摘要：研究目的：构建耦合可解释机器学习（XML）与地理相似性推理（GSR）的低效用地自适应分类识别框架（XMLGSR），旨在提供高精度、可量化、可解释的城镇低效用地识别方法。研究方法：融合国土调查与多源地理大数据，构 建 “空间形态 — 经济活力 — 社会功能 — 环境韧性”四维指标体系；通过 K-Means 聚类划分低效用地样本类型，并利用 XGBoost-SHAP 模型深入解析不同类型低效用地的主导驱动因子；将 SHAP 特征重要性向量嵌入地理相似性推理机制， 构建了少样本条件下的低效用地自适应分类识别模型，并以广州市为例开展实证分析。研究结果：（1）XML-GSR 模型 具有较高的有效性，总体识别精度达到 78.6%，其中城市中心型低效用地精度最高（89.10%）；（2）研究区共识别出城市 中心型（15.73%）、边缘型（10.82%）与次中心型（74.59%）三类低效用地，其中次中心型是低效用地的主体；（3）低效用 地空间分布与主导因素具有显著的分异特征，表现为核心区以高密度环境风险型为主，而边缘区则以闲置利用为主。 研究结论：XML-GSR 框架通过可解释性特征归因与空间相似性推理，破解了样本稀缺与决策黑箱难题，并揭示了低效 用地的异质性规律与驱动机制。本方法兼具高精度与透明性，能为城市管理者制定差异化的低效用地再开发政策提 供科学支撑。
关键词：城市更新；低效用地；可解释机器学习；地理相似性；广州
