EN中文

Landscape Architecture >

2026 , Vol. 33 >Issue 1: 34 - 46

DOI: https://doi.org/10.3724/j.fjyl.LA20250571

Special: Carbon Reduction and Pollution Reduction of Urban and Rural Green Space

Impact of Urban Morphology on PM2.5 Concentrations in High-Density Urban Areas: A Case Study of the Main Urban Area of Urumqi, an Arid-Region City

  • LIU Song , 1, 2 ,
  • JIU Jiangtao , 1, 3 ,
  • LIU Dizi , 1 ,
  • DONG Chanchan , 1, 3
Expand
  • 1 College of Architecture and Urban Planning (CAUP), Tongji University
  • 2 National Master of Landscape Architecture Education Steering Committee
  • 3 College of Forestry and Landscape Architecture, Xinjiang Agricultural University

LIU Song, Ph.D., is a professor and doctoral supervisor in the College of Architecture and Urban Planning (CAUP), Tongji University, and deputy director of the National Master of Landscape Architecture Education Steering Committee. Her research focuses on urban-rural green space system planning, and technical approach to landscape planning

JIU Jiangtao is a Ph.D. candidate in the College of Architecture and Urban Planning (CAUP), Tongji University, and a lecturer in the College of Forestry and Landscape Architecture, Xinjiang Agricultural University. His research focuses on landscape planning and design, urban microclimate, and digital landscape

LIU Dizi is a Ph.D. candidate in the College of Architecture and Urban Planning (CAUP), Tongji University. His research focuses on optimization of rural landscape systems in metropolitan fringe areas, and digital landscape

DONG Chanchan, Master, is a lecturer in the College of Forestry and Landscape Architecture, Xinjiang Agricultural University. Her research focuses on healthcare landscape and urban microclimate

Received date: 2025-09-16

  Revised date: 2025-12-08

  Online published: 2026-03-12

Copyright

Copyright © 2026 Landscape Architecture. All rights reserved.
Fold

Abstract

[Objective]

Rapid urbanization in arid regions presents distinctive challenges for air quality management, particularly concerning fine particulate matter (PM2.5). This study aims to systematically quantify the seasonal dynamics of PM2.5 concentrations across different local climate zone (LCZ) types within a high-density arid city. It seeks to elucidate how two-dimensional landscape patterns and three-dimensional urban morphological characteristics jointly influence the spatial distribution of PM2.5, and to identify the dominant drivers and their nonlinear mechanisms in this unique climatic context.

[Methods]

The main urban area of Urumqi, a representative high-density city in the arid northwest of China, was selected as the case study. A multi-source data fusion framework was constructed, integrating satellite remote sensing data (Sentinel-2 and Landsat 8/9 imagery), vector-based architectural data, ground-based meteorological observations, and high-resolution topographic data. Methodologically, the study proceeded in two main stages within the overarching LCZ framework. First, a random forest (RF) model was employed to generate high-resolution (30-meter) seasonal PM2.5 concentration maps through inversion techniques and to perform a precise LCZ classification for the study area. Second, an eXtreme Gradient Boosting (XGBoost) machine learning regression model, coupled with the SHapley Additive exPlanations (SHAP) interpretability framework, was applied. This advanced analytical approach was used to deconvolve the relative importance and, more importantly, the nonlinear dependence and threshold effects of a comprehensive set of influencing factors. These factors encompassed two-dimensional landscape metrics, three-dimensional urban morphological indicators, elevation, and key meteorological parameters.

[Results]

The analysis revealed a pronounced seasonal pattern of “higher PM2.5 concentrations in winter and lower in summer” in Urumqi’s main urban area, coupled with a spatial distribution characterized by “higher concentrations in the north than in the south, and in built-up areas compared to green spaces”. Significant differences in PM2.5 levels were observed among LCZ types. LCZ 10 (heavy industry) and the compact built types (LCZ 2, compact mid-rise and LCZ 3, compact low-rise) were identified as persistent high-pollution zones. In contrast, forested LCZ types (LCZ A, dense trees and LCZ B, scattered trees) exhibited a significant capacity to mitigate PM2.5, maintaining consistently low concentrations. Factor importance analysis indicated seasonal shifts in the dominant controls. The NDVI emerged as the most influential factor in summer, demonstrating a linear negative correlation with PM2.5. A threshold effect was observed, with NDVI values greater than 0.25 leading to a marked enhancement of its purifying effect during both seasons. In winter, air temperature and elevation became the predominant factors. Temperatures below −10.2 °C strongly favored the formation of temperature inversions, trapping pollutants near the surface. Concurrently, areas with elevations below 800 m, particularly in the northern basin, were prone to forming “cold-air pools” that exacerbated pollution accumulation. Other key nonlinear thresholds were identified: a bare land cohesion index (COHESIONBLG) exceeding 85 in winter led to a sharp increase in dust emission potential; an open group LCZ cohesion index (COHESIONOG) greater than 88 facilitated better pollutant dispersion; and a temperature above 25 °C in summer promoted vertical mixing and PM2.5 diffusion. Furthermore, the LCZ compact group consistently showed significantly higher pollution levels than the LCZ open group, highlighting the role of urban morphology in modulating air quality. SHAP analysis further quantified several other key nonlinear thresholds: a Bare Soil/Sand group cohesion index (COHESIONBLG) exceeding 85 in winter led to a sharp increase in dust emission potential; an open group LCZ cohesion index (COHESIONOG) greater than 88 facilitated better pollutant dispersion; and a temperature above 25 °C in summer promoted vertical atmospheric mixing and PM2.5 dispersion. Furthermore, the LCZ compact group (LCZ 1−3) consistently exhibited significantly higher pollution levels than the LCZ open group (LCZ 4−6), unequivocally highlighting the decisive role of urban morphology compactness in modulating local air quality.

[Conclusion]

This study provides a comprehensive and quantitative analysis of the complex interplay between multi-dimensional urban morphology and PM2.5 pollution in an arid, high-density city, leveraging the standardized LCZ framework. It successfully advances the application of the LCZ scheme in arid-region air pollution research, moving beyond qualitative associations to delineate clear seasonal divergences in underlying controlling mechanisms. The principal contribution lies in the innovative integration of explainable machine learning (specifically, XGBoost-SHAP), which enabled precise quantification of critical nonlinear thresholds of key morphological, topographic, and meteorological factors. These findings transcend a merely deeper mechanistic understanding. The findings yield concrete, quantitative scientific evidence that can directly inform the development of precise, LCZ-type-specific and seasonally-adapted PM2.5 management strategies. Consequently, this study offers a robust, evidence-based foundation for optimizing urban spatial planning and urban design in Urumqi and other arid-region cities that face similar air quality challenges.

Key words： landscape architecture; urban morphology; local climate zone; PM2.5; explainable machine learning; nonlinear threshold; Urumqi

Cite this article

LIU Song , JIU Jiangtao , LIU Dizi , DONG Chanchan . Impact of Urban Morphology on PM2.5 Concentrations in High-Density Urban Areas: A Case Study of the Main Urban Area of Urumqi, an Arid-Region City[J]. Landscape Architecture, 2026 , 33(1) : 34 -46 . DOI: 10.3724/j.fjyl.LA20250571

近年来，快速城市化引发了一系列环境挑战，其中空气污染已成为威胁全球公共健康和生态可持续发展的重大问题[1]。细颗粒物（PM2.5）因微小的粒径（空气动力学直径≤2.5 ${\text{μ}} $ m）能够长时间悬浮于空气中，导致公众长期暴露的风险显著增加[2]。因此，探究影响PM2.5分布的因素和机制，进而降低空气污染风险，一直是当今的研究热点。
城市空气污染影响因素的研究表明，城市PM2.5污染的时空分异与累积效应受人为排放[3]、气象条件[4]、地形地貌[5]及植被覆盖[6]等多维度因素调控，其机制呈现显著复杂性与区域异质性。在众多影响因子中，城市景观格局、三维空间形态、地形及气象条件是主导PM2.5扩散、迁移与净化过程的核心要素，相关调控机制已得到验证[5, 7-8]。相较于气象、地形等难以人工干预的自然因子，城市形态作为人类活动主导的建成环境核心载体，能直接改变局地通风效率、地表覆盖结构及污染物扩散路径，或间接调控微气候（如热岛、风场）来影响PM2.5的生成与滞留，这一调控效应具有明确的规划干预潜力，成为连接污染治理与城市规划的关键桥梁[9-11]。然而，现有研究在解析多因素调控PM2.5的机制时，普遍面临城市形态分类框架的局限性。当前主流的土地利用/覆盖分类（land use / cover classification, LUCC）框架多聚焦二维用地类型的划分，仅能表征地表覆盖的平面属性，无法整合建筑高度、迎风面积指数等三维形态特征，也难以关联不同形态单元对应的微气候差异。
Stewart等[12]提出的局地气候分区（local climate zone, LCZ）框架，为城市形态分类提供了完善方法，该框架突破传统土地利用分类系统的局限，通过整合三维空间指标（如建筑高度、密度）与地表覆盖特征，为多维度解析城市形态与PM2.5的关联提供了关键工具。LCZ框架已被广泛应用于城市热环境、大气污染的研究中，Jiang等[13]以上海为研究区的对比分析显示，LCZ框架将高度异质的建成区细分为多种类型，有效提升了PM2.5空间分布的解释力，在多个建模场景中的表现均优于LUCC框架。类似地，Wang等[14]进一步发现，LCZ框架在识别杭州通风廊道及该廊道对PM2.5的调控效应方面有着较强的能力，能够捕捉到不同LCZ类型间显著的PM2.5浓度差异及非线性响应关系，为精准规划提供了传统LUCC框架难以实现的量化依据。这些研究表明，LCZ框架在关联城市形态、微气候与空气污染过程中具有更强的解释力和适用性。但现有利用LCZ框架对城市PM2.5污染的研究多集中于湿润或半湿润地区，LCZ框架在干旱区城市中的应用仍未得到充分探索[11, 15-18]。并且，当前城市形态对PM2.5影响的研究，多聚焦于单一维度（如仅分析二维景观格局或三维建筑形态），缺乏LCZ框架下干旱区多维城市形态对PM2.5综合影响的分析[10-11]。
为综合解析二维空间特征（二维空间属性与二维景观格局）、城市形态以及气象因素对PM2.5的影响，本研究以中国西北干旱区核心城市乌鲁木齐主城区为研究对象，利用能够整合三维形态特征的LCZ框架[13]，结合多源数据与机器学习算法，以1683个有效街区为评价单元，构建多维城市形态因子分析体系。本研究旨在实现3个目标：1）量化干旱区城市不同LCZ类型PM2.5浓度的季节性差异，揭示LCZ类型与PM2.5浓度分布的关联规律；2）识别街区尺度下的多维城市形态和气象因子对PM2.5的主导影响因子及其作用机制；3）提出适配干旱区季节特征的城市街区PM2.5调控策略，为精细化治污提供技术支撑。

1 研究区概况

乌鲁木齐市（42°45′32″ ~44°08′00″ N、86°37′33″ ~88°58′24″ E）地处中国西北干旱区，是丝绸之路经济带核心城市，总面积14 216 km2，2023年常住人口为408.48万人，建成区面积为545.1 km2[19]（图1）。本研究聚焦于乌鲁木齐主城区，西以连霍高速为界，东、南两侧至二环快速路，北抵京新高速、北辰十街与轮台东路一线，总面积460.5 km2，占全市建成区面积的84.48%。主城区平均海拔800 m，属于温带大陆性干旱气候，年均降水量仅236 mm，气候干燥少雨。冬季静稳天气（风速＜1.5 m/s）频率达40%，并且频繁出现的逆温层使得空气垂直对流受限，污染物极易在近地面累积[20-21]；夏季虽主城区整体PM2.5浓度较低，但干热气候易引发裸地扬尘，且建筑密集区易因热岛效应削弱污染物扩散能力，造成季节性污染。据中国空气质量在线监测分析平台数据，2013年12月—2023年10月，乌鲁木齐市空气质量优的月份仅占0.8%，轻度污染及以下的月份占31.6%。2014—2024年PM2.5月均值呈U形分布，10—12月至次年1—3月为污染集中期，且PM2.5浓度均超国家一级标准（35 ${\text{μ}} $ g/m3），其中冬季（12 月至次年2 月）PM2.5 浓度最高，夏季（6—8 月）PM2.5 浓度最低，但仍存在局部轻度污染。基于此，本研究选择污染机制最典型、差异最显著的夏季和冬季展开分析，以精准揭示干旱区城市PM2.5的季节驱动规律。
图1 研究区位置（1-1）和有效街区分布（1-2）

Fig. 1 Location of the study area (1-1) and distribution of valid urban blocks (1-2)

2 研究方法

为解析干旱区城市LCZ视角下PM2.5污染的影响机制，本研究构建了系统性研究框架（图2）。首先获取遥感、气象、地理空间等多源基础数据；其次完成PM2.5浓度精细化反演与LCZ分类预处理；继而基于LCZ分类设计对照分组，提取街区二维、三维城市形态及气象因子，并通过混淆矩阵、异常检测、强度分析探究不同LCZ类型间PM2.5浓度差异特征；最终借助极端梯度提升-SHapley可加性解释（eXtreme Gradient Boosting-SHapley Additive exPlanations, XGBoost-SHAP）模型，量化各因子对PM2.5浓度的影响强度及非线性作用机制。
图2 研究框架

Fig. 2 Research framework

2.1 数据来源与预处理

本研究整理使用的相关数据后（表1），进行季节性PM2.5浓度反演与LCZ分类的数据预处理。
表1 数据来源及说明

Tab. 1 Data sources and notes

数据类型 时间 分辨率 来源 用途
Sentinel-2、Landsat 8/9遥感影像 2023—2024年 Sentinel-2：10 m/20 m；
Landsat 8/9：30 m		 Google Earth Engine（GEE）平台 季节性PM2.5浓度反演（生成30 m分辨率影像）
及LCZ分类
世界城市数据库与访问门户工具（world
urban database and access portal tools,
WUDAPT） 数据集		 2018年 — WUDAPT官方平台（www.wudapt.org） 辅助LCZ分类，优化模型参数以提升分类精度
开放街道地图（open street map, OSM）
路网数据、建筑数据		 2024年 — OSM开源平台
（www.openstreetmap.org）		 构建街区评价单元，辅助LCZ分类
气温、气压、相对湿度、
风速观测数据		 2023—2024年 — 国家气象信息中心中国气象数据网
（data.cma.cn）		 探究气象因子对PM2.5浓度的影响
高分2号遥感影像 2023—2024年 0.8 m 国家遥感数据与应用服务平台
（www.cpeos.org.cn）		 用于街区绿地分类，计算7个景观格局指数以
量化与PM2.5浓度的相关性

2.1.1 季节性PM2.5浓度反演

本研究基于GEE平台，融合多源遥感与气象数据，结合随机森林（random forest, RF）机器学习算法，实现区域30 m分辨率月尺度PM2.5浓度的精细化反演[16]。对于Sentinel-2遥感影像协同化表面反射率数据①，选取云量低于20%的影像（同步利用QA60波段掩膜去除云与卷云像元），对每月符合条件的影像进行中位数合成，以降低瞬时云层及大气噪声的干扰。随后，从合成影像中提取各波段反射率数据，并计算归一化植被指数等衍生光谱指数，共同构成多源输入特征集。以中国高分辨率空气污染物（China high-resolution air pollutants, CHAP）数据集中的1 km月均PM2.5浓度数据（2023年12月—2024年8月，共6期）作为监督标签，对CHAP数据集的PM2.5数据完成预处理后，通过GEE平台将高分辨率特征以空间均值聚合的方式匹配至1 km尺度，随后以1 km网格为基准，在研究区随机抽取8 000个样本点，并将随机种子数量固定为42以确保结果可重复，构建包含目标变量（PM2.5浓度）与预测变量（Sentinel-2波段及光谱指数）的样本数据集。在模型构建与验证环节，通过在样本中引入随机数来实现数据随机化，以7∶3比例划分为训练集与测试集，采用RF算法建立Sentinel-2特征影像与PM2.5浓度之间的映射关系。基于训练完成的模型，对研究区Sentinel-2特征影像开展像元级预测，将原始特征数据重投影至30 m分辨率，最终生成高空间分辨率的PM2.5浓度影像。验证结果显示，模型验证集决定系数（R 2）达0.89，均方根误差（root mean square error, RMSE）为2.09${\text{μ}}\mathrm{g}\cdot {\mathrm{m}}^{-3}$，性能稳定可靠。

2.1.2 LCZ分类

根据LCZ框架，城市区域被系统地划分为10种建成区类型（LCZ 1~10）和7种自然覆被类型（LCZ A~G）[13]，共17个基本类型（图3），后续分析中将上述LCZ类型按其属性归并为“建成区”与“自然区”两大分析类型。鉴于RF算法在处理高维遥感数据、非线性分类任务及适配干旱区城市形态异质性中的优势[22]，本研究以乌鲁木齐主城区为对象，结合2024年5—9月Landsat 8/9遥感影像、WUDAPT数据集及多源辅助数据开展LCZ分类[23]。以掩膜云函数算法（C Function of Mask, CF Mask）剔除云量超20%的影像并归一化波段反射率，计算相关光谱指数，补充30 m分辨率数字高程模型（digital elevation model, DEM）提取的坡度、坡向特征。通过筛选WUDAPT平台精度超80%的原始样本，结合Google Earth高清影像修订，构建覆盖17类LCZ的1 200个训练样本。模型超参数经5折交叉验证优化，最优参数设置为：树数量为100、最大节点数为50、自助采样比例为0.7、分裂特征数取默认值。测试集验证显示，各LCZ生产者精度（producer’s accuracy, PA）均大于70%，用户精度（user’s accuracy, UA）多大于60%，总体精度（overall accuracy, OA）达88.14%，结合图像分辨率，该精度满足分类要求②。
图3 LCZ分类体系中的景观类型（3-1）[12]及研究区LCZ分类分布（3-2）

Fig. 3 Landscape types in the LCZ classification system (3-1)[12] and distribution of LCZ classification in the study area (3-2)

基于LCZ分类结果，依据LCZ类型的形态特征与功能属性，借鉴Yang等[24]的分组方法，聚焦景观特征相似的LCZ类型，设计9个对照组（表2），计算每个街区内不同分组的景观格局指数，探究相似LCZ类型在不同分组下，景观格局指标与PM2.5浓度的关联差异。分组过程中，剔除了研究区内面积占比极小的LCZ 7（占比为0.1%）和LCZ G（占比为0.09%），因为二者难以代表区域景观特征，且可能引入统计噪声。
表2 基于LCZ的建成区与自然区景观指标分组

Tab. 2 Landscape metric grouping for built-up areas and natural areas based on LCZ

序号 组别 LCZ类型 特征描述
1 建成区“综合”组（built-up area aggregated group, BAAG） LCZ 1~6、8 排除LCZ 9、10，覆盖多数建成区类型，分析建成区景观指标对PM2.5浓度的综合影响
2 紧凑度控制组 高紧凑度相似组（compact group, CG） LCZ 1~3 控制高紧凑度差异
3 低紧凑度（开放）相似组（open group, OP） LCZ 4~6 控制低紧凑度差异
4 高度控
制组		 低层相似组（low-rise group, LRG） LCZ 3、6 控制建筑高度差异
5 中层相似组（mid-rise group, MRG） LCZ 2、5 控制建筑高度差异
6 高层相似组（high-rise group, HRG） LCZ 1、4 控制建筑高度差异
7 自然区域“综合”组（natural area aggregated group, NAAG） LCZ 9、A~F 覆盖核心自然覆被类型（LCZ A~F）及特殊吸附汇（LCZ 9和高植被覆盖LCZ类型）
8 绿地组（green space group, GSG） LCZ 9、A~D 具有污染物吸附净化生态功能的相似组
9 裸地组（bare land group, BLG） LCZ E、F 干旱区典型空气颗粒物来源（“源”）景观组

2.2 分析方法

生成季节性空间PM2.5浓度影像和LCZ分类影像后，将二者在一致的分辨率和坐标系下叠加，系统分析PM2.5浓度的空间分异特征及PM2.5浓度的空间分布与LCZ类型的关联。

2.2.1 不同LCZ类型的PM2.5浓度差异分析

本研究采用混淆矩阵、异常检测与强度分析，系统评估不同LCZ类型中PM2.5浓度差异特征。
1）混淆矩阵[24]用于直观对比任意2类LCZ间PM2.5浓度的显著性差异，通过计算不同LCZ类型间的季节性平均PM2.5浓度差值，呈现不同LCZ类型的污染水平差异。
2）异常检测[25]用于量化特定类型LCZ下平均PM2.5浓度相对于所有类型LCZ平均PM2.5浓度的偏离程度，LCZ类型的PM2.5偏离值计算式
$ {C}'_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}i}）={C}_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}i}）-\frac{\displaystyle\sum {C}_{{S}_{j}}}{N} \text{。} $
式中，$ {C}'_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}i}） $为不同季节$ {S}_{j} $中不同LCZ类型i的PM2.5偏离值，i∈[1，2，…，10；A，B，…，G]$ ，{S}_{j} $为冬季或夏季；$ {C}_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}i}） $为不同季节$ {S}_{j} $中不同LCZ类型i的平均PM2.5浓度；$ \displaystyle\sum {C}_{{S}_{j}} $为季节$ {S}_{j} $所有LCZ类型的PM2.5浓度总和，N为LCZ类型数。
3）PM2.5强度指数定义为特定LCZ类型与参考LCZ类型的PM2.5浓度差异。在城市热岛空间异质性研究中，参考LCZ类型通常由主导背景景观确定[26]，如广泛存在的LCZ D（低矮植被）[13]或远离城市中心的LCZ类型[27]。本研究中LCZ 5（开放中层）面积最大，故定为参考类型，特定LCZ类型的PM2.5强度指数计算式
$ {I}_{{S}_{{j}}}={C}_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}i}）-{C}_{{S}_{j}}（{L}_{\mathrm{C}\mathrm{Z}5}） \text{。} $
式中，$ {I}_{{S}_{{j}}} $为季节$ {S}_{j} $中LCZ类型i的PM2.5强度指数。

2.2.2 城市形态对街区PM2.5浓度的影响分析

为深入解析城市形态对PM2.5浓度的影响机制，本研究进一步以街区为评价单元，开展PM2.5浓度与城市形态因子的相关分析。基于OSM路网数据，以城市快速路、高速公路、主干道及次干道等高等级道路为边界，通过缓冲区分析生成初始街区单元，剔除雅玛里克山等大面积的自然区域，最终保留1 683个有效街区作为评价单元（图1）。
本研究中绿视率（green view index, GVI）与天空可视因子（sky view factor, SVF）核心数据源为百度地图开放平台应用程序接口中的百度街景全景静态图，为排除街景采集车辆干扰，仅保留图像上半部分，并将同一采样坐标点的4张原始街景图像（共40 504张）拼接整合为10 126张全景图像[28]。GVI与SVF的点值提取均采用Deeplabv3+深度学习模型进行语义分割。GVI值通过识别植被区域并统计其像素占比获得；SVF值则在分割天空区域后，经投影转换为人工合成鱼眼图，再采用同心环法计算得出。最终，将每个街景点的GVI和SVF值分配至最近的2个街区，再取街区内所有GVI和SVF分配值的算术平均值，得到街区尺度的GVI与SVF均值。
基于干旱区城市景观异质性特征，结合已有研究识别出的对PM2.5浓度影响显著的景观指标[11, 24]，本研究整合二维、三维指标，构建多维度分析体系（表3），并结合气温、气压、相对湿度和风速4个气象指标，以系统解析多维城市形态和气象因子对PM2.5的影响机制。其中，气象指标是从研究区内及周边8个气象站收集的每日气象数据，利用每日气象数据计算8个站点4个气象指标的季节平均值，进一步运行反距离权重（inverse distance weighting, IDW）插值程序，以获得更高分辨率（30 m）的数据，用于街区尺度分析。经留一交叉验证（leave-one-out cross-validation, LOOCV），2个季节4类气象因子的Pearson相关性指数均大于0.5，满足研究需求③。
表3 多维城市形态因子指标体系

Tab. 3 Indicator system for multidimensional urban morphology factors

指标类型 指标名称
二维指标 建筑密度（building density, BD）
归一化植被指数（normalized difference vegetation index, NDVI）
斑块密度（patch density, PD）
最大斑块指数（largest patch index, LPI）
边缘密度（edge density, ED）
景观形状指数（landscape shape index, LSI）
聚集指数（aggregation index, AI）
聚合度指数（cohesion index, COHESION）
三维指标 平均建筑高度（mean building height, MBH）
SVF
GVI
建筑紧凑度（building compactness, BC）
迎风面积指数（frontal area index, FAI）
海拔（elevation, ELE)

2.2.3 多维城市形态因子对PM2.5浓度的影响分析

基于上述LCZ分组结果，本研究借助R软件的landscapemetrics包，批量计算各街区内景观格局指标，结合其他城市形态因子，融合PM2.5浓度反演数据构建“街区-特征因子-PM2.5浓度”关联数据库。
本研究采用XGBoost模型，来探究街区内多维城市形态因子和气象因子对PM2.5水平的影响。XGBoost是一种决策树集成算法，通过对基础决策树模型进行迭代计算，最终构建稳健的预测模型。该算法在处理大规模数据和复杂模型时效率高，且具有优异的防过拟合能力，自提出以来已被广泛应用于分析各类影响因素与城市气候要素（如空气污染物、地表温度、风速）之间的关系[11, 29]。
XGBoost的基础预测模型计算式
$ {\widehat{y}}_{i}=\sum _{k=1}^{K} {f}_{k}\left({x}_{i}\right)，{f}_{k}\in F。 $
式中：i为样本数量；$ {\widehat{y}}_{i} $为第i个样本的预测值；$ K $为决策树总数；$ {f}_{k}\left({x}_{i}\right) $为第i个样本在第$ k $棵决策树叶节点上的权重函数；F为决策树集合。
为构建全面的XGBoost模型，本研究将56个二维指标、6个三维指标和4个气象指标作为自变量，将2个季节的街区PM2.5平均浓度作为因变量。为确保模型性能，将包含1 683个样本的数据集随机划分为训练集（占比80%，用于模型拟合）和验证集（占比20%，用于模型性能评估）。采用RMSE和R 2评估XGBoost模型的精度。所有模型与超参数设置④均通过Python 3.8软件实现。
本研究采用 SHAP这一模型解释工具量化各指标的相对重要性。SHAP是基于博弈论的机器学习解释工具，可通过计算所有潜在特征子集预测方差的加权均值，得到每个样本中各特征对XGBoost模型预测结果的贡献值（即SHAP值）。为精准解析核心因子的非线性作用机制，后续结果分析将结合SHAP值偏依赖图与传统部分依赖图（partial dependence plot, PDP）的互补性，以SHAP工具捕捉变量交互下的个体效应差异，以PDP验证整体趋势一致性，共同支撑多维因子对PM2.5浓度影响机制的可靠性解释。

3 结果与分析

3.1 不同LCZ类型的PM2.5浓度分布差异和季节性特征

乌鲁木齐市主城区PM2.5浓度呈现“冬季高夏季低”的季节规律与“北部高南部低、建成区高绿地区低”的空间规律。本研究借助多源遥感数据与RF算法，实现了乌鲁木齐主城区夏季和冬季PM2.5浓度的高分辨率反演（图4），总体精度达0.89，满足研究需求。从季节动态看，乌鲁木齐主城区PM2.5浓度呈现显著冬季高夏季低的规律，冬季最高浓度达132.18 ${\text{μ}} $ g/m3，夏季最低浓度仅13.87 ${\text{μ}} $ g/m3，且冬季所有区域浓度均高于中国GB 3095—2012《环境空气质量标准》一级标准及世界卫生组织IT-1标准所规定的35 ${\text{μ}} $ g/m3的浓度限值，而夏季大部分区域可满足这2项标准，反映出冬季静稳天气与逆温层对污染物扩散的抑制作用。从空间格局看，PM2.5浓度呈现北部高南部低、建成区高绿地区低的异质性特征，高浓度区集中于城市北部建筑密集区，低浓度区多分布于东南部绿色空间（如雅玛里克山周边）；城市西北部因工业与居住用地连片分布，且地势较低，全年PM2.5浓度持续偏高，东南部因绿地占比相对较高，地势较高，全年PM2.5浓度维持在较低水平。
图4 乌鲁木齐市主城区PM2.5浓度分布图

Fig. 4 PM2.5 concentration distribution of Urumqi’s main urban area

LCZ分类分布显示（图3），建成区（红色区域）集中于城市中心，建筑密度自东南向西北递减，自然区（除LCZ G外）环绕市区。建成区面积占比64.17%，自然区面积占35.83%，凸显高城市化水平。其中，LCZ 5占比最高（27.34%），与乌鲁木齐以中等密度开放中层建筑为主的特征一致；自然覆被类型中LCZ F占14.73%，体现干旱区环境本底；LCZ G与LCZ 7占比极低，分别为0.09%和0.10%，在研究区内几乎可忽略不计。总体来说，乌鲁木齐主城区LCZ类型上呈现中心区域建成区集聚，外围区域自然区环绕，构成上建成区占优的核心特征。

3.2 不同LCZ类型间PM2.5浓度的差异性分析

通过对研究区不同LCZ组别（表2）夏季和冬季PM2.5浓度差异、均值偏离及相对强度的多维度分析，发现景观组成与配置影响PM2.5的空间分布，且该影响存在显著季节分化特征。
建成区中，LCZ 2、3、8、10为PM2.5浓度高值核心区，夏、冬2季对应色块多呈红色，表明PM2.5浓度显著高于其他LCZ类型（图5）。其中，LCZ 10作为典型高污染排放源，不仅浓度持续偏高，夏、冬2季PM2.5浓度还显著正偏离整体均值（夏季为0.50 ${\text{μ}} $ g/m3、冬季为4.96 ${\text{μ}} $ g/m3），且相对于LCZ 5的强度也显著偏高（图6、7），三重特征共同印证了工业活动的“源”效应及对PM2.5的稳定贡献。LCZ 2、3则因紧凑布局削弱空气流通，既表现为PM2.5浓度偏高，其均值偏离值也显著高于开放型LCZ区域（如LCZ 6），验证了“建筑紧凑度通过阻碍污染物扩散加剧局部污染”的规律[30]。LCZ 1夏季PM2.5浓度的强度指数较高，冬季却呈现−11.38 ${\text{μ}} $ g/m3的最大负偏离且强度降低，这与建筑高度引发的冬夏微气候差异相关[31]；LCZ 9夏季浓度较低，冬季略有升高，与其“类自然”景观对季节环境变化的响应一致。
图5 夏季（5-1）和冬季（5-2）不同LCZ类型间PM2.5浓度差异

Fig. 5 PM2.5 concentration differences among different LCZ categories in summer (5-1) and winter (5-2)

图6 LCZ异常检测：与横向平均PM2.5浓度的偏离值

Fig. 6 LCZ anomaly detection: deviation values from the horizontal average PM2.5 concentration

图7 所有LCZ类型与LCZ 5的PM2.5浓度分布对比

Fig. 7 Comparison of PM2.5 concentration distribution between all LCZ categories and LCZ 5

自然区的PM2.5浓度差异以植被覆盖度为主导，且受季节调控。LCZ A、B全年保持“汇”效应，2个季节浓度均值呈负偏离，且相对于LCZ 5的强度而言较低，体现植被通过吸附、滞留作用净化PM2.5的功能；反之，LCZ E、F因缺乏植被覆盖、易起扬尘，全年呈“源”效应，浓度均值正偏离，冬季强度显著升高，这与冬季干燥多风加剧扬尘的环境特征直接相关。LCZ D夏季因植被生长抑制扬尘而浓度较低，冬季则因植物枯萎导致扬尘增加，强度升至自然区最高；LCZ G夏季调控作用稳定（箱型图窄、数据变异性低），浓度均值呈负偏离（−0.97 ${\text{μ}} $ g/m3），冬季却因净化能力减弱及逆温天气滞留污染物，不仅浓度升高，还出现7.33 ${\text{μ}} $ g/m3的正偏离，反映出干旱区自然景观调控能力的季节性波动。
总体而言，冬季各LCZ类型的PM2.5浓度偏离幅度与强度差异均大于夏季，这与冬季静稳天气增多、供暖排放增加及自然净化功能减弱的综合作用有关，进一步强化了建成区污染累积效应与自然区调控能力的季节分化特征。

3.3 多维城市形态因子对乌鲁木齐主城区街区PM2.5的影响

3.3.1 多维城市形态因子重要性排序

本研究通过XGBoost-SHAP模型量化多维城市形态因子对乌鲁木齐主城区街区PM2.5浓度的影响，验证结果显示，夏季XGBoost模型R 2达0.776，对PM2.5浓度变异的解释力较强，且RMSE值仅为0.261 ${\text{μ}} $ g/m3，预测误差显著较低；冬季XGBoost模型的性能略有下降，R 2降至0.675，RMSE值升至4.274 ${\text{μ}} $ g/m3，XGBoost模型在夏、冬2季均具备满足研究需求的PM2.5浓度预测能力。各因子的SHAP绝对值揭示了自变量对城市街区PM2.5浓度的贡献程度，在基于SHAP值的特征重要性排序中（图8），夏季NDVI以最高SHAP值成为主导因子，这一结果直接对应干旱区夏季植被的“三维物理控污机制”，乌鲁木齐夏季植被进入生长旺盛期，乔木、灌木的高叶面积指数可通过物理拦截直接捕获空气中的PM2.5颗粒，同时植被蒸腾作用能提升近地相对湿度，削弱干热气候下裸地扬尘的动力，且NDVI高值区与LCZ绿地组（GSG）空间重叠，形成连续净化带，上述物理过程共同放大了NDVI高值区对PM2.5的抑制作用，因此NDVI的SHAP值（负向贡献）显著高于其他因子。低紧凑度（开放）相似组的景观格局指数重要性次之，COHESIONOG的SHAP值为0.047、LPIOG的SHAP值为0.039，物理机制源于“气流通道效应”，乌鲁木齐夏季以垂直对流为主，COHESIONOG值高的区域，建筑布局稀疏且连续，能形成贯通的气流廊道，加速PM2.5扩散；LPIOG值高则意味着大片开阔空间无建筑阻隔，进一步强化了对流扩散效率，因此二者SHAP值（负向贡献）较高。
图8 多维城市形态因子重要性排序

Fig. 8 Importance ranking of multidimensional urban morphological factors

冬季气温以0.377的SHAP值居首，核心物理机制是“逆温层稳定化”，乌鲁木齐冬季静稳天气天数占比40%，低温会使近地面空气温度低于高空形成逆温层，阻碍空气垂直对流，导致PM2.5无法向上扩散而滞留近地，且北部低地LCZ（如LCZ 5）因地势低洼，逆温层更厚、更稳定，PM2.5累积效应更显著，因此气温的SHAP值最高。ELE（SHAP值为0.148）成为关键地形因子，物理机制为“冷空气湖”阻滞，乌鲁木齐“北低南高”地势下，低高程区易形成“冷空气湖”，冷空气密度大、流动性差，进一步阻碍PM2.5水平扩散，与北部高污染区空间匹配，因此其SHAP值（正向贡献）仅次于气温。冬季NDVI重要性降至0.042，这是因为植被枯萎丧失部分净化与覆盖能力。裸地组（COHESIONBLG的SHAP值为0.017）受冬季大风影响，扬尘加剧，但受逆温限制，裸地对于PM2.5的扩散作用弱于气象与地形因子。总体来看，夏季由植被净化与空间扩散主导PM2.5浓度消减，冬季则受气象逆温与地形阻滞影响导致PM2.5浓度升高，各因子重要性差异本质是干旱区季节气候与LCZ景观功能耦合的结果。

3.3.2 多维城市形态因子的正负效应

夏季与冬季的多维城市形态因子对PM2.5浓度的影响因气候、景观功能差异呈现显著分异（图9）。夏季以“植被净化-空间扩散”为主导，NDVI为对PM2.5浓度升高具有抑制作用的核心负向影响因子，植被旺盛期通过叶片吸附、蒸腾增湿双重作用降低PM2.5浓度；低紧凑度（开放）相似组的景观连通性表现出一定的负向影响，气流通道顺畅加速污染扩散；相对湿度具有一定的正向影响，乌鲁木齐夏季干燥，低相对湿度常伴随强日照下的局地热对流等活跃空气运动，可抵消干热扬尘影响并加速PM2.5稀释。而气温、ELE、LPIOG、风速、COHESIONGSG等呈负向影响。冬季各因子的正负效应受“逆温阻滞-景观失能”控制。核心负向因子气温、ELE及NDVI通过差异化机制共同加剧污染累积，低温环境使逆温层结构更稳定，显著削弱空气垂直对流能力，导致PM2.5长期滞留近地面；北部低海拔区域因冷空气下沉堆积形成“冷空气湖”，进一步阻滞了污染物水平扩散，形成局部污染“洼地”；NDVI在冬季因植被枯萎而显著降低，负向抑制效应大幅弱化。其中，COHESIONMRG、EDMRG、LPIMRG、MBH、PDMRG等因子为负向影响，COHESIONBAAG、相对湿度、EDGSG等因子为正向影响。
图9 基于XGBoost-SHAP模型的指标相对重要性

Fig. 9 Relative importance of indicators based on the XGBoost-SHAP model

3.3.3 主导因子的非线性解释

根据多维城市形态因子在夏季和冬季的重要性排序，本研究选择了NDVI、ELE、TEM、COHESIONBLG、LPIBAAG和COHESIONOG6个对夏季和冬季都有重要影响的因子作为核心驱动因子，进行非线性分析（图10），核心驱动因子对夏季和冬季街区PM2.5的影响均呈现非线性阈值效应。
图10 XGBoost-SHAP模型中PM2.5浓度与核心驱动因子的偏依赖关系

Fig. 10 Partial dependence plot between PM2.5 concentration and core driving factors in the XGBoost-SHAP model

夏季，NDVI与PM2.5浓度呈线性负相关，植被对PM2.5具有显著抑制作用，高NDVI区净化作用更强。ELE对PM2.5有着负相关影响，ELE低于800 m的区域更容易出现污染，ELE高于800 m时气流交换加强，污染减弱。夏季气温低于25 ℃时热对流弱，对PM2.5的积累具有强化作用。对于裸地组，其聚合度指数（COHESIONBLG）值在70~90时，适度的空间聚集有助于限制干热扬尘，PM2.5浓度有所下降，但当该值低于70或高于90时，裸地表现为强“源”驱动。夏季和冬季建成区“综合”组最大斑块指数（LPI）在11.45时对PM2.5的负向抑制作用达到最优，而后逐渐降低，LPI值大于30后大斑块阻滞通风，PM2.5因“通风阻滞”富集，斑块密度呈正向作用。夏季，COHESIONOG值小于88时，开放建成区在空间上分布破碎、连通性较低，这种破碎化的格局无法形成有效的通风廊道，气流在穿行时会因频繁受到紧凑建成区的阻挡而产生更多的湍流与动能耗散，从而显著阻滞了整体空气流通，不利于污染物扩散。
冬季植被枯萎，但PM2.5浓度仍随NDVI升高而下降，绿地区域仍具基础净化与遮盖潜力，当NDVI达到0.25后，NDVI高值区的PM2.5浓度显著低于均值。海拔的影响更趋于线性负相关，低海拔区污染风险更高。冬季气温低于−10.2 ℃的临界温度时，逆温滞留PM2.5，高于−10.2 ℃后，气温急速转为负向作用，体现气温对逆温的“临界调控”。而冬季COHESIONBLG值高于85后，破碎裸地污染源效应快速变强。LPIBAAG值大于30后，通风阻滞效应导致PM2.5富集。在冬季，COHESIONOG同样表现出以88为界的阈值效应，当其值低于88时，开放空间的破碎化格局会在本已静稳的气象条件下，进一步阻滞和消散有限的水平气流，加重污染；而当其值高于88时，高度连通的空间格局能为微弱的风场提供低阻力的连贯路径，从而在不利条件下能最大限度地维持通风效率，在一定程度上缓解污染。

4 讨论

本研究以乌鲁木齐主城区街区为评价单元，基于LCZ框架，整合二维景观、三维形态及气象指标，结合XGBoost-SHAP模型，系统解析了干旱区高密度城市不同景观格局PM2.5浓度的驱动机制，揭示了季节分异下多维城市形态、气象的协同控污规律，为精准治理提供了实证依据。

4.1 PM2.5浓度的核心影响因素与季节分异机制

4.1.1 景观格局因子的影响：植被净化和裸地扬尘的季节性转换

二维景观格局对PM2.5浓度的调控核心机制随季节切换，本质是干旱区气候与植被功能的耦合结果，这与其他气候区形成显著差异。在湿润区，夏季植被对PM2.5的净化作用常与降水协同强化，降水通过湿沉降直接清除颗粒物，同时提升土壤湿度，增强植被叶片的PM2.5吸附效率[32-33]，而干旱区乌鲁木齐夏季降水稀少，夏季NDVI为调控PM2.5的绝对主导因子，其线性负相关趋势源于耐干旱植被的“吸附-蒸腾-遮裸”协同机制，乔木（如新疆杨、白榆）凭借高叶面积指数实现对PM2.5的物理滞留与吸附；而耐旱灌木（如梭梭、沙棘、紫穗槐）则依托叶片角质层厚、蒸腾效率高的生理特性，在干热环境下仍能维持生物量稳定，既通过细小叶片捕获悬浮颗粒物，又通过适度的蒸腾增湿削弱干热扬尘动力，同时低矮丛生的结构可遮盖乔木冠层下的裸露地表，减少二次扬尘源[34-35]。高NDVI区与LCZ绿地组形成“净化带”，同时低紧凑度（开放）相似组因具有高景观聚合度指数与高最大斑块指数，有助于形成气流通道，契合垂直对流加速PM2.5扩散的机制[36]。冬季PM2.5调控重心转向裸地与建成区斑块，高NDVI区域虽因植被枯萎弱化净化能力，但残留的耐旱灌木枝干与乔木落叶仍能通过基础物理吸附与裸地遮盖维持抑制作用。冬季裸地与建成区斑块对PM2.5的影响，需结合干旱区“大风-逆温”的冬季气候特征理解。裸地连片后，在强风作用下易触发扬尘，而逆温层阻碍扬尘垂直扩散，形成局部污染累积[37]；建成区斑块大小则直接关系到通风效率，小斑块布局可保留气流通道，利于污染扩散，建筑连片则会阻断通风，叠加逆温效应导致PM2.5富集[38]。
基于绿地对PM2.5的强抑制作用，本研究为深入研究街区绿地对PM2.5浓度的影响，参考Chen等[11]的方法，使用高分2号卫星影像，经预处理后，通过RF算法对研究区影像进行绿地分类，得到乔木、灌木、草地分类图；然后计算各个街区内绿地面积加权平均斑块面积（area-weighted mean patch area, AREA_AM）、连接度指数（connectance index, CONNECT）、LSI、PD、面积加权平均斑块形状指数（area-weighted mean shape index, SHAPE_AM）5个景观格局指标，最后将这5个指标与街区夏季和冬季的PM2.5浓度进行Pearson相关性分析（图11）。结果表明，夏季乔木对PM2.5抑制作用最显著，乔木SHAPE_AM、LSI与PM2.5浓度显著负相关（p<0.001），这是因为大斑块、规则形态种植的乔木群落可形成连续净化带，强化吸附与遮裸效果；灌木、草地则通过提升连接度辅助控污[39]。冬季所有绿地分类的CONNECT均与PM2.5浓度显著负相关（p<0.001），但乔木PD与PM2.5浓度显著正相关（p<0.001），表明冬季绿地需维持连通性以减少扬尘，而乔木斑块破碎化会削弱其基础净化能力，这与干旱区夏季和冬季植被功能差异及气候特征直接关联。
图11 街区绿地关键景观格局指数与PM2.5浓度的相关性热图

Fig. 11 Correlation heatmap between key landscape pattern metrics of block green space and PM2.5 concentration

4.1.2 城市形态因子的影响：LCZ功能属性决定控污方向与阈值

城市空间形态对PM2.5浓度的影响呈“双重性”，作为LCZ核心判别指标的建筑物紧凑度与高度是核心调控变量，这一特征可通过LCZ分组对比进一步明晰。高紧凑度相似组（LCZ 1~3）PM2.5浓度更高，因建筑密集削弱近地气流、减少湍流，形成“局地风影区”，湍流交换减弱导致污染物滞留[40-41]，这与本研究中LCZ 2、3夏季PM2.5浓度显著偏高的结果一致，也与Guo等[42]在南京街区的发现形成呼应——通过CFD模拟证实，紧凑城市形态对通风扩散有抑制作用。相比之下，低紧凑度（开放）相似组（LCZ 4~6）因其开阔的空间布局形成了有效的城市通风廊道，从而更有利于促进空气流动与污染物扩散，其开阔布局符合Zhao等[43]提出的“弱峡谷效应阈值”，能有效引导夏季垂直对流与冬季水平风场。建筑高度的控污作用体现了“季节微气候适配性”，对于高层相似组中的LCZ 1，夏季因“峡谷风”输移污染物、热岛效应削弱植被功能而导致污染物浓度相对较高，冬季则因阻挡北风而形成垂直通风间隙而导致污染物浓度相对较低[44]； MBH与FAI协同影响风场，夏季削弱热对流、冬季加剧逆温滞留[9, 45]。不同LCZ的形态差异形成“控污阈值”分化，中层相似组中的LCZ 5因“中层高度-开阔布局”成为“低污染基准”，LCZ 8因高度低、连片分布，缺乏垂直间隙与水平廊道，成建成区污染累积区。结合LCZ分组对比可见，高紧凑度相似组、低紧凑度（开放）相似组、高度控制组（LRG、MRG、HRG）的污染差异，反映了建筑紧凑度、建筑高度与季节气候的耦合效应，这为后续以LCZ属性制定差异化控污策略提供了核心依据。

4.1.3 气象因子的影响：温度-相对湿度-风速协同主导扩散潜力的季节分异

气象指标对PM2.5的调控核心是“温度-相对湿度-风速”的协同作用，且随季节呈现显著功能分异，这一特征在干旱区与其他气候区的差异尤为突出。在湿润区（如成都、广州），夏季气温对PM2.5的扩散作用常被降水稀释效应掩盖，高温伴随的对流扩散与降水湿沉降共同降低污染物浓度[32-33]，而乌鲁木齐夏季气温高于25 ℃时，垂直对流对PM2.5扩散作用更强，降水缓冲作用较小，导致其调控阈值更显著、作用机制更单一。而低相对湿度环境下的干热气流反而因促进空气运动抵消扬尘影响[46]，风速与相对湿度的负向效应较弱，仅辅助调节扩散，这与湿润区夏季高相对湿度可能抑制对流、加剧污染的情形形成对比[47]。冬季，半湿润区冬季气温对PM2.5浓度的影响主要通过增强逆温稳定性，但因相对湿度较低（冬季平均相对湿度40%~50%），逆温滞留效应弱于干旱区，而乌鲁木齐冬季气温低于−10.2 ℃时，相对湿度（平均值为55%~65%）与逆温层协同，形成“低温—高湿—静风”闭环，PM2.5累积速率显著高于半湿润区[48]，这一差异凸显了干旱区“严寒-高湿-逆温”耦合的极端气象条件对污染的放大效应，显著强化了北部低地的污染聚集[49]。

4.2 以降低PM2.5污染为目标的城市街区空间优化策略

基于乌鲁木齐主城区PM2.5季节驱动机制与LCZ功能特征，本研究提出一套“季节适配、分类施策”的精细化空间优化策略体系，该体系首先分别制定夏、冬2季的差异化应对策略，进而落实到不同LCZ类型的针对性设计导则，以此实现靶向控污，避免统一化设计的弊端。

4.2.1 面向季节特征的适应性空间优化

对于夏季的适应性空间优化，在植物优化层面，需依托植被旺盛期净化功能与垂直对流优势，构建双重控污机制。在植物配置层面，优先在街区核心活动区、道路沿线布局大斑块规则乔木绿地，通过高叶面积指数实现PM2.5物理吸附与裸露土地遮盖，将灌木、草地沿街区绿道或建筑间隙线性布置，以串联绿地，提升绿地连接度，避免绿地破碎化削弱净化效率。在通风优化层面，针对建筑布局相对开阔的街区，需保留与夏季主导风向平行的气流通道，控制建筑间距以保障气流顺畅；针对建筑分布较密集的街区，可在内部设置“线性绿地通道”或“小型通风天井”，打破建筑对气流的阻隔，加速污染物稀释扩散。
对于冬季的适应性空间优化，需针对性应对裸地扬尘与逆温滞留的叠加效应。在裸地管控层面，街区内待开发空地、拆迁遗留裸地需铺设防尘网或改造为小型耐寒绿地，尤其在LCZ E、F周边街区，严格避免裸地连片分布，减少大风引发的扬尘污染。在逆温破解与地形利用层面，北部海拔低于800 m区域需避免街区的连片低层建筑布局，通过高低错落的建筑布局形成垂直通风间隙，削弱“冷空气湖”阻滞作用；规划南北向贯通的通风廊道，引导南部高海拔区域洁净气流向北部低地扩散；同时保留街区内常绿灌木或耐寒乔木，维持基础的扬尘遮盖与污染物吸附能力。

4.2.2 面向LCZ属性的分类性空间优化

结合LCZ类型的景观与形态特征，针对性优化街区规划。对于高紧凑度相似组、LCZ 8等密集中高层、大型低层建成类区域，建议控制建筑密度不高于30%，以组团式布局替代连片建设，在建筑组团间嵌入小型绿地或生态缓冲带，在提升绿视率的同时减少气流阻隔；避免建筑高度过低且连片分布，预留必要的通风间隙。对于LCZ 4~6等低紧凑度（开放）相似组，需保护街区内大型绿地斑块，采用“核心绿地-节点绿地”模式，通过绿道串联分散绿地；控制建筑高度与迎风面积来适配不同风场条件，避免建筑形态削弱气流流动性。针对LCZ 10等工业厂房、重工业街区，建议以“控源-隔离-疏排”的措施降低污染物传导，强制企业清洁生产、升级治污设施，设置50~100 m耐污植被隔离带，控制厂房密度，保留与主导风向平行的通风廊道，减少厂区污染堆积与扩散。

4.3 研究不足与未来展望

本研究虽系统解析了乌鲁木齐主城区城市空间形态对PM2.5浓度的影响机制，但仍存在3个方面的局限性。数据层面，数据周期较短且未覆盖完整年度与极端气候情景，气象插值在街区尺度存在精度损耗；模型层面，PM2.5浓度反演受CHAP数据集潜在偏差的影响，XGBoost-SHAP模型默认特征独立假设、低估“植被-气象-地形”耦合效应，SHAP分析未充分考虑因子交互阈值；外推性层面，本研究针对乌鲁木齐特定的“北低南高”地形、耐旱植被与冬季高逆温等干旱区特性所得出的研究发现与优化策略，难以直接推广至非干旱区或其他干旱区城市。针对这些局限，未来将延长数据周期至3~5年并补充人为源数据，改进反演模型并优化XGBoost-SHAP模型（如纳入因子交互项），开展干旱区跨城市对比研究，以建立调控阈值库，同时推动街区优化策略向城市规划实践转化，提升研究精细化水平与应用价值。

5 结论

本研究基于LCZ框架，整合多源遥感、气象与城市形态数据，通过XGBoost-SHAP模型，揭示了干旱区高密度城市PM2.5浓度的驱动机制与调控阈值，得到4点主要结论。
1）干旱区PM2.5浓度时空分异特征显著，LCZ框架可精准捕捉PM2.5浓度与下垫面类型之间的关联，并量化这一关联的空间异质性。研究区PM2.5浓度呈现“冬季高夏季低，北部高南部低、建成区高绿地区低”的格局；干旱区LCZ类型与PM2.5浓度的关联凸显裸地与逆温的耦合影响，其中重工业区（LCZ 10）、高紧凑建成区（LCZ 2、3）及裸岩、裸土区（LCZ E、F）的PM2.5浓度显著偏高，茂密树林、零散树木区（LCZ A、B）及开敞中低层建成区（LCZ 4~6）PM2.5浓度持续偏低，验证了LCZ框架适配干旱区“裸地广布、逆温显著”的环境本底。
2）核心驱动因子重要性反映干旱区特有的PM2.5浓度季节性分异规律。夏季，NDVI为PM2.5的主导调控因子，通过“吸附-蒸腾-遮裸”作用协同调控PM2.5浓度，与湿润区夏季通风主导的特征形成差异；冬季，气温与海拔是PM2.5浓度的主导因子，低温（气温低于−10.2 ℃）引发的逆温层稳定化与低海拔（低于800 m）的“冷空气湖”阻滞，共同主导污染累积，凸显干旱区气候与地形的强调控作用。
3）核心驱动因子存在显著非线性阈值效应，XGBoost-SHAP模型能够成功捕捉并精准量化这些阈值。XGBoost-SHAP模型捕捉到传统分析难以识别的调控阈值，其中NDVI值高于0.25时，对PM2.5的抑制效应显著增强，冬季低温引发的逆温滞留导致污染累积速率大幅提升，低紧凑度（开放）相似组聚合度（COHESIONOG）值大于88时气流流通性显著提升，促进污染扩散；建成区“综合”组斑块指数（LPIBAAG）值在20时为最优值，其值大于30时则通风受阻导致PM2.5浓度上升；裸地组聚合度（COHESIONBLG）值高于90或者低于70时均推动PM2.5浓度增加。这些量化阈值为城市空间精准规划提供可落地的定量依据。
4）基于LCZ类型浓度关联特征与阈值效应，提出适配干旱区季节特征的LCZ差异化优化策略。夏季时应强化高植被覆盖区域（高NDVI）与低紧凑度建成区所形成的气流通道之间的协同，提升植被覆盖与通风效率；冬季聚焦“裸地管控-逆温破解”，裸岩、裸土区域避免裸地连片，北部低海拔街区采用“高低错落”建筑布局（建筑密度不高于30%）；重工业区设置50~100 m耐污植被隔离带，低紧凑中低层建成区保留南北向贯通气流通道。该策略突破了传统的单一规划模式，可适配干旱区气候与景观功能差异。
本研究通过量化干旱区特有驱动机制与调控阈值，弥补了LCZ框架在干旱区空气污染研究中的应用缺口，为同类城市精细化治污提供理论支撑。未来将扩展时间序列长度，并补充人为排放因子，结合机器学习算法量化多变量耦合关系，进一步深化“城市形态-气候-污染”耦合机制研究。

1 Sentinel-2遥感影像协同化表面反射率数据来源见官网文章页面的资源附件（http://www.lalavision.com/article/doi/10.3724/j.fjyl.LA20250571）。

2 LCZ地图精度的混淆矩阵见官网文章页面的资源附件（http://www.lalavision.com/article/doi/10.3724/j.fjyl.LA20250571）。

3 留一交叉验证下气象因子IDW插值精度见官网文章页面的资源附件（http://www.lalavision.com/article/doi/10.3724/j.fjyl.LA20250571）。

4 XGBoost模型超参数设置见官网文章页面的资源附件（http://www.lalavision.com/article/doi/10.3724/j.fjyl.LA20250571）。

图1-1底图来源于全国地理信息资源目录服务系统（www.gscloud.cn），边界无修改；图1-2底图来源于国家遥感数据与应用服务平台（www.cpeso.org.cn）中的高分二号（GF-2）卫星遥感影像；图3-1改绘自参考文献[12]；其余图表由作者绘制。

1、首次在干旱区高密度城市中，基于LCZ框架整合多维城市形态与气象因子对PM2.5浓度的影响，揭示了“夏季植被净化主导、冬季逆温-地形阻滞主导”的特有季节分异机制，弥补了LCZ框架在干旱区空气污染研究中的应用缺口。

2、整合XGBoost-SHAP模型构建“预测-解析”框架，突破传统线性分析局限，精准量化干旱区影响PM2.5浓度核心因子的非线性调控阈值，为精准控污提供专属定量依据。

3、提出“LCZ类型适配-季节差异化”的空间优化策略，明确了不同LCZ类型PM2.5浓度的具体调控参数与优化策略，为同类城市规划提供参考。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
O’REGAN A C, GRYTHE H, HELLEBUST S, et al. Data Fusion for Enhancing Urban Air Quality Modeling Using Large-Scale Citizen Science Data[J]. Sustainable Cities and Society, 2024, 116: 105896.

DOI

[2]
SHU X C, CAO J X, LIU Q, et al. Global Trends and Hotspots in the Research of the Effects of PM2.5 on Asthma: A Bibliometric and Visualized Analysis[J]. Journal of Epidemiology and Global Health, 2024, 14(4): 1720-1736.

DOI

[3]
ZHAO S, XU Y. Exploring the Dynamic Spatio-temporal Correlations Between PM2.5 Emissions from Different Sources and Urban Expansion in Beijing–Tianjin–Hebei Region[J]. International Journal of Environmental Research and Public Health, 2021, 18(2): 608.

DOI

[4]
DUAN M, SUN Y F, ZHANG B Z, et al. PM2.5 Concentration Prediction in Six Major Chinese Urban Agglomerations: A Comparative Study of Various Machine Learning Methods Based on Meteorological Data[J]. Atmosphere, 2023, 14(5): 903.

DOI

[5]
ZHU S L, WANG Z W, QU K, et al. Spatial Characteristics and Influence of Topography and Synoptic Systems on PM2.5 in the Eastern Monsoon Region of China[J]. Aerosol and Air Quality Research, 2023, 23(10): 220393.

DOI

[6]
CHEN W B, ZHANG F Q, SHANG X, et al. The Effects of Surface Vegetation Coverage on the Spatial Distribution of PM2.5 in the Central Area of Nanchang City, China[J]. Environmental Science and Pollution Research, 2023, 30(60): 125977-125990.

DOI

[7]
LI Z X, CHU Y Q, SHI Y, et al. Impact of Urban Green Infrastructure on the Respiratory Health of Older Adults in Shenyang, China[J]. Forests, 2025, 16(1): 41.

[8]
陈明, 戴菲. 基于MSPA的城市绿色基础设施空间格局对PM2.5的影响[J]. 中国园林, 2020, 36(10): 63-68.

DOI

CHEN M, DAI F. Effects of Urban Green Infrastructure Spatial Pattern on PM2.5 Based on MSPA[J]. Chinese Landscape Architecture, 2020, 36(10): 63-68.

DOI

[9]
ZHAO W Y, XUAN L, LI W R, et al. Comprehensive Impact of Different Urban Form Indices on Land Surface Temperature and PM2.5 Pollution in Summer and Winter, Based on Urban Functional Zones: A Case Study of Taiyuan City[J]. Sustainability, 2025, 17(14): 6618.

DOI

[10]
LIU Q Q, HANG T, WU Y F. Unveiling Differential Impacts of Multidimensional Urban Morphology on Heat Island Effect Across Local Climate Zones: Interpretable CatBoost-SHAP Machine Learning Model[J]. Building and Environment, 2025, 270: 112574.

DOI

[11]
CHEN M, REN Z Y, BI S B. Impact of Green Space Patterns on PM2.5 Levels: A Local Climate Zone Perspective[J]. Journal of Cleaner Production, 2024, 478: 143975.

DOI

[12]
STEWART I D, OKE T R. Local Climate Zones for Urban Temperature Studies[J]. Bulletin of the American Meteorological Society, 2012, 93(12): 1879-1900.

DOI

[13]
JIANG R Y, XIE C K, MAN Z H, et al. LCZ Method Is More Effective Than Traditional LUCC Method in Interpreting the Relationship Between Urban Landscape and Atmospheric Particles[J]. Science of the Total Environment, 2023, 869: 161677.

DOI

[14]
WANG W W, CHEN H, LAI Y. Modeling Airflow Dynamics and Their Effects on PM2.5 Concentrations in Urban Ventilation Corridors of Hangzhou[J]. Science of the Total Environment, 2024, 957: 177794.

DOI

[15]
LIN Y, AN X, YUAN J C, et al. The Impact of the Urban Landscape on PM2.5 from LCZ Perspective: A Case Study of Shenyang[J]. Urban Climate, 2024, 57: 102107.

DOI

[16]
MOSTAGHIM M, IMAM A, FALLATAH A, et al. Seasonal Outdoor PM10 Changes Based on the Spatial Local Climate Zone Distribution[J]. Urban Climate, 2024, 58: 102148.

DOI

[17]
JIANG R Y, XIE C K, MAN Z H, et al. Effects of Urban Green and Blue Space on the Diffusion Range of PM2.5 and PM10 Based on LCZ[J]. Land, 2023, 12(5): 964.

DOI

[18]
BRUSSELEERS L, NGUYEN V G, VU K C, et al. Assessment of the Impact of Local Climate Zones on Fine Dust Concentrations: A Case Study from Hanoi, Vietnam[J]. Building and Environment, 2023, 242: 110430.

DOI

[19]
LI Z Y, WANG Y, XU Z L, et al. Characteristics and Sources of Atmospheric Pollutants in Typical Inland Cities in Arid Regions of Central Asia: A Case Study of Urumqi City[J]. PLoS One, 2021, 16(4): e0249563.

DOI

[20]
LIANG K, GUI S Y, QIAO J C, et al. Association Between Air Pollution Exposure and Daily Outpatient Visits for Dry Eye Disease: A Time-Series Study in Urumqi, China[J]. Atmosphere, 2023, 14(1): 90.

[21]
ZHU C Y, HE Q, ZHAO Z J, et al. Comparative Analysis of Ozone Pollution Characteristics Between Urban Area and Southern Mountainous Area of Urumqi, China[J]. Atmosphere, 2023, 14(9): 1387.

DOI

[22]
ZHANG X L, KASIMU A, LIANG H W, et al. Construction of Urban Thermal Environment Network Based on Land Surface Temperature Downscaling and Local Climate Zones[J]. Remote Sensing, 2023, 15(4): 1129.

DOI

[23]
YU H G, YANG Y, ZHAO J Y, et al. Dynamic Urban Morphology Mapping in Chinese Cities Based on Local Climate Zone Approach[J]. Scientific Data, 2025, 12: 181.

DOI

[24]
YANG H O, LENG Q M, XIAO Y F, et al. Investigating the Impact of Urban Landscape Composition and Configuration on PM2.5 Concentration Under the LCZ Scheme: A Case Study in Nanchang, China[J]. Sustainable Cities and Society, 2022, 84: 104006.

DOI

[25]
ALEXANDER P J, MILLS G. Local Climate Classification and Dublin’s Urban Heat Island[J]. Atmosphere, 2014, 5(4): 755-774.

DOI

[26]
BECHTEL B, ALEXANDER P J, BECK C, et al. Generating WUDAPT Level 0 Data: Current Status of Production and Evaluation[J]. Urban Climate, 2019, 27: 24-45.

DOI

[27]
CLINTON N, GONG P. MODIS Detected Surface Urban Heat Islands and Sinks: Global Locations and Controls[J]. Remote Sensing of Environment, 2013, 134: 294-304.

DOI

[28]
冯叶涵, 陈亮, 贺晓冬. 基于百度街景的SVF计算及其在城市热岛研究中的应用[J]. 地球信息科学学报, 2021, 23(11): 1998-2012.

FENG Y H, CHEN L, HE X D. Sky View Factor Calculation Based on Baidu Street View Images and Its Application in Urban Heat Island Study[J]. Journal of Geo-Information Science, 2021, 23(11): 1998-2012.

[29]
BAI Y J, DONG Y T, WANG W W, et al. Air Pollutant Dispersion in Street Canyons Based on an Outdoor Scale Model and Machine Learning[J]. Urban Climate, 2023, 47: 101381.

DOI

[30]
ZHANG J F, WAN Y, TIAN M, et al. Comparing Multiple Machine Learning Models to Investigate the Relationship Between Urban Morphology and PM2.5 Based on Mobile Monitoring[J]. Building and Environment, 2024, 248: 111032.

DOI

[31]
LIN X S, FU Y F, PENG D Z, et al. CFD- and BPNN- Based Investigation and Prediction of Air Pollutant Dispersion in Urban Environment[J]. Sustainable Cities and Society, 2024, 100: 105029.

DOI

[32]
LI Y, ZHOU L, LIU H F, et al. Disparities in Precipitation Effects on PM2.5 Mass Concentrations and Chemical Compositions: Insights from Online Monitoring Data in Chengdu[J]. Journal of Environmental Sciences, 2025, 156: 421-434.

DOI

[33]
DUAN J Y, WANG Y Y, XIE X, et al. Influence of Pollutants on Activity of Aerosol Cloud Condensation Nuclei (CCN) During Pollution and Post-Rain Periods in Guangzhou, Southern China[J]. Science of the Total Environment, 2018, 642: 1008-1019.

DOI

[34]
LIANG D, MA C, WANG Y Q, et al. Quantifying PM2.5 Capture Capability of Greening Trees Based on Leaf Factors Analyzing[J]. Environmental Science and Pollution Research, 2016, 23(21): 21176-21186.

DOI

[35]
LU S W, YANG X B, LI S N, et al. Effects of Plant Leaf Surface and Different Pollution Levels on PM2.5 Adsorption Capacity[J]. Urban Forestry & Urban Greening, 2018, 34: 64-70.

[36]
LI F, RUBINATO M, ZHOU T, et al. Numerical Simulation of the Influence of Building-Tree Arrangements on Wind Velocity and PM2.5 Dispersion in Urban Communities[J]. Scientific Reports, 2022, 12: 16378.

DOI

[37]
SHAO M, XU X Y, LU Y T, et al. Spatio-temporally Differentiated Impacts of Temperature Inversion on Surface PM2.5 in Eastern China[J]. Science of the Total Environment, 2023, 855: 158785.

DOI

[38]
WALLACE J, KANAROGLOU P. The Effect of Temperature Inversions on Ground-Level Nitrogen Dioxide (NO2) and Fine Particulate Matter (PM2.5) Using Temperature Profiles from the Atmospheric Infrared Sounder (AIRS)[J]. Science of the Total Environment, 2009, 407(18): 5085-5095.

DOI

[39]
裴子懿.城区绿色空间格局与PM2.5浓度相关性研究: 以长江中下游九个城市为例[D].武汉: 华中科技大学, 2021.

PEI Z Y. Research on the Correlation Between Urban Green Space Pattern and PM2.5 Concentration: A Case Study of Nine Cities in the Middle and Lower Reaches of the Yangtze River[D]. Wuhan: Huazhong University of Science and Technology, 2021.

[40]
MEI S J, HU J T, LIU D, et al. Wind Driven Natural Ventilation in the Idealized Building Block Arrays with Multiple Urban Morphologies and Unique Package Building Density[J]. Energy and Buildings, 2017, 155: 324-338.

DOI

[41]
ZHENG S, WANG Y, ZHAI Z Q , et al. Characteristics of Wind Flow Around a Target Building with Different Surrounding Building Layers Predicted by CFD Simulation[J]. Building and Environment, 2021, 201: 107962.

DOI

[42]
GUO X, ZHANG M J, GAO Z, et al. Neighborhood-Scale Dispersion of Traffic-Related PM2.5: Simulations of Nine Typical Residential Cases from Nanjing[J]. Sustainable Cities and Society, 2023, 90: 104393.

DOI

[43]
ZHAO Y, JIANG C W, SONG X C. Numerical Evaluation of Turbulence Induced by Wind and Traffic, and Its Impact on Pollutant Dispersion in Street Canyons[J]. Sustainable Cities and Society, 2021, 74: 103142.

DOI

[44]
LEE C H, LUNG S C, CHEN J P. Three-Dimensional Spatial Inhomogeneity of Traffic-Generated Urban PM2.5 in Street Canyons[J]. Atmospheric Pollution Research, 2023, 14(5): 101748.

DOI

[45]
PAN J Y, JI J N. Influence of Building Height Variation on Air Pollution Dispersion in Different Wind Directions: A Numerical Simulation Study[J]. Applied Sciences, 2024, 14(3): 979.

DOI

[46]
ZALAKEVICIUTE R, LÓPEZ-VILLADA J, RYBARCZYK Y. Contrasted Effects of Relative Humidity and Precipitation on Urban PM2.5 Pollution in High Elevation Urban Areas[J]. Sustainability, 2018, 10(6): 2064.

DOI

[47]
MEGARITIS A G, FOUNTOUKIS C, CHARALAMPIDIS P E, et al. Linking Climate and Air Quality over Europe: Effects of Meteorology on PM2.5 Concentrations[J]. Atmospheric Chemistry and Physics, 2014, 14(18): 10283-10298.

DOI

[48]
ZHANG Q Q, MA Q, ZHAO B, et al. Winter Haze over North China Plain from 2009 to 2016: Influence of Emission and Meteorology[J]. Environmental Pollution, 2018, 242: 1308-1318.

DOI

[49]
WANG L L, WANG H, LIU J K, et al. Impacts of the Near-Surface Urban Boundary Layer Structure on PM2.5 Concentrations in Beijing During Winter[J]. Science of the Total Environment, 2019, 669: 493-504.

DOI

Options
Outlines

/

〈 〉