Health Effect[J]. Acta Ecologica Sinica, 2023, 43(23): 10013-10021.

[23]
QU S R, MA R C. Exploring Multi-Sensory Approaches for Psychological Well-Being in Urban Green Spaces: Evidence from Edinburgh’s Diverse Urban Environments[J]. Land, 2024, 13(9): 1536.

DOI

[24]
刘泽润, 刘超. 可持续建成环境研究的机器学习应用进展与展望[J]. 风景园林, 2023, 30(7): 51-59.

LIU Z R, LIU C. Application of Machine Learning in the Research on Sustainable Built Environment: Progress and Prospect[J]. Landscape Architecture, 2023, 30(7): 51-59.

[25]
韩会然, 许岭怡, 杨成凤. 多尺度建成环境对老年人心理健康的影响: 基于极端梯度提升模型的合肥实证[J]. 地理研究, 2024, 43(6): 1502-1521.

HAN H R, XU L Y, YANG C F. The Impact of Multi-Scale Built Environment on the Mental Health of Older Adults: An Empirical Study of Hefei Based on Extreme Gradient Boosting Model[J]. Geographical Research, 2024, 43(6): 1502-1521.

[26]
Secretariat of the Convention on Biological Diversity. Global Biodiversity Outlook 5: Summary for Policy Makers[R/OL]. (2020-08-18)[2025-02-15]. https://www.cbd.int/gbo5.

[27]
中国科学院心理研究所. 心理健康蓝皮书: 中国国民心理健康发展报告（2023—2024）[M]. 北京: 社会科学文献出版社, 2025.

Institute of Psychology, Chinese Academy of Sciences. Mental Health Blue Book: Report on the Development of National Mental Health in China (2023−2024)[M]. Beijing: Social Sciences Academic Press, 2025.

[28]
TEEUWEN R, MILIAS V, BOZZON A, et al. How Well Do NDVI and OpenStreetMap Data Capture People’s Visual Perceptions of Urban Greenspace?[J]. Landscape and Urban Planning, 2024, 245: 105009.

DOI

[29]
AIKOH T, HOMMA R, ABE Y. Comparing Conventional Manual Measurement of the Green View Index with Modern Automatic Methods Using Google Street View and Semantic Segmentation[J]. Urban Forestry & Urban Greening, 2023, 80: 127845.

[30]
SALIM M, SARAVANAN S. Evaluation of Noise Exposure Levels of Pedestrians in Suburban Chennai, India[J]. Journal of Environmental Engineering and Landscape Management, 2024, 32(3): 211-221.

DOI

[31]
GRACE M, DICKIE J, BROWN C, et al. Using Solicited Research Diaries to Assess the Restorative Potential of Exposure to Inland Blue Space Across Time[J]. Landscape and Urban Planning, 2024, 241: 104904.

DOI

[32]
WU Y J, ZHOU W, ZHANG H M, et al. Relationships Between Green Space Perceptions, Green Space Use, and the Multidimensional Health of Older People: A Case Study of Fuzhou, China[J]. Buildings, 2024, 14(6): 1544.

DOI

[33]
刘喆, 潘瑞琦, 李昊冉, 等. 基于植被群落特征的大型公共绿地环境效益制图方法[J]. 风景园林, 2022, 29(10): 67-73.

LIU Z, PAN R Q, LI H R, et al. Mapping Method for Environmental Benefits of Large-Scale Public Green Space Based on Characteristics of Vegetation Community[J]. Landscape Architecture, 2022, 29(10): 67-73.

[34]
JIANG B, XU W, JI W, et al. Impacts of Nature and Built Acoustic-Visual Environments on Human’s Multidimensional Mood States: A Cross-continent Experiment[J]. Journal of Environmental Psychology, 2021, 77: 101659.

DOI

[35]
LIS A, ZALEWSKA K, GRABOWSKI M. The Ability to Choose How to Interact with Other People in the Park Space and Its Role in Terms of Perceived Safety and Preference[J]. Journal of Environmental Psychology, 2024, 99: 102429.

DOI

[36]
杜新存, 李方正. 绿色暴露作为促进健康服务的评估指标与机制研究综述[J]. 风景园林, 2022, 29(10): 26-31.

DU X C, LI F Z. A Review of Research on Green Exposure as an Assessment Indicator and Mechanism for Health Services Promotion[J]. Landscape Architecture, 2022, 29(10): 26-31.

[37]
MARKEVYCH I, SCHOIERER J, HARTIG T, et al. Exploring Pathways Linking Greenspace to Health: Theoretical and Methodological Guidance[J]. Environmental Research, 2017, 158: 301-317.

DOI

[38]
MUELLER W, MILNER J, LOH M, et al. Exposure to Urban Greenspace and Pathways to Respiratory Health: An Exploratory Systematic Review[J]. Science of the Total Environment, 2022, 829: 154447.

DOI

[39]
李倞, 杨璐. 后疫情时代风景园林聚焦公共健康的热点议题探讨[J]. 风景园林, 2020, 27(9): 10-16.

LI L, YANG L. Discussion on Hot Topics of Landscape Architecture Focusing on Public Health in the Post-Epidemic Era[J]. Landscape Architecture, 2020, 27(9): 10-16.

[40]
嵇雨桐, 胡坤宁, 李雄, 等. 从布局到功能: “口袋公园簇” 协同设计模式[J]. 风景园林, 2024, 31(2): 95-101.

DOI

JI Y T, HU K N, LI X, et al. From Layout to Function: Synergistic Design Pattern of “Pocket Park Bundle”[J]. Landscape Architecture, 2024, 31(2): 95-101.

DOI

Options
Outlines

/

〈 〉