噪声污染是影响城市健康的关键环境因素之一，不仅直接损害听力，还与睡眠障碍、抑郁和焦虑等心理健康问题密切相关。声压传感器能够准确测量噪声水平，却难以解释公众对噪声的主观感知与反应。

针对现有研究多依赖问卷调查与实地监测、空间覆盖和时间分辨率有限的不足，中国科学院地理资源所与香港中文大学的研究人员开展合作，基于纽约市311政务服务平台2010—2022年收到的557万条噪声投诉数据，整合交通噪声、人口与社会经济属性、城市功能分类和建成环境等多源时空数据，构建了基于XGBoost与SHAP的可解释机器学习模型。

研究结果挑战了长期以来对噪声投诉的“噪声声压级越高、投诉越多”这一简单假设。研究发现，声压级和人口密度并非噪声投诉密度的最重要驱动因素；相比之下，住宅单元密度和人口特征才是影响噪声投诉密度的关键因素。研究还揭示了明显的非线性与阈值效应：住宅单元密度对噪声投诉的正向影响随其取值增加而增强，但在超过约2万个单元/平方公里后开始减弱。此外，降低住宅单元密度有助于减少噪声投诉密度，但这种影响表现出明显的非线性特征：情景模拟显示，住宅单元密度降低20%和30%，可使噪声投诉密度分别下降7.18%和9.73%。该研究为理解和治理城市噪声污染提供了新的科学依据，也为城市精细化管理和环境公平政策的制定提供了数据支撑。

该成果发表于Environmental Impact Assessment Review期刊。宋柳依博士生为论文第一作者，中国科学院地理资源所张岸副研究员与香港中文大学关美宝教授为共同通讯作者。

论文信息：Song, Liuyi, Zhang, An, & Kwan, Mei-Po. (2026). Exploring the influencing factors of noise complaints in New York City based on an interpretable machine learning model. Environmental Impact Assessment Review, 116, 108100.

论文链接：

https://www.sciencedirect.com/science/article/pii/S0195925525002975

图1. 2019年纽约市噪声投诉空间热点分布

图2. 噪声投诉特征重要性排序