翻译Table 2 lists the relative importance of predictor variables for each model Motorway and secondary road length residential road length and residential area contributed most to both LR and XGB models

表2列出了每个模型的预测变量的相对重要性。高速公路和次要道路长度、住宅道路长度和住宅区对LR和XGB模型的贡献最大，但程度不同。对于NN模型，对道路变量的重要性较小，而对于RF模型，它们中没有一个是前10个重要变量之一。交通量在RF和XGB中的贡献较高（分别为43％和34％），但在LR和NN中的贡献较少，在其中仅排名第三，分别贡献9％和6％。与RF和XGB相比，商业区在LR中并不是一个重要的预测因子，这表明模型考虑这个变量的能力是预测性能的重要因素（下面讨论）。气象在模型中起着重要作用，大气压在XGB模型中排名第二，贡献了6％。在我们的模拟固定站点监测比较中，我们发现这个“伪固定站点”样本的性能指标明显较差，比移动监测得到的指标差（支持信息，图S6和表S2），这表明移动方法采集的空间信息在建立预测模型时能更充分地利用预测变量。然而，这种“伪固定站点”测试受到真实固定站点采样中存在的时间信息的限制。预测地图。将LR（图5a）、NN（图5b）、RF（图5c）和XGB（图5d）的20 m LAeq（dB）预测值呈现在同一比例尺上的所有道路上，以进行比较。预测结果表明，高速公路的预测交通噪声级别最高，其次是主要和次要道路；商业区域通常也更吵闹。总体而言，LR和NN在高速公路上的预测效果较好，但在研究区域的住宅和次要道路上未能很好地捕捉空间变异。RF在住宅和次要道路的预测中捕捉了空间变异，但在高速公路的LAeq预测中预测偏低。表现最佳的模型XGB捕捉了不同道路类型和土地利用的异质性，并准确地预测了高速公路上更高的LAeq。查看特定路线（表1），我们注意到道路长度和交通量在模型的路线性能中发挥了重要作用。例如，路线12有住宅街道和高交通量的高速公路混合而成（支持信息，图S7）。因此，RF没有重要的道路长度变量（表2），其表现非常差（R2为0.46，RMSE为5.31 dB），而XGB的表现非常好（R2为0.81，RMSE为3.83 dB）。在一项敏感性测试中，当从XGB模型中删除高速公路长度时，路线12的R2从0.81降至0.41，RMSE从3.83增加至4.54 dB。有趣的是，路线10（支持信息，图S8）和13也靠近高速公路，但RF模型的表现很好（R2分别为0.76和0.78），可能是因为这些路线上的交通量是均匀的。我们还发现，XGB更好地捕捉了商业区域的高交通噪声，这些区域大多位于长滩的西侧。由于商业区在LR中不是前10个预测变量之一，因此它没有捕捉到这种空间特征，并倾向于低估商业区域高LAeq水平。虽然RF捕捉了交通噪声的一般西向东趋势，但它倾向于低估高速公路附近的高LAeq水平，因为它没有考虑基于变量重要性结果的道路长度。在一项敏感性测试中，当从XGB和RF中删除商业区变量时，洛罗CV表明，长滩西侧所有路线，包括路线5、8、9、13、14和15，都比表1中显示的RMSE更高。总的来说，我们认为XGB模型中更广泛的重要变量混合（道路特征、土地利用、气象）允许更好地跨不同道路类型的整体模型性能，比使用更有限的变量集的其他三个模型更好。这也可以反映在图5中，XGB的结果显示空间异质性最大。