光污染治理（ICM 2023 E）范文二：四类地点应用与干预优选

摘要

在范文一建立光污染风险指数 LPRI 的基础上，本文完成赛题要求的两项核心应用：把指标用于四类地点并解释差异，以及提出三类干预策略并为选定地点选出最有效者。我们给出了三类干预——I1 定向遮光+暖色 LED 替换（相对成本 0.6）、I2 分时调光+宵禁（成本 0.4）、I3 功能分区+暗夜廊道（成本 0.9）——并定义为对六项指标的结构化削减，从而可逐地点重算 LPRI 以量化"风险削减量 ΔLPRI"与"成本效益 Δ/成本"。结果显示：全样本平均风险削减 I1=0.0808、I2=0.0736、I3=0.0735；若按成本效益排序则 I2 最优（0.184）、I1 次之（0.135）、I3 最低（0.082）。在"削减量最大"口径下，16 个地点中 9 个以 I1 为最优、7 个以 I3 为最优、I2 从未胜出——规律是：亮度高、人口密的城市/郊区地点首选 I1，生态敏感的保护地首选 I3。我们进一步选取城郊 reserve C 与城市核心 M 两个地点做重点论证：reserve C 最优为 I3（Δ=0.0999），城市核心 M 最优为 I1（Δ=0.1324，风险由 0.6033 降至 0.4709）。本文把抽象指标转译为可操作的选址—干预决策。

二、假设与符号说明

为保持模型的可解性与合理性，作如下假设：

H1：{假设1}——理由：{理由1}
H2：{假设2}——理由：{理由2}
H3：{假设3}——理由：{理由3}

主要符号说明如表1所示：

符号	含义	单位
$x_1$	{符号1}	{单位1}
$x_2$	{符号2}	{单位2}
$x_3$	{符号3}	{单位3}
$\theta$	{参数}	—

表1 主要符号说明

1 问题重述

赛题在建立指标之后，要求把指标落到具体地点并衔接干预：一是把 LPRI 应用于受保护土地、乡村、郊区、城市四类地点，解释结果的共性与差异；二是描述三种干预策略，讨论其实施行动与对光污染总体影响的潜在作用；三是选取两个地点，用指标判定各自最有效干预并讨论风险水平的变化。本文即沿着"分类定位→干预设计→量化优选→选点论证"的链路展开，使范文一的度量成果真正转化为政策建议。

2 四维应用结果

把 16 个地点的 LPRI 按风险降序排列，可清晰看到地点类型与风险的强关联：排名前五的 downtown N（0.6378）、城市核心 M（0.6033）、港口 O（0.5679）、老城 P（0.5425）、都会边缘 K（0.5420）全部来自城市或郊区；而四则保护地地点稳居末位。全样本风险分级为低 4、中 10、高 2，高风险类完全由城市社区贡献。

图1 给出 16 个地点的 LPRI 排名（按类型着色）：城市类整体处于高区位，郊区居中上，乡村与保护地偏低。颜色本身即传递了"地点类型决定风险量级"的结论。

图2 按类型统计风险分级计数：城市社区出现 2 个高风险、保护地与乡村均无高风险。这说明干预资源的配置应向城市与郊区倾斜，保护地则以"防新增"为主而非"治存量"。

值得进一步指出的是，同一类型内部也存在明显梯度：城市社区中 downtown N（0.6378）高于城市核心 M（0.6033），差距源于前者亮度与人口暴露更极端；郊区社区内部则会都边缘 K（0.5420）已逼近高风险门槛，说明城郊接合部是风险的"临界带"，应作为预防式治理的重点。保护地虽整体偏低，但城郊 reserve C（0.4325）已升至中等，正是城市辉光外溢的典型受害者——这提示保护地的风险管控不能只看自身亮度，还要主动阻断周边城镇的光入侵。换言之，风险不是地点的孤立属性，而是地点与其邻近建成环境互动的结果。

3 三类干预策略

我们设计的三类干预均建模为对六项指标的结构化削减，从而可在同一框架下逐地点重算风险：

• I1 定向遮光 + 暖色 LED 替换（成本 0.6）：为灯具加装遮光罩并将入射光谱调暖，使有效辐亮度 $L\to0.65L$，直接削减眩光与生态节律扰动，对"过亮"地点最有效。
• I2 分时调光 + 宵禁（成本 0.4）：在低活动时段降光，使 $L\to0.75L$ 且增长趋势 $G\to0.50G$，以最低成本抑制灯光扩张。
• I3 功能分区 + 暗夜廊道（成本 0.9）：在空间上重新分配照明、为生态敏感区留出暗夜廊道，使生态敏感 $B\to0.60B$ 且 $L\to0.85L$，对生态受体最友好。

三类干预的成本梯度（0.4<0.6<0.9）与机理差异（降亮度/抑增长/护生态）构成互补的政策工具箱。

三类干预在"具体行动"层面各有抓手。I1 的落地包括：为路灯与广告牌加装 downward-shield 遮光罩、将光源色温由 4000K 以上降至 3000K 暖白、把裸汞灯与高压钠灯替换为全截光型 LED；这些动作直接削减有效上行辐亮度，对"过亮"地点立竿见影。I2 的落地包括：在居民入睡后的低活动时段（如 23:00–05:00）将主干道照明降至 50%、对景观与立面照明实施宵禁、以人体感应替代常亮照明；其优势是几乎不改动灯具、改造成本最低。I3 的落地包括：在城市与保护地之间划定缓冲带与暗夜廊道、将生态敏感区的功能性照明改为地埋或感应式、以空间分区把"需要亮"与"应当暗"的区域明确分开；其优势是对生态受体最友好，但涉及跨部门规划协调、成本最高。三种行动的组合弹性，使本框架能适配不同财政与管制能力的地点。

4 干预效果量化

对每一地点、每一干预重算 LPRI，得到风险削减量 $\Delta\text{LPRI}$ 与成本效益 $\Delta/\text{成本}$。全样本平均削减：I1=0.0808、I2=0.0736、I3=0.0735；平均成本效益：I2=0.184、I1=0.135、I3=0.082。可见 I2 虽削减量略低，却因成本最低而性价比最高；I3 削减量与 I1 接近，却因成本最高而性价比最低。

图4 比较三类干预的全样本平均削减量：I1 略高于 I2、I3。这提示在预算充足时优先推行 I1，在预算紧张时 I2 是性价比之选。

图5 以"成本—削减"散点呈现三策略的定位：I2 位于低成本区、I1 位于高削减区、I3 位于高成本区。斜率即成本效益，I2 最陡。决策时应根据资金约束在"最大削减"与"最高性价比"间权衡。

5 选点论证

赛题要求选取两个地点做重点干预论证。我们选取城郊 reserve C（保护地、LPRI=0.4325）与城市核心 M（城市、LPRI=0.6033）这一生态型—人本型的对照组合。

对 reserve C：I1 使 LPRI→0.3673（Δ=0.0652），I2→0.3747（Δ=0.0578），I3→0.3325（Δ=0.0999）。最优为 I3（Δ=0.0999），因其直接削减生态敏感暴露，契合保护地"生态型光污染"的机理。

对城市核心 M：I1→0.4709（Δ=0.1324），I2→0.4862（Δ=0.1171），I3→0.5375（Δ=0.0657）。最优为 I1（Δ=0.1324），风险由 0.6033 降至 0.4709，降幅约 22%；I3 在此几乎无效（仅降 0.0657），因为城市核心的生态敏感本就很低，削减 B 对总分贡献小。

图3 直观对比两选点各自三种干预前后的 LPRI：reserve C 在 I3 下下降最深，城市核心 M 在 I1 下下降最深，印证了"类型决定最优策略"的判断。

6 最优策略映射

把所有 16 个地点各自的最优干预汇总，得到规律性的空间分布：9 个地点以 I1 为最优、7 个以 I3 为最优、I2 从未成为任一地点的最优。进一步按类型看，I1 的胜出集中在亮度高、人口密的郊区（4 个）与城市（4 个）以及个别乡村（1 个）；I3 的胜出集中在全部 4 个保护地与 3 个乡村。I2 虽性价比最高，却因削减量不足以在任一地点胜出——它更适合作为 I1/I3 的低成本补充而非独立主打。

图6 把各地点的胜出策略以颜色映射：城市与郊区多为青色（I1），保护地与乡村多为紫色（I3），形成清晰的"降亮优先带"与"护生态优先带"。

图7 以热力图给出各地点的三干预削减量：颜色越红表示削减越大。可见城市类在 I1 列最深、保护地在 I3 列最深，与图6 的胜出逻辑完全一致。

图8 概括了"现状评估→列干预→算削减→选最优→评成本→落地"的干预优选流程，可直接作为地方照明治理的标准作业程序。

需要向决策者特别说明的一点是：I2 虽然成本效益最高，却从未成为任一地点的最优干预。原因在于 I2 仅做"降亮+抑增长"，削减幅度不足以在"最大削减"口径下胜出；它更适合作为 I1/I3 的低成本补充——例如先以 I2 快速压住灯光增长，再以 I1 或 I3 做结构性改造。这种"降本为先、结构为重"的组合思路，比单纯追求单一策略更贴合财政现实。此外，胜出策略呈现的"降亮优先带"（城市/郊区）与"护生态优先带"（保护地/乡村）为区域差异化治理提供了清晰地图：城镇密集区主攻灯具改造，生态敏感区主攻空间分区。两个地带的治理抓手不同，但目标一致——把 LPRI 压回安全区间。

7 小结

本文把范文一的风险指数转化为可操作的干预决策：三类干预在"最大削减"与"成本效益"两个口径下各有优劣，最优策略呈现强烈的地点类型依赖——人本型（城市/郊区）首选 I1，生态型（保护地）首选 I3，I2 作为高性价比补充。选点论证进一步以 reserve C 与城市核心 M 说明，同一指标体系能针对不同机理给出差异化、可解释的方案。下一篇论文将做权重与分类的稳健性检验，并给出政策建议与宣传传单。

参考文献

[1] COMAP. 2023 ICM Problem E: Light Pollution.
[2] 本书站真题库配套：tools/gen_icm2023e.py（确定性真源）与 data/icm2023e.csv。
[3] 干预机理参考：遮光罩降低有效辐亮度、暖色光谱减缓生态节律扰动、分时调光抑制灯光增长。

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()
base = D["base"]
for k in ["I1", "I2", "I3"]:
    md = sum(r["interv"][k]["delta"] for r in base) / len(base)
    ce = sum(r["interv"][k]["delta"] / r["interv"][k]["cost"] for r in base) / len(base)
    print("%s 平均削减=%.4f 成本效益=%.3f" % (k, md, ce))
m = [r for r in base if r["id"] == 13][0]
print("城市核心 M 最优=%s 削减=%.4f 干预后=%.4f" % (m["best"], m["best_delta"], m["interv"][m["best"]]["lpri2"]))
c = [r for r in base if r["id"] == 3][0]
print("reserve C 最优=%s 削减=%.4f 干预后=%.4f" % (c["best"], c["best_delta"], c["interv"][c["best"]]["lpri2"]))

三、模型建立

基于上述假设，本文构建{模型类型}模型。该模型的核心思想是{核心理念}。

3.1 {子模型1}

{子模型1的描述}，其数学表达为：

$$f(x) = \sum_{i=1}^{n} w_i \cdot x_i + b$$

其中，{参数说明}。

3.2 {子模型2}

针对{子问题}，引入{方法}，得到：

$$g(y) = \int_{a}^{b} h(t) dt$$

该式表明{物理解释}。

四、模型求解

采用{算法名称}进行数值求解。算法流程如下：

1. 初始化：设置参数{参数值}
2. 迭代求解：按公式{公式}更新变量
3. 收敛判断：当$|f(x_{k+1}) - f(x_k)| < \epsilon$时停止

求解结果如表2所示：

指标	数值	说明
指标1	0.85	{解释}
指标2	0.92	{解释}
指标3	0.78	{解释}

表2 求解结果汇总表

五、结果分析与讨论

5.1 {分析主题1}

从求解结果可以看出，{分析内容}。如图X所示，{图表解读}。

这表明{结论}。与{对比项}相比，本模型的优势在于{优势}。

5.2 灵敏度分析

为检验模型的稳健性，对关键参数进行扰动分析：

参数	变化范围	结果变化	敏感程度
$\alpha$	±10%	±5.2%	中等
$\beta$	±20%	±8.7%	较高
$\gamma$	±15%	±3.1%	较低

表3 灵敏度分析结果

结果显示，参数$\beta$对结果影响最大，建议在后续研究中重点标定。

六、结论

本文针对{问题}建立了{模型类型}模型，主要结论如下：

1. 模型有效性：所提模型在{场景}下表现良好，各项指标达到预期
2. 关键发现：参数{关键参数}对结果影响最为显著
3. 应用价值：研究结果为{应用领域}提供了决策支持

未来工作可沿以下方向展开：（1）拓展模型至{扩展场景}；（2）引入{新数据}进行验证；（3）探索与{其他方法}的结合。