光污染治理（ICM 2023 E）范文一：风险指标体系构建与四维刻画

摘要

2023 年美赛 E 题由 COMAP 照明控制任务（ICM）提出，要求参赛者建立一个广泛适用的指标，用以识别任一地点的光污染风险水平，并把该指标应用于受保护土地、乡村社区、郊区社区、城市社区四类地点加以解释；在此基础上提出三类干预策略、为选定地点选出最有效干预，并制作宣传传单。本文聚焦该问题的度量底座：在联网查证确认赛题背景（光污染涵盖光侵入、过度照明与光杂乱，影响夜空观测、生态、人体健康与安全）之后，我们构建了一套确定性的练习数据集与可复现的风险量化框架。我们对 16 个代表地点（每类 4 个）定义 6 项归一化指标——夜间亮度 L、照明增长 G、人口暴露 P、生态敏感 B、安全需求 S、治理成熟 R——并据此给出两个分量风险（人类风险、生态风险）与综合光污染风险指数 LPRI。分析显示：全样本平均 LPRI=0.4488，风险分级为低 4、中 10、高 2；四类地点的平均风险单调递增（保护地 0.3221 → 乡村 0.3766 → 郊区 0.5085 → 城市 0.5879）；亮度 L 与 LPRI 的相关系数高达 0.9949，是主导驱动因子。本文为后续两篇论文（四类应用与干预优选、稳健性与政策倡导）奠定了统一、可计算、可复现的量化基础。

1 问题重述

赛题要求围绕"测量并减轻不同地点的光污染影响"回答若干相互关联的子问题，其中与度量方法直接相关的核心任务有四：其一，开发一个广泛适用的指标，识别一个地点的光污染风险水平；其二，把指标应用到受保护土地、乡村、郊区、城市四类地点并解释结果差异；其三，描述三种干预策略，讨论其实施行动与潜在影响；其四，为选定地点用指标选出最有效干预。本文不急于给出最后的干预清单，而是先把上述任务的指标结构与风险概念讲清楚——这是任何可靠分类、选址与政策建议的前提。我们强调：只有先建立可解释、可复现的"指标→分量风险→综合风险"链条，后续的应用与干预才有意义。

2 数据与假设

本站的练习数据集 data/icm2023e.csv 由真源 tools/gen_icm2023e.py（SEED=2023，纯标准库，零依赖）确定性生成，共 16 个代表地点，结构与赛题要求的四维应用对齐。为使模型可解、可复现，作如下假设：

H1（六维驱动）：地点的光污染风险可由六个相互补充的维度近似刻画，即亮度、增长、人口暴露、生态敏感、安全需求与治理成熟，足以覆盖"人类与非人类关切"。
H2（指标可测）：这六项指标均可由公开遥感与社会经济数据代理（如 VIIRS 夜光表征 L、WorldPop 表征 P、WDPA 保护地表征 B），本练习以手选归一化值演示方法。
H3（风险可加）：综合风险可由两个分量风险（人类、生态）加权合成，分量内部为指标线性组合后经裁剪，保证落在 [0,1]。
H4（确定性可复现）：练习数据由固定种子生成，任何人都可在 tools/ 目录重新运行真源以复现本文全部数字，保证教学与评审的可验证性。

主要符号： $L,G,P,B,S,R$ 六项归一化指标（∈[0,1]）； $\text{HR}$ 人类风险； $\text{ER}$ 生态风险； $\text{LPRI}$ 综合光污染风险指数（∈[0,1]，越大越危险）。

展示了 16 个代表地点的六维指标面板。可见城市类地点在 L、P、S 上明显偏高，而保护地类在 B 上突出——这正是后续风险差异的结构性来源。

图1 展示了 16 个代表地点的六维指标面板。可见城市类地点在 L、P、S 上明显偏高，而保护地类在 B 上突出——这正是后续风险差异的结构性来源。

3 指标定义与归一化

我们为每一地点计算以下六项、取值均归一到 [0,1] 的指标，力求覆盖光污染的形成与影响两端：

夜间亮度 $L$ ：以 VIIRS 类平均辐亮度表征，越大表示人造光越强、天空辉光越显著。
照明增长 $G$ ：近年灯光扩张的相对趋势，越大表示未来风险累积越快。
人口暴露 $P$ ：受光照影响的人群规模，越大表示健康与安全受扰的波及面越广。
生态敏感 $B$ ：生物多样性与保护地权重，越大表示非人类受体越脆弱。
安全照明需求 $S$ ： crime 与出行安全对光照的依赖，越大表示该地"需要光"的合理性越高。
治理成熟 $R$ ：规划与管制能力，越大表示越能抑制无序照明，在模型中作减项。

这六项指标彼此部分相关，但分别从"光源强度""时间趋势""人类暴露""生态脆弱""安全正当性""制度抑制"六个角度刻画风险，构成后续风险建模的输入向量。所有指标统一归一到 [0,1]，使不同量纲可直接进入线性组合。

以分组柱比较四类地点的指标均值：城市社区在 L、P、S 上全面领先，郊区次之；受保护土地虽亮度最低，却在 B（生态敏感）上独占鳌头。这说明风险并非"越亮越糟"的单一维度，而是亮度与人类/生态暴露的耦合。

图2 以分组柱比较四类地点的指标均值：城市社区在 L、P、S 上全面领先，郊区次之；受保护土地虽亮度最低，却在 B（生态敏感）上独占鳌头。这说明风险并非"越亮越糟"的单一维度，而是亮度与人类/生态暴露的耦合。

4 双分量风险与综合 LPRI

赛题明确要求同时考虑"人类与非人类"关切，因此我们不直接给一个黑箱总分，而是显式拆出两个分量风险：

人类风险关注过亮照明对人类健康与安全的负面作用，尤其当亮度高但安全需求低时，眩光与能源浪费最为突出：

$\text{HR} = \operatorname{clip}\!\left(0.45\,L + 0.35\,P + 0.20\,L(1-S),\;0,\;1\right)$

其中 $L(1-S)$ 项刻画"亮度超出安全必要"的错配——在安全保障需求低的地点堆砌强光，正是光污染的典型成因。

生态风险关注亮度对生物节律与生态系统的扰动，生态敏感地点即使中等亮度也代价高昂，且增长趋势会放大未来风险：

$\text{ER} = \operatorname{clip}\!\left(0.40\,L + 0.45\,B + 0.15\,G,\;0,\;1\right)$

综合光污染风险指数取两者等权合成（赛题强调人类与非人类并重，等权最易辩护，权重敏感性见第 6 节）：

$\text{LPRI} = 0.5\,\text{HR} + 0.5\,\text{ER}$

该式的设计逻辑是"亮度驱动风险、暴露放大后果"：对人类侧，亮度叠加人口暴露并惩罚错配；对生态侧，亮度叠加生态敏感并计入增长。裁剪函数保证输出落在 [0,1] 且对极端指标不敏感。

以并排柱比较各地点的两个分量风险：城市核心 M 的人类风险（0.7315）远高于其生态风险（0.4750），呈现典型的"人本型"光污染；而城郊 reserve C 的生态风险（0.5570）反超人类风险（0.3079），呈现"生态型"光污染。同一指数下两种机理并存，正是双分量设计的用意。

图5 以并排柱比较各地点的两个分量风险：城市核心 M 的人类风险（0.7315）远高于其生态风险（0.4750），呈现典型的"人本型"光污染；而城郊 reserve C 的生态风险（0.5570）反超人类风险（0.3079），呈现"生态型"光污染。同一指数下两种机理并存，正是双分量设计的用意。

图4 显示生态敏感 B 与生态风险呈强负相关（相关系数 −0.9138，注意此处 B 越高风险越高，故散点斜率为正、相关系数符号为正；与 LPRI 的相关性则为 −0.9138，因 B 高者多为低亮度保护地，整体 LPRI 偏低）。这说明生态风险真正由"亮度×敏感"共同决定，而非敏感单因子。

5 风险分级与四维刻画

我们把综合 LPRI 分为三档：低（Low，LPRI<0.33）、中（Moderate，0.33–0.60）、高（High，>0.60），阈值取在直观且留有余量的位置。全样本 N=16、平均 LPRI=0.4488，分级结果为低 4、中 10、高 2，分布合理且覆盖三档。

按地点类型聚合，平均风险单调递增：受保护土地 0.3221（低 3/中 1/高 0）、乡村社区 0.3766（低 1/中 3/高 0）、郊区社区 0.5085（低 0/中 4/高 0）、城市社区 0.5879（低 0/中 2/高 2）。城市社区是唯一出现高风险类的类型，且两类高风险地点（downtown N 0.6378、城市核心 M 0.6033）均出自城市。风险排名前五为 downtown N、城市核心 M、港口 O、老城 P、都会边缘 K，全部为城市或郊区地点。

给出亮度 L 与 LPRI 的散点：两者近乎线性、相关系数 0.9949，是主导驱动因子。这意味着任何削减亮度的干预都会近乎成比例地降低风险，为第 2 篇的干预优选提供了理论支点。

图3 给出亮度 L 与 LPRI 的散点：两者近乎线性、相关系数 0.9949，是主导驱动因子。这意味着任何削减亮度的干预都会近乎成比例地降低风险，为第 2 篇的干预优选提供了理论支点。

图6 汇总六项指标与 LPRI 的 Pearson 相关性：L=0.9949、G=0.9667、P=0.9679、B=−0.9138、S=0.9455、R=−0.8968。亮度、人口、增长、安全需求为正向驱动，生态敏感与治理成熟为负向（治理越成熟风险越低）。所有符号均符合直觉，验证了指标体系的内部一致性。

6 权重敏感性

综合指数对权重选择是否脆弱，是评审关注的重点。我们令生态权重 $w_e$ 在 0.30–0.70 间变动（对应人类权重 $1-w_e$ ），统计分级发生翻转的地点数。结果显示：在 $w_e\in[0.40,0.50]$ 区间内翻转数为 0，说明等权（0.5/0.5）恰好处在最稳健的平台上；当 $w_e$ 偏离到 0.65 以上时翻转数升至 5–6，因为过度偏向生态会使若干城市地点被"保护地逻辑"误判。这印证了等权选择的合理性，也提示真实建模应以利益相关方协商确定权重。

以折线展示权重敏感性：翻转数在 0.4–0.5 形成平稳谷底，验证了综合指数的稳健性。即便权重在合理范围内调整，本文的风险排序与分级结论基本不变。

图7 以折线展示权重敏感性：翻转数在 0.4–0.5 形成平稳谷底，验证了综合指数的稳健性。即便权重在合理范围内调整，本文的风险排序与分级结论基本不变。

7 小结

本文完成了 ICM 2023 E 的度量底座建设：定义了六项可计算指标、两个分量风险（人类/生态）与一个介于 [0,1] 的综合光污染风险指数 LPRI，并据此对四类地点做了系统刻画。探索性分析揭示，亮度是最强驱动因子、生态敏感与治理成熟是抑制因子，城市社区是高风险集中区。所有这些结果均由 tools/gen_icm2023e.py 确定性生成，可被任何人独立复现。下一篇论文将把指标应用于四类地点的差异解释，并建立三类干预策略的优选框架；第三篇则进一步做稳健性、政策建议与宣传传单。

概括了"六指标→双分量→综合指数→分级→干预"的方法论闭环，也是后两篇论文的逻辑主线。

图8 概括了"六指标→双分量→综合指数→分级→干预"的方法论闭环，也是后两篇论文的逻辑主线。

图1 图11
图2 图22
图3 图33
图4 图44
图5 图55
图6 图66
图7 图77
图8 图88

参考文献

[1] COMAP. 2023 ICM Problem E: Light Pollution.
[2] 本题数据背景（联网查证）：光污染涵盖光侵入、过度照明与光杂乱，影响夜空、生态、健康与安全。
[3] 公开数据代理说明：VIIRS 夜光（L）、WorldPop（P）、WDPA 保护地（B）为常用遥感/社经数据源。
[4] 本书站真题库配套：tools/gen_icm2023e.py（确定性真源）与 data/icm2023e.csv。

附录：核心 Python 实现

下列代码需位于 tools/ 目录运行，调用真源独立复现本文全部权威数字（SEED=2023，确定性）。

import gen_icm2023e as G
D = G.gen_icm2023e()
print("面板 N =", D["N"])
print("平均 LPRI = %.4f" % D["mean_lpri"])
print("风险分级 =", D["counts"])
print("指标-LPRI 相关性 L=%.4f B=%.4f R=%.4f" % (D["corr"]["L"], D["corr"]["B"], D["corr"]["R"]))
print("受保护土地均值 = %.4f  城市社区均值 = %.4f" % (
    D["by_type"]["protected"]["mean_lpri"], D["by_type"]["urban"]["mean_lpri"]))
top = D["base"][D["order"][0]]
print("最高风险地点:", top["name"], "LPRI=%.4f 级别=%s" % (top["lpri"], top["level"]))