作者: 钟秉致，谢晖，张正开，温琰
单位: 西北农林科技大学，重庆大学
来源: Building and Environment
时间: 2025年4月

一、研究背景

二、核心贡献

三、方法

四、实验

1.实验准备

2.实验结果——GBDT与非线性的优越性

(1)预测愉悦度（ISOPL）时，体现出GBDT模型的表现最优。
(2)对比Model 1和Model 2，发现加入EIS之后的预测精度均有所提升，误差有所下降。
(3)模型对愉悦感（PL）、厌恶感（AN）和愉悦度主维（ISOPL）的解释力较高，对单调感（MO）和不活跃感（UN）的解释力相对较弱。

3.实验结果——指标重要性

(1)预测活力（VI）、事件性（EV）、不活跃感（UN）和事件性主维（ISOEV）时，EIS的贡献率非常高。
(2)中值振幅（M）是影响活力（VI）和单调感（MO）最关键的客观指标，（声学复杂度）ACI是愉悦度（PL）和厌恶感（AN）的首要客观指标，声景观差异指数（NDSI）则对事件性（EV）的贡献最高。

4.实验结果——拐点与阈值

(1)通过部分依赖图可以看出，当声学复杂度（ACI）到0.75时，人的愉悦度达到顶峰。
(2)由表5看出除了Ht指标在特定维度呈线性外，其他所有主要指标与声景观感知之间都存在拐点。

五、总结

1）将EIS引入预测模型能显著提升模型效能，特别是在活力和事件性两个维度，EIS比传统声学指标更具解释力。
2）声景观感知和客观指标之间并非简单的线性增长关系。
3）在城市环境中，M、Ht、Hf主要反映交通噪声干扰，而AR、ACI、NDSI和BIO在特定范围内能有效反映生物多样性（如鸟鸣）对感知的正面贡献。

六、对齐思考

1.1技术创新——数据拓扑标签计算: 将数据归一化后，确保模型计算变量具有可变性，并采用GBDT方法处理复杂的声景观数据，捕捉他们之间的非线性关系。

2.0技术目标——跨域知识结构对比:与其他以往主观研究生物音的方向不同，引入了Eis客观并精准预测生物音的质量。

3.0应用场景——埃Mie:对于用户上传的视频或音频，可以考虑加入生态声学指标从而客观评价用户的情绪状态。