EN中文

地理科学 >

2026 , Vol. 46 >Issue 2: 478 - 489

DOI: https://doi.org/10.13249/j.cnki.sgs.20241064

人文经济地理

广州市城市环境噪声昼夜空间分布模拟与特征分析

  • 张雪 , 1 ,
  • 周素红 , 2, 3, * ,
  • 琚鸿 4 ,
  • 陈鸿展 4 ,
  • 陈漾 4
展开
  • 1.云南大学建筑与规划学院，云南 昆明 650500
  • 2.中山大学地理科学与规划学院，广东 广州 510006
  • 3.广东省公共安全与灾害工程技术研究中心，广东 广州 510275
  • 4.广东省广州生态环境监测中心站，广东 广州 510006
周素红。E-mail:

张雪（1992—），女，湖南娄底人，讲师，博士，主要从事城市地理和健康地理研究。E-mail:

收稿日期: 2024-09-22

  修回日期: 2025-06-22

  网络出版日期: 2026-01-29

基金资助

国家自然科学基金项目(42271234)

云南省基础研究计划项目(202201AT070421)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Simulation and characteristic analysis of urban environmental noise in daytime and nighttime in Guangzhou

  • Zhang Xue , 1 ,
  • Zhou Suhong , 2, 3, * ,
  • Ju Hong 4 ,
  • Chen Hongzhan 4 ,
  • Chen Yang 4
Expand
  • 1. School of Architecture and Planning, Yunnan University, Kunming 650500, Yunnan, China
  • 2. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, Guangdong, China
  • 3. Guangdong Provincial Engineering Research Center for Public Security and Disaster, Guangzhou 510275, Guangdong, China
  • 4. Guangzhou Ecological and Environmental Monitoring Center of Guangdong Province, Guangzhou 510006, Guangdong, China

Received date: 2024-09-22

  Revised date: 2025-06-22

  Online published: 2026-01-29

Supported by

National Natural Science Foundation of China(42271234)

Yunnan Fundamental Research Projects(202201AT070421)

Copyright

Copyright reserved © 2026.
Fold

摘要

准确掌握城市噪声的时空分布特征对于城市环境噪声防治、管控以及减轻与噪声接触有关的不利健康后果至关重要。本文基于2011—2019年广州市城市环境噪声监测数据，通过随机森林方法对广州市8个区的昼夜环境噪声时空分布进行模拟与特征分析。结果表明：广州市昼夜噪声无明显的年度和季度变化特征，但随居民的活动时间节律有明显的日波动特征。昼、夜噪声模拟值分别为52.92~63.20 dB和37.21~55.33 dB。昼夜噪声空间分布有明显的异质性，总体上中心城区噪声高，且高噪声区域多分布在立交桥、城市高/快速路和主要交通节点间的交通干线等周围区域，其次为工业园区和商业中心周围。研究构建的环境噪声时空分布模拟与分析框架，可为居民环境噪声暴露风险和健康影响评估以及针对性的城市噪声防治和管控措施制定提供理论支撑。

关键词： 环境噪声; 昼夜噪声空间分布; 随机森林模型; 广州市

本文引用格式

张雪 , 周素红 , 琚鸿 , 陈鸿展 , 陈漾 . 广州市城市环境噪声昼夜空间分布模拟与特征分析[J]. 地理科学, 2026 , 46(2) : 478 -489 . DOI: 10.13249/j.cnki.sgs.20241064

Abstract

Accurate understanding of the temporal and spatial distribution characteristics of urban noise is crucial for the prevention and control of noise and the reduction of adverse health consequences related to noise exposure. Most of the previous studies focused on the spatial distribution of noise and neglected their temporal variation. Based on the urban environmental noise monitoring data from 2011 to 2019, this paper simulated and analyzed the spatial and temporal distribution of environmental noise in 8 districts of Guangzhou by random forest method. The results showed that there is no obvious annual and quarterly variation of day and night noise in Guangzhou, but obvious diurnal fluctuation characteristics with the residents’ activities. The simulated values of day and night noise were 52.92-63.20 dB and 37.21-55.33 dB, respectively. It’s obvious heterogeneity of the noise spatial distribution. During daytime, the high-noise were mainly concentrated in areas with dense road networks, along both sides of expressways and urban main roads, as well as the overpasses and crossroads. At night, the areas with high noise levels were mainly distributed in the old urban districts, as well as the areas surrounded by some expressways and the intersections of major urban roads. Overall, the noise level in the central urban area was high, especially around major urban traffic arteries, followed by the areas around industrial parks and commercial centers. The main sources of daytime noise were road traffic, dense population and their activities, while the main sources of nighttime noise were road traffic, human activities and activities related to industrial production and medical services. The simulation and analysis framework of environmental noise distribution can provide theoretical support for the assessment of environmental noise exposure risk and health impact of residents, as well as for the formulation of targeted urban noise prevention and control measures.

Key words： environmental noise; noise spatial distribution in daytime and nighttime; random forest model; Guangzhou City

中国城市化快速推进的同时也带来了严重的城市环境噪声污染和健康问题[1-5]。2011年世界卫生组织和欧盟合作研究中心指出，噪声已成为继空气污染之后的人类公共健康第二大危害[6]。据《中国噪声污染防治报告2024》的数据显示，2023年全国地级及以上城市12345政务服务便民热线及生态环境、公安、住房和城乡建设等各部门受理的噪声投诉举报570万余件[7]。随着公众健康意识的加强和对美好环境的向往，城市环境噪声污染成为当前影响城市居民身体健康和幸福生活的重大问题[8-9]，因此对城市环境噪声时空分布的精确模拟是实现环境噪声声源管理和控制、创建舒适人居声环境的基础性工作。
对环境噪声的评估主要包括基于传播模型的实验法和噪声制图法。实验模型通常基于噪声传播和衰减的物理理论，依据交通变量、土地表面、建筑物、道路的几何形状、路面类型、隔音屏障的位置、地形、气象因素等大量的数据模拟噪声多次反射、衍射、吸收和传输[10]。对于具有明确噪声源的小范围区域来说，实验模拟的噪声精度相对较高，但是现实情况中噪声来源的类型混合多样，并且模型不可能完全定义建筑环境特点对声传播的影响，实验模型模拟的噪声水平与实际测量水平仍有较大的偏离[11]。
土地利用回归（LUR）模型是研究城市环境噪声空间分布的另一个重要方法。它的理论假设就是假定特定地点的污染物浓度与周围地区的地理环境特征有关[12-13]，如人口分布、交通流量、经济构成和土地利用模式等[10,14-16]。基于LUR的噪声模型在欧洲、北美、巴西等地区和国家的城市已有一定的研究应用[14,17-19]，国内也有学者通过LUR模型对上海、大连、台湾等城市和地区的环境噪声进行了分析和模拟[10,20-21]。相应研究中通常将研究区划分成20 m×20 m[19]至200 m×200 m[10]面积大小的网格区域，通过构建监测点噪声水平与周围地理环境要素间的关联模型，并基于此模型进一步模拟和推演研究区的噪声水平，获取城市内部精细化的环境噪声分布格局。
综上，国内外学者对城市环境噪声评估和模拟已有一定关注，但以往的研究在实证分析时仍存在一些局限。首先，大多数研究仅关注了噪声的空间变化，忽视了其时间变化特性。城市环境噪声随着区域内人口、土地利用功能差异及其承载的活动时空节律变化而表现出明显的时间和空间变化特征，在探究其空间分布特征之外还需借助更精细化的数据对其时间变化特征进一步的分析。其次，LUR模型在噪声模拟与预测时也存在一些不足，噪声水平与预测变量包括建成环境、社会环境等之间可能存在复杂的非线性关系，基于负二项回归原理的LUR模型无法捕捉其复杂的非线性关系。部分学者发现机器学习方法在处理城市地理环境特征和噪声水平之间的非线性关系方面具有较强的实用价值，因此人工神经网络（ANN）、随机森林（Random forest，RF）、决策树模型等机器学习方法被用来评估交通或建筑噪声[22]。相比之下，RF比ANN和决策树模型具有更高的稳健性，有助于克服其他机器学习方法中常见的过拟合现象[23]。
本文利用广州市2011年第一季度到2019年第二季度14个功能区噪声监测点的时间序列资料，分析了9 a间不同时间维度下广州市环境噪声变化特征。在此基础上，基于224个均匀分布的区域噪声监测点数据，利用随机森林模型方法结合道路交通、土地利用、建筑物、人口密度和建成环境数据，对广州市8个区的昼夜噪声空间分布进行模拟与特征分析。本文旨在通过数理模型和GIS方法探讨多维时间视角下城市地理环境对噪声的影响关系，并进一步对城市昼夜环境噪声时空分布特征进行模拟与分析，以期为城市规划和政府管理部门在噪声防治、管控等规划和政策制定时提供参考。

1 数据和方法

1.1 研究区域与数据

根据广州市环境噪声监测点的布控情况，本文选取监测点分布较为密集的天河、越秀、海珠、荔湾、白云、黄埔、番禺和花都8个区作为研究区域，对广州市城市噪声时空分布进行模拟与分析。
本文采用的噪声监测数据主要来源于广东省广州生态环境监测中心站，分为2个部分。①广州环境监测中心站按照《声环境质量标准》（GB3096-2008）[24]和《环境噪声监测技术规范/城市声环境质量常规监测》（HJ 640-2012）[25]布设的11个城市声环境监测点，监测频次为4次/a，每季度第2个月监测，每个监测点位都采用噪声监测仪进行24 h连续监测。本研究包括了广州市2011年第一季度到2019年第二季度的时间序列资料，因监测点1、5、11在2015年废除，并新增了监测点2、6、12，故本研究的数据总共包括了14个功能区监测点，其中1~3号监测点为1类声环境功能区监测点，4~10号监测点为2类声环境功能区监测点，11~12号监测点为3类声环境功能区监测点，13~14号监测点为4a类声环境功能区监测点①（图1a）。该部分数据主要用来分析长时序下广州市环境噪声年度、季度和日间变化特征。②广州市环境监测中心站布设的276个区域声环境监测点，在本研究区范围内包含了224个（图1b）。各监测点监测网格面积2 000 m×2 000 m，采用噪声监测仪在每年5月一个非典型日的昼间监测1次，每5 a开展1次夜间监测。每次测量10 min的等效声级Leq，以及测量时间内的累计百分声级 L10、L50、L90、Lmax、Lmin和标准偏差（SD）。测量均按照《环境噪声监测技术规范——城市声环境常规监测（HJ640-2012）》建议的标准程序进行[25]，没有在恶劣天气条件下进行测量。为避免噪声反射，声级测量仪安装在1.5 m高的三脚架上，并与隔音屏障隔开至少1.5 m。本研究采用的数据为研究区内224个监测点在2016年、2017年和2018年的昼间10 min等效声级值，以及2018年的夜间10 min等效声级值。考虑到每个监测点的重复噪声测量值随着时间的推移具有高度的相关性，本研究取224个区域声环境监测点在2016—2018年昼间等效噪声的平均值作为昼间噪声模拟的测量值，取2018年夜间等效声级值作为夜间噪声模拟的测量值。该部分数据主要用于对广州市昼夜环境噪声的空间分布进行模拟分析。
图1 广州噪声监测点位

Fig. 1 Noise monitoring station in Guangzhou

通过长时序的固定站点监测数据以及加密的等距监测点数据，可以获取广州市环境噪声年度、季度、日变化的总体趋势和特征，并对广州市昼夜环境噪声空间分布进行模拟。

1.2 研究方法

1.2.1 环境噪声空间分布模拟方法

随机森林是一种基于非参数决策树的机器学习算法[26]，它已被广泛地运用于空气污染、人口密度模拟等研究中[27-30]。与土地利用回归模型相比，RF回归可以很好地捕捉因变量和自变量之间复杂的非线性交互，从而实现较高的模型精度[23]。它的工作原理是结合多个个体的决策树来优化模型的拟合和预测，最终使得损失函数达到一个最小值或保持稳定[26]。此外，通过对变量的重要性计算和排序可以量化解释变量在预测结果中的相对重要性，并增加模型的可解释性[26]。

1.2.2 模型拟合度检验

环境噪声时空模型拟合效果评价指标主要根据模型精度和拟合度两方面进行评价。其中各模型的精度检验指标主要为均方根误差（RMSE）和平均绝对误差（MAE），拟合优度的指标为决定系数（R2）[27]。

1.3 指标体系构建

研究表明，城市噪声的主要声源包括城市中自然声（如虫鸣鸟叫）和人类活动（如交通，生产和生活等）带来的各种声音及其混合。土地利用结构、建成环境、人口和交通流分布将对上述声源产生的噪声大小产生影响，因此，通常被纳入噪声模拟模型[10,14-16]。与此同时，不同指标所指代的活动类型和强度有所不同，导致其对环境噪声影响也存在空间尺度上的差异。因此，本文通过GIS软件提取了上述4类主要的变量并通过对主要变量设置多个缓冲区，筛选显著影响噪声分贝值的因素及其对应缓冲区范围，纳入模拟模型。

1.3.1 土地利用变量

数据来源于广州市规划与自然资源部门①，包括居住用地、公共设施用地、特殊用地、水域、绿地、工业用地、道路广场用地、对外交通用地、市政公用设施用地、仓储用地10种用地类型，分别计算各类型的用地面积占比共计10个指标。

1.3.2 建成环境变量

具体包括归一化植被指数（NDVI）、归一化建筑指数（NDBI）、夜间灯光以及兴趣点（POI）密度数据。①NDVI值基于Landsat OLI系列卫星影像计算，来源为中国科学院计算机网络信息中心地理空间数据云（http://www.gscloud.cn/，数据获取时间：2023-04-27），主要用于对绿地进行评价，NDVI的值[-1,1]，其值越高说明绿色植被的密度越高[31]。②NDBI来源于30 m×30 m空间分辨率的LANDSAT7-8卫星图像（http://www.gscloud.cn/，2023-04-27），它可以较为准确地反映建筑用地信息，数值越大表明建筑物用地比例越高。③夜间灯光数据来源于对地观测卫星Suomi NPP搭载的可见光/红外辐射成像仪（VIIRS）获取的夜间灯光遥感影像（Day/Night Band，DNB波段，https://payneinstitute.mines.edu/eog/，2023-04-27），空间分辨率为750 m，它可以作为夜间人类活动的表征，灯光值越高表明人类活动越频繁。④POI数据来源于2018年广州市电子地图信息点（POI）数据②，具体类型包括：政府机构及社会团体、科研教育机构、医疗保健服务、文化体育设施、生活服务、住宅、餐饮服务、道路附属设施、购物服务、风景名胜、交通设施服务、公司企业、休闲娱乐服务、金融服务、机械制造。通过这些数据可以探究不同类型地点人类活动强度与噪声的影响关系。建筑物指标数据来源于2016年广州市电子导航地图数据③，通过测算获得建筑物平均高度、建筑物面积比例，借以间接衡量人为建筑物环境、人类活动强度对噪声的影响。

1.3.3 人口密度

数据来源于联通公司2020年6月中某2日④的脱敏后的手机用户数据，其能一定程度上代表真实的人流分布情况。为更好地反映不同时间维度下的动态人流情况，将数据处理成日均人流量、昼间人流量（7:00—22:00）和夜间人流量（23:00—6:00）3个时间维度的指标。
考虑到影响城市噪声值的各项变量可能存在一定的尺度效应，除与干道、高速路、主要道路、次级道路、三级道路、其他道路的距离6个变量外，本文基于监测站点周围半径30 m、50 m、100 m、200 m、300 m、500 m、700 m、1 000 m范围设置了8个不同尺度的缓冲区[15-16]，并计算其余45个变量在每个缓冲区范围的变量值。最终利用GIS提取噪声监测点对应不同缓冲半径区的各项变量指标共366个。除已作说明部分外，所有数据均使用2017年数据资料。

1.3.4 道路交通属性变量

①路网中心性：具体包括直线中心性和全局穿行度。其中，直线中心性（直达性）是用给定节点到所有网络节点的欧氏距离与实际网络地理距离的比值和来表示，衡量节点与其他节点的通达效率[32]。全局穿行度指的是全域范围内某一路段被其他最短路径穿行的可能性，可以捕捉城市交通可达性和其地理区位优势，值越高表明道路网络交通流的比例也越高[33]。因研究区各路网中的车辆流通数据难以获取，且路网中心性指标已被研究证实与城市实际路网的交通流量呈显著相关关系，故本文采用直线中心线和全局穿行度指标来衡量路网交通对噪声的不同影响程度。②道路长度：具体分为高速路、干道、主要道路、次级道路、三级道路以及其他等级类型的道路。③其他道路条件指标：包括公交线路长度和公交站点密度，以及交叉口数量、有无铁道路线经过。④监测点到各级道路的距离。所有道路交通属性数据均基于2016年广州市电子导航地图数据计算获取。

1.4 自变量筛选与可靠性分析

由于各项变量指标间可能存在多重共线性导致模型结果解释度虚高，故通过方差膨胀因子（VIF）排除重复性较高的变量。本文使用了SPSS软件通过逐步回归来实现，进入模型的自变量显著性水平为0.05，置信水平为95%，且VIF≤5。最终进入昼间噪声模拟模型的解释变量为14个，进入夜间噪声模拟模型的解释变量为13个（表1）。
表1 昼间和夜间噪声模拟模型中使用的预测变量及其最佳缓冲区

Table 1 Predictive variable and its optimal buffer used in daytime and nighttime noise simulation model

变量昼间噪声模型夜间噪声模型变量昼间噪声模型夜间噪声模型
　　注：√变量被使用，但未对变量进行缓冲过程；“–”为无此变量；RMSE为均方根误差；MAE为平均绝对误差。
土地利用变量建筑物面积比例500 m–
居住用地比例700 m–建筑物平均高度–50 m
工业用地比例–700 m 人口密度
仓储用地比例–200 m日均人流量300 m300 m
对外交通用地比例–700 m夜间人流量–50 m
建成环境变量 道路交通属性
归一化建筑指数平均值300 m–直线中心性300 m–
夜间灯光平均值500 m30 m穿行度–1000 m
医疗保健服务POI数量–1000 m次级道路长度30 m–
道路附属设施POI数量30 m30 m其他道路长度–1000 m
购物服务POI数量500 m–距主要道路最短距离*√√
金融服务POI数量300 m– RMSE3.792.75
风景名胜POI数量30 m/200 m– MAE3.172.16
机械制造POI数量300 m1000 m R20.420.48
通过随机森林方法对224个区域监测点的昼夜噪声与预测变量间的关系进行拟合分析，并分别计算昼夜噪声模拟模型中预测变量的特征重要性。模拟过程中采用十折交叉验证来测试模型的准确性，即将数据集分成10份，轮流将其中9份作为训练数据，1份作为测试数据，进行验证，每次试验都会得出相应的正确率，10次结果正确率的平均值作为对算法精度的估计。各模型的计算和模拟过程主要通过SPSS 22和Python 3实现。昼间噪声拟合模型RMSE值和R2分别为3.79和0.42，夜间噪声拟合模型RMSE值和R2分别为2.75和0.48。
根据224个区域监测点的昼夜噪声模拟结果，采用随机森林模型进一步反演广州市8区环境噪声值。考虑到城市不同功能区街区尺度宜在100 m×100 m至600 m×600 m范围内[34]，本文采用500 m×500 m的网格将广州市8区均分为相同面积大小的单元，并取每个网格单元的中心点作为噪声值预测点，由此获得11 995个预测点。各预测点的自变量根据表2进行提取。
表2 昼间和夜间噪声模拟模型中预测变量的特征重要性

Table 2 Relative importance of predictor variables in daytime and nighttime noise simulation model

昼间噪声模拟模型自变量 特征重要性 排序 夜间噪声模拟模型自变量 特征重要性 排序
直线中心性（300 m） 0.16 1 距主要道路最短距离 0.18 1
归一化建筑指数平均值（300 m） 0.14 2 夜间人流量（50 m） 0.12 2
距主要道路最短距离 0.11 3 日均人流量（300 m） 0.12 3
夜间灯光平均值（500 m） 0.11 4 夜间灯光平均值（30 m） 0.09 4
购物服务POI数量（500 m） 0.10 5 工业用地比例（700 m） 0.09 5
机械制造POI数量（300 m） 0.08 6 其他道路长度（1000 m） 0.08 6
居住用地比例（700 m） 0.08 7 医疗保健服务POI数量（1000 m） 0.07 7
日均人流量（300 m） 0.07 8 对外交通用地比例（700 m） 0.06 8
建筑物面积比例（500 m） 0.07 9 穿行度（1000 m） 0.06 9
金融服务POI数量（300 m） 0.03 10 机械制造POI数量（1000 m） 0.05 10
次级道路长度（30 m） 0.03 11 建筑物平均高度（50 m） 0.04 11
风景名胜POI数量（30 m） 0.01 12 仓储用地比例（200 m） 0.03 12
风景名胜POI数量（200 m） 0.01 13 道路附属设施POI数量（30 m） 0.01 13
道路附属设施POI数量（30 m） 0.01 14

2 结果与分析

2.1 环境噪声时间变化特征分析

通过对2011年第一季度到2019年第二季度广州市14个功能区噪声监测点季度噪声水平统计分析可以发现，近9 a来广州市1类功能区噪声监测点昼、夜平均等效声级分别为51.37 dB和43.97 dB，2类功能区昼、夜平均等效声级分别为58.09 dB和49.86 dB，3类和4a类功能区昼、夜平均等效声级分别为60.95 dB、55 dB和72.65 dB、69.05 dB。其中，4a类功能区昼、夜噪声水平均超《声环境质量标准》（GB 3096-2008）中的环境噪声限值70 dB和60 dB[24]。单位根检验结果表明大部分功能区噪声监测点的噪声值保持在恒定的水平，无明显的年度和季度变化。
从14个功能区噪声监测点的小时噪声监测值变化趋势来看，其呈现出明显的伴随居民活动时间节律的日波动特征（图2）。噪声值在夜间0:00—6:00时保持最低值，并伴随早高峰逐渐增长至趋于平稳，日间8:00—19:00时恒定在较高的噪声水平，在20:00—24:00时逐渐降低，夜间0:00—6:00时恒定在较低的噪声水平。其中，监测点8相比较其他声环境监测点昼夜噪声变化幅度更为明显，该监测点属于2类功能区声环境监测点，但其昼间噪声值远高于同类型声环境监测点，究其原因可能为该监测点处于广州市著名的老商业街北京路高第街，该街道日间有密集的人流从事服装贸易等商业活动，因而导致昼间噪声明显。
图2 广州14个功能区监测点噪声监测值的时刻变化

Fig. 2 Hourly variation of noise monitoring values at 14 functional area monitoring points in Guangzhou

对功能区噪声监测点长时序的噪声数据分析，可以发现城市环境噪声在长时序上保持稳定，无明显的年度或季度上的变化，这说明各监测点噪声值可能与其所处区域的土地利用性质、地理区位等特性有关。而从各监测点的小时变化特点来看，其表现出明显的昼夜差异特性，这可能与不同监测点所处区域土地利用功能及其承载的居民活动强度日夜差异性等相关。为进一步探究各区域点噪声差异以及昼夜噪声的差异，需要结合土地利用、交通、人口密度等因素对昼夜噪声影响因素及时空间分布特征进行更深入的分析和模拟。

2.2 昼夜环境噪声空间分布特征分析

通过等距法将广州市8区11 995个预测点昼夜噪声模拟值分为7级，运用ArcGIS绘制昼夜噪声空间分布图（图3）。从昼间噪声的模拟结果来看，广州市昼间噪声总体上呈现出老城区噪声高、噪声分布与城市交通路网总体分布情况密切关联的特点（图3a）。昼间噪声模拟值分布在52.92~63.20 dB，平均值为55.97 dB。其中，噪声较高的区域（噪声值超60 dB）主要为海珠区西部、荔湾区内环路以东、越秀区绝大部分区域、天河区南部、白云区西南区域等老城区以及花都区、番禺区、黄埔区的零星区域。结合广州市的路网分布情况来看，大部分高噪声区域主要集中在高密度的路网和高速公路、城市主干线等道路的两侧。例如，在海珠区西部部分道路、越秀区和天河区的部分城市干线沿线周边噪声值比较高，这些道路都是主城区的交通要道，承载着主城区的主要交通流量以及连通主城区和其他区域的重要作用。而在海珠区的东南区域，由于路网密度相对较低，且分布了较多的公园、水域和高校，噪声值相对较低。在花都区和白云区，广清高速、大广高速、京珠高速和广州绕城高速部分路段及其沿线地区噪声值较高。特别的是，在高架桥和十字交叉路口的交汇处也是噪声的高值区，例如土华立交桥等。
图3 广州市8区昼夜噪声模拟值及空间分布模拟

Fig. 3 Simulated values and spatial distribution simulation of day noise and night noise in Guangzhou

从广州市夜间噪声的模拟结果来看，同样呈现出老城区噪声高，其他区域局部噪声环境较高的特点。总体上广州市夜间噪声模拟值分布在37.21~55.33 dB，平均值为44.54 dB。从图3b来看，在老城区，海珠区西部、越秀区、天河区南部、荔湾区内环路以东，以及白云区和黄埔区零星地区的夜间噪声值超过了50 dB。这可能与老城区的道路网络总体较密集、人口居住较为集中，以及各种娱乐消费场所多样有关。其次，在白云区部分高速路段合围区域以及城市主干道交汇区域，其夜间噪声值也较高，这些区域同样受到了道路交通的影响导致夜间噪声较高。
结合《环境噪声监测技术规范——城市声环境常规监测（HJ 640-2012）》[25]中对城市区域环境噪声总体水平等级划分标准，将昼、夜噪声值分别超过60 dB和50 dB定义为高噪声水平（噪声总体水平等级为4级及以上，评价为较差、差），昼、夜噪声分别低于55 dB和45 dB定义为低噪声水平（噪声总体水平等级为2级及以上，评价为较好、好），其他为中等噪声水平（噪声总体水平等级为3级，评价为一般）。综合对比广州市8区昼夜噪声模拟结果，将其分为低低、低中、中低、高高、高低、低高、中中、中高、高中9个类型区域（图4）。可以发现，0.8%的区域昼夜噪声均处于高噪声水平，主要分布在内环路合围区域的南侧；4.0%的区域昼夜噪声处于高中/中高水平，分布在内环路合围区域的北侧以及海珠区部分道路两侧区域，白云区沿机场高速路沿线等，以及内环路沿线周围等其他部分零星区域。这些区域均是城市环境噪声治理与防控应关注的重点区域。此外，37.2%和23.6%的区域昼夜噪声均处于中等水平和低噪声水平，33.4%的区域昼夜噪声处于低中或中低水平，而昼夜噪声差异大（昼间高夜间低或昼间低夜间高）的仅占0.9%。
图4 广州市8区昼夜噪声模拟结果对比分类

Fig. 4 Comparison and classification of daytime and nighttime noise in 8 regions of Guangzhou

通过昼夜噪声模拟模型中各预测变量的相对重要性计算结果可知（表2），昼间噪声最主要的影响变量为：300 m缓冲区范围内的道路直线中心性、300 m缓冲区范围内的归一化建筑指数、500 m缓冲区范围内夜间灯光值、距主要道路最短距离、500 m缓冲区范围购物服务POI数量和300 m缓冲区范围内机械制造POI数量等。夜间噪声最主要的影响变量为：距主要道路最短距离、50 m缓冲区范围内夜间人流密度、300 m缓冲区范围内日均人流密度、30 m缓冲区范围内夜间灯光值、700 m缓冲区范围内工业用地比例以及1 000 m缓冲区范围内其他道路长度等。由此可以推测，昼间噪声主要来源为道路交通、密集的人口及其活动等，而夜间噪声主要来源为道路交通、人类活动以及与工业生产、医疗服务相关的活动声等。根据广州市政务服务数据管理局提供的有关噪声投诉事件数量的数据，2019—2022年广州市噪声污染相关投诉量达到46.9万余件[35]。其中社会生活噪声投诉举报最多，其次为建筑施工噪声、工业噪声和交通噪声。这也可以在一定程度上解释昼夜噪声的空间分布差异。

3 结论与讨论

3.1 结论

本文基于环境噪声固定监测站点数据，探讨2011—2019年不同时间维度下广州市环境噪声变化特征，并通过随机森林方法对广州市昼夜环境噪声空间分布进行模拟和分析。主要结论为：
14个功能区监测站点近9 a的噪声值保持在恒定的水平，无明显的季度和年度变化差异，但呈现明显的日波动特征。夜间0:00—6:00时处于最低水平，伴随早高峰噪声值逐渐增长，在昼间9:00—20:00时基本上处于稳定，而在20:00—24:00时噪声值逐步降低。可见，随着居民日常活动时间节律变化，城市环境噪声值也发生变化。
通过随机森林模型模拟获得广州市8区500 m×500 m空间单元的昼夜噪声分布情况，发现广州市昼、夜噪声模拟值分别分布在52.92~63.20 dB和37.21~55.33 dB，平均值分别为55.97 dB和44.54 dB。昼夜噪声较高（昼间>60 dB，夜间>55 dB）的区域主要分布在老城区。昼间噪声分布与广州市的路网分布高度关联，大部分高噪声区域主要集中在高密度的路网和高速公路、城市主干线等道路的两侧，以及高架桥和十字交叉路口的交汇处。夜间高噪声区域主要分布在海珠区西部、越秀区、天河区南部、荔湾区内环路以东，以及白云区和黄埔区零星地区。对比广州市8区昼夜噪声模拟结果，昼夜噪声都处于较高水平的区位主要分布在城市交通干道周边，其中：0.8%的区域昼夜噪声均处于高噪声水平；4.0%的区域昼夜噪声处于高中/中高水平，这些区域均是城市环境噪声治理与防控应关注的重点区域。
从昼夜噪声主要来源来看，分为昼间噪声主要源于道路交通、密集的人口及其活动等，而夜间噪声主要来源为道路交通、人类活动以及与工业生产、医疗保健服务相关的活动声等。城市噪声的产生与居民社会生活、交通、工业生产等活动息息相关，同时也对居民的各项活动带来极大的负面影响。

3.2 讨论

本文以广州市为例，基于固定监测数据通过随机森林方法对广州市昼夜城市环境噪声的时空分布进行模拟与特征分析。研究结果一方面有助于从宏观层面把握城市环境噪声时空分布的总体特征，另一方面对于高噪声水平区域和超限区域有更加精细化的时空体现，从而为居民的环境噪声暴露风险和健康影响评估以及对环境噪声高发区域针对性的防治和管控措施制定提供支撑。
当然，本文在环境噪声数据方面还存在一定的局限。尽管功能区监测点长期监测显示噪声在年度和季度以及日间–昼间时段都处于稳定水平，但在224个区域监测点采样时仅10 min的噪声采样值极易受到外部条件影响。其次，本文中昼、夜噪声模拟模型的R2分别只有0.42和0.48，拟合度偏低，尽管在文中已考虑多方面的影响因素，但由于城市噪声来源和影响因素的复杂性，未来工作中可能需要考虑更多的动态影响变量，例如动态的车流量数据等。最后，数据表明城市环境噪声随居民日常活动有明显的日波动特征，未来也需要从更加精细化的时间维度对环境噪声时空分布以及环境噪声暴露进行模拟和评估。未来研究还可进一步结合城市声环境功能区划对昼夜噪声空间分布情况进行更深入的分析。在未来的城市发展与环境测度和管控中，不仅可以依据智慧城市的发展需求布设固定监测站点对城市环境噪声进行长时序的监测，还可通过便携式移动监测设备、手机监测等方式结合居民时空间行为实现个体微观层面的环境噪声暴露测度，并且通过集计丰富的个体时空噪声数据来反映室内空间和社区内部空间的噪声分布情况。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张延吉, 邓伟涛, 赵立珍, 等. 城市建成环境如何影响居民生理健康?——中介机制与实证检验[J]. 地理研究, 2020, 39(4): 822-835.

Zhang Yanji, Deng Weitao, Zhao Lizhen et al. How urban built environment affects residents’ physical health? Mediating mechanism and empirical test. Geographical Research, 2020, 39(4): 822-835.

[2]
杨林生, 王五一, 谭见安, 等. 环境地理与人类健康研究成果与展望[J]. 地理研究, 2010, 29(9): 1571-1583.

Yang Linsheng, Wang Wuyi, Tan Jianan et al. Overview on the research works in the field of environmental geography and human health. Geographical Research, 2010, 29(9): 1571-1583.

[3]
马静, 柴彦威, 符婷婷. 居民时空行为与环境污染暴露对健康影响的研究进展[J]. 地理科学进展, 2017, 36(10): 1260-1269.

DOI

Ma Jing, Chai Yanwei, Fu Tingting. Progress of research on the health impact of people’s space-time behavior and environmental pollution exposure. Progress in Geography, 2017, 36(10): 1260-1269.

DOI

[4]
周素红, 张琳, 林荣平. 地理环境暴露与公众健康研究进展[J]. 科技导报, 2020, 38(7): 43-52.

Zhou Suhong, Zhang Lin, Lin Rongping. Progress and prospect of the research on geographical environment exposure and public health. Science & Technology Review, 2020, 38(7): 43-52.

[5]
李春江, 马静, 柴彦威, 等. 居住区环境与噪音污染对居民心理健康的影响——以北京为例[J]. 地理科学进展, 2019, 38(7): 1103-1110.

Li Chunjiang, Ma Jing, Chai Yanwei et al. Influence of neighborhood environment and noise pollution on residents’ mental health in Beijing. Progress in Geography, 2019, 38(7): 1103-1110.

[6]
Word Health Organization. Burden of disease from environmental noise: Quantification of healthy life years lost in Europe [R]. Geneva, Switzerland: World Health Organization, 2011: 126.

[7]
中国生态环境部. 中国噪声污染防治报告2024[R/OL]. 2024.https://www.mee.gov.cn/hjzl/sthjzk/hjzywr/202408/W020240829356736814731.pdf

Ministry of Ecology and Environment of China. Annual report on prevention and con-trol of noise pollution in China. 2024. https://www.mee.gov.cn/hjzl/sthjzk/hjzywr/202408/W020240829356736814731.pdf

[8]
Zhang L, Zhou S H, Kwan M-P et al. The threshold effects of bus micro-environmental exposures on passengers’ momentary mood[J/OL]. Transportation Research Part D: Transport and Environment, 2020: 84. https://doi.org/10.1016/j.trd.2020.102379.

[9]
Zhang X, Zhou S H, Kwan M-P et al. Geographic ecological momentary assessment (GEMA) of environmental noise annoyance: The influence of activity context and the daily acoustic environment[J/OL]. International Journal of Health Geographics, 2020, 19. https://doi.org/10.1186/s12942-020-00246-w.

[10]
Xie D, Yi L, Chen J. Mapping urban environmental noise: A land use regression method[J]. Environmental Science & Technology, 2011, 45(17): 7358-7364.

[11]
Cvetković D, Praščević M, Mihajlov D. Estimation of uncertainty in environmental noise measurement[J]. Measurement, 2011, 100, 3

[12]
Hoek G, Beelen R, Hoogh K D et al. A review of land-use regression models to assess spatial variation of outdoor air pollution[J]. Atmospheric Environment, 2008, 42(33): 7561-7578.

DOI

[13]
王佳佳, 夏晓圣, 程先富, 等. 合肥市PM2.5浓度时空分布特征及影响因素分析 长江流域资源与环境, 2020, 29(6): 1413-1421.

Wang Jiajia, Xia Xiaosheng, Cheng Xianfu et al. Temporal and spatial distribution characteristics and influencing factors of PM2.5 concentration in Hefei City Resources and Environment in the Yangtze Basin, 2020, 29(6): 1413-1421.

[14]
Aguilera I, Foraster M, Basagaña X et al. Application of land use regression modelling to assess the spatial distribution of road traffic noise in three European cities[J]. Journal of Exposure Science & Environmental Epidemiology, 2015, 25(1): 97-105.

[15]
Chang T Y, Liang C H, Wu C F et al. Application of land-use regression models to estimate sound pressure levels and frequency components of road traffic noise in Taichung, Taiwan[J]. Environment International, 2019, 131, 104959.

DOI

[16]
Liu Y, Goudreau S, Oimao T et al. Comparison of land use regression and random forests models on estimating noise levels in five Canadian cities[J]. Environmental Pollution, 2020(256): 113367.

DOI

[17]
Ragettli M S, Goudreau S, Plante C et al. Statistical modeling of the spatial variability of environmental noise levels in Montreal, Canada, using noise measurements and land use characteristics[J]. Journal of Exposure Science & Environmental Epidemiology, 2016, 26(6): 597-605.

[18]
Raess M, Brentani A, de Campos BLD et al. Land use regression modelling of community noise in Sao Paulo, Brazil[J]. Environmental Research, 2021, 199(2-3): 111231

[19]
Harouvi O, Ben-Elia E, Factor R et al. Noise estimation model development using high-resolution transportation and land use regression[J]. Journal of Exposure Science & Environmental Epidemiology, 2018, 28, 559-567.

[20]
Xu X Y, Ge Y H, Wang W D et al. Application of land use regression to map environmental noise in Shanghai, China[J]. Environment International, 2022, 161, 107111.

DOI

[21]
Tsai K T, Lin M D, Chen Y H. Noise mapping in urban environments: A Taiwan study[J]. Applied Acoustics, 2009, 70(7): 964-972.

DOI

[22]
Cammarata G, Cavalieri S, Fichera A. A neural network architecture for noise prediction[J]. Neural Networks, 1995, 8(6): 963-973.

DOI

[23]
Liu Y, Cao G, Zhao N et al. Improve ground-level PM2.5 concentration mapping using a random forests-based geostatistical approach Environment Pollution, 2018, 235, 272-282.

DOI

[24]
环境保护部. 声环境质量标准(GB 3096-2008)[S/OL]. 2008. http://www.mee.gov.cn

Ministry of Ecology and Environment of China. Standard for acoustic environmental quality (GB 3096-2008). 2008. http://www.mee.gov.cn

[25]
环境保护部. 环境噪声监测技术规范——城市声环境常规监测(HJ 640-2012)[S/OL]. 2012. http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201212/t20121207_243475.shtml

Ministry of Ecology and Environment of China. Technical specifications for environmental noise monitoring—Routine monitoring for urban environmental noise (HJ 640-2012). 2012. http://www.mee.gov.cn/ywgz/fgbz/bz/bzwb/jcffbz/201212/t20121207_243475.shtml

[26]
Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

DOI

[27]
Shao Y, Ma Z, Wang J et al. Estimating daily ground-level PM2. 5 in China with random-forest-based spatiotemporal kriging[J]. Science of the Total Environment, 2020, 740, 139761.

DOI

[28]
Wei J, Huang W, Li Z et al. Estimating 1-km-resolution PM2.5 concentrations across China using the space-time random forest approach Remote Sensing of Environment, 2019, 231, 111221.

DOI

[29]
Wang Y C, Huang C L, Zhao M Y et al. Mapping the population density in mainland China using NPP/VIIRS and points-of-interest data based on a random forests model[J]. Remote Sensing, 2020, 12(21): 3645.

DOI

[30]
Wang Q, Gao X, Li Q et al. Spatially explicit reconstruction of the population distribution in the Tuojiang River Basin during 1911—2010 using random forest regression[J]. Regional Environmental Change, 2022, 22(1): 1-13.

DOI

[31]
Weier J, Herring D. Measuring vegetation (NDVI & EVI) [EB/OL]. 2014. http://earthobservatory.nasa.gov/Features/MeasuringVegetation [2019-08-29].

[32]
银超慧, 刘艳芳, 危小建. 武汉市多尺度道路网络中心性与社会经济活动点空间分布关系分析[J]. 人文地理, 2017, 32(6): 104-112.

Yin Chaohui, Liu Yanfang, Wei Xiaojian. Study on the multi-scale relationship between road network centrality and social economic activities distribution in Wuhan. Human Geography, 2017, 32(6): 104-112.

[33]
Hillier B. Spatial sustainability in cities: Organic patterns and sustainable forms [M]//Koch D et al. Proceedings of the 7th International Space Syntax Symposium. Stockholm, Sweden: Royal Institute of Technology (KTH), 2009.

[34]
住房和城乡建设部. 城市综合交通体系规划标准(GBT 51328-2018)[S/OL]. 2018.http://www.mohurd.gov.cn

Ministry of Housing and Urban-Rural Development. Standard for urban comprehensive transport system planning (GBT 51328-2018). 2018. http://www.mohurd.gov.cn

[35]
唐会凌, 田娟. 噪声污染问题化解对策研究——以广州市为例[J]. 环境保护与循环经济, 2024, 44(5): 108-110.

Tang Huiling, Tian Juan. Research on countermeasures for resolving noise pollution problems: A case study of Guangzhou City. Environmental Protection and Circular Economy, 2024, 44(5): 108-110.

Options
文章导航

/

〈 〉