翻译Study Area Our study area of Long Beach California see Figure S1 Supporting Information has a wide mixture of different land use and road types including major arterials lesser arterials and a dense

研究区域。我们的研究区域位于加利福尼亚州长滩（见支持信息中的图S1），拥有各种不同的土地利用和道路类型，包括主要干道、次要干道和密集的表面街道。附近还有住宅、商业和轻工业土地利用的混合。交通噪声测量。我们使用两个手持Bruel＆Kjær 2250声音分析仪（27）沿着预定义的路线在长滩进行噪声测量，这些高端声音仪允许用户以1秒的间隔测量A加权、等效噪声（LAeq），以及完整频谱的频率。在进行现场工作之前，两个团队的四名技术人员接受了数据收集的培训，以最大程度地减少外部噪声影响。具体来说，声音计的麦克风始终指向路面，并保持足够距离，以最小化任何噪声反射或吸收。技术人员穿着运动鞋，在数据收集期间避免说话。我们将移动噪声监测与Strava（一款用于智能手机的跑步和骑行应用程序）相结合，以获得实时GPS位置数据。步行路线的设计旨在在一个小时的时间内尽可能覆盖尽可能多的道路类型和土地利用。我们包括了主要和次要道路和十字路口的混合，并试图在长滩范围内广泛涵盖商业和住宅区的变化。每条路线走了三次，以测试数据的重复性，并减少来自单个事件或源的随机噪声变化的影响。从5月31日至6月14日和11月8日至11月13日进行了两轮现场工作。在工作日的早上（上午9点至中午12点）和下午（中午12点至下午6点）进行测量。这些时间段被选择，因为这些时间段的小时交通量相对稳定，即在总日交通量的4.8％至5.4％之间波动（见支持信息中的图S2），这是由于长滩的交通传感器数据确定的。28道路特征数据。基于OpenStreetMap（OSM）定义的分类，我们将道路分为高速公路（高速公路和高速公路连接器），定义为设计用于安全地运输快速机动车辆的高容量高速公路；主要道路（和主要链接）；次要道路（和次要链接）；三级道路（和三级链接）；住宅；服务；和其他（包括主干、主干链接、轨道和未分类）。我们根据我们认为能够捕捉到噪声梯度的距离，以及先前一项研究中建议的距离，将每个噪声测量位置周围的缓冲区内的总道路长度和距离最近的道路进行分类：150米用于高速公路，20米用于主要和次要道路，10米用于三级、服务和住宅道路。道路交叉口被聚合为主要路（高速公路、主要、次要和三级）和次要路（住宅、服务和其他）；在50米缓冲区内提取主要与次要道路交叉口、次要与次要道路交叉口的数量、主要与主要道路交叉口、进出口匝道和交通信号。我们在研究中使用次要与次要道路交叉口作为停车标志的代理。提取架构可在图1中找到。土地利用数据。还从OSM中提取了土地利用、建筑物占地面积和最大建筑物高度数据。在每个噪声测量位置内提取50米缓冲区内的住宅区和150米缓冲区内的商业、工业和公园区，以表征附近不同类型的土地利用。我们使用20米和50米缓冲区检索建筑面积和最大建筑物高度（图1）。为了估算树冠覆盖率，我们使用了National Land Cover Database的卫星观测数据，其空间分辨率为30米，并包含每个像素内的树冠百分比估计值。30米和50米缓冲区被用来提取这些数据。交通模拟。使用城市交通模拟（SUMO）模型计算了研究区域内所有网络道路上的交通流量、速度和密度，SUMO模型是一种开源、动态、微观和连续的车辆跟随模型，专门设计用于处理大型道路网络。模型输入包括网络链接和位置数据、交通基础设施和出行需求（见支持信息中的图S3）。SUMO的优点是其详细的模拟、快速的执行和与OSM道路网络数据的易于耦合性。为了捕捉速度和车辆跟随距离的变化，SUMO内部有几个子模型，考虑到驾驶员行为、交叉口可能的移动以及相应的权利规则。32车辆数量是基于2018年加利福尼亚州机动车辆和燃料类型计数的邮政编码级别估算的。33边界交通是使用年平均日交通计数34和ADMS数据库中的小时交通流量变化进行校准的。35由于我们的模拟区域被高速公路包围（见支持信息中的图S1），因此仅使用高速公路数据来估算边界交通。交通需求基于受两个参数影响的概率分布产生：（1）计数参数，定义了在整个网络中每小时和每车道公里产生多少车辆；和（2）通过流量因子，定义了与位于网络内部的车辆数量相比，有多少车辆从模拟区域边界进入网络（见支持信息中的图S3）。随机出行模型包括乘用车、卡车和公交车的信息。由随机出行模型产生的交通需求然后被修改和校准以匹配高速公路Caltrans数据。34我们估计了一个代表性小时（上午9点至上午10点）的交通情况，因为我们的噪声测量期间每小时交通量没有显着变化（见支持信息中的图S2）。SUMO模拟的交通量地图显示在支持信息中的图S4中。为了与我们的噪声数据相关联，我们在每个测量周围构建了40米缓冲区，并提取了SUMO生成的最大交通量、密度和速度。气象数据。气象数据从Dark Sky API中提取，这是目前最准确的超级本地天气信息来源；它允许用户在非常细的空间尺度上提取1分钟分辨率的天气数据。36给定经度、纬度和时间戳，我们提取了每个噪声测量的温度、压力、云层覆盖、露点、湿度、风速、风向、阵风和其他12种气象变量。