《ISPRS International Journal of Geo-Information》:A Novel Wind-Aware Dynamic Graph Neural Network for Urban Ground-Level Ozone Concentration Prediction
Wenjie Wu,
Xinyue Mo and
Huan Li
地表臭氧污染对公众健康和生态系统构成显著风险,并且仍然是全球范围内的重要环境挑战。由于臭氧形成机制具有非线性特征,且对气象条件具有很强依赖性,因此实现高精度预测仍然较为困难。该研究提出了一种基于风速和风向的动态时空图注意力网络(WSDST-GAT),用于多步逐小时地表臭氧预测。该模型集成了风感知动态图,以表征污染物各向异性输送,并结合基于 Transformer 的时间编码器,以捕捉长程依赖关系。研究人员进一步引入气象变量,以增强模型的物理可解释性和预测稳健性。此外,研究还采用协同克里金(co-kriging)模块重建连续空间臭氧场,并对其不确定性进行量化。基于北京市 35 个监测站的逐小时观测数据,WSDST-GAT 实现了 0.957 的决定系数(Coefficient of Determination, R2),平均绝对误差(Mean Absolute Error, MAE)为 5.25 μg/m3,均方根误差(Root Mean Square Error, RMSE)为 9.58 μg/m3。预测区间表现出较强可靠性,其预测区间覆盖概率(Prediction Interval Coverage Probability, PICP)为 94.01%,预测区间归一化平均宽度(Prediction Interval Normalized Average Width, PINAW)为 0.174。上述结果表明,所提出框架为臭氧预报与空气质量管理提供了一种高精度且具有物理约束认知的解决方案。
该论文发表于《ISPRS International Journal of Geo-Information》,围绕城市尺度地表臭氧(O
3)浓度预测这一关键环境治理问题,提出了一种兼具物理机制约束与深度学习表达能力的混合时空预测框架。研究背景在于,地表臭氧作为对流层中的二次污染物,其生成受到氮氧化物、挥发性有机物以及太阳辐射、温度、湿度、风场等多重因素共同影响,具有显著非线性、强时变性和复杂空间异质性。尽管中国在多类空气污染物治理方面已取得阶段性成效,但臭氧污染因其形成过程复杂、对气象扰动高度敏感,仍是城市环境治理中的难点。传统数值预报模型如社区多尺度空气质量模型(CMAQ)和带化学机制的天气研究与预报模型(WRF-Chem)虽然能够刻画物理过程,但易受初始边界条件、参数设置与数据质量不确定性的影响。统计模型如自回归移动平均模型(ARMA)、差分自回归移动平均模型(ARIMA)和多元线性回归(MLR)依赖线性假设,难以处理臭氧生成中的复杂非线性关系。机器学习和深度学习方法虽提升了对复杂数据的拟合能力,但现有不少基于图神经网络的方法仍主要采用固定地理邻接关系,无法充分反映由风速和风向驱动的污染物动态输送过程。正因如此,研究人员开展该项研究,旨在构建一种能够显式编码风场作用、同时兼顾空间各向异性传输与时间长程依赖的臭氧预测模型,以提升城市空气质量预测的准确性、稳健性和物理可解释性。
研究人员提出了基于风速和风向的动态时空图注意力网络(WSDST-GAT)。该模型以北京市 35 个空气质量监测站 2022 年逐小时观测数据为基础,将空气污染物与气象变量共同作为输入,构建由瞬时风场驱动的有向动态图,其中图边方向沿下风向路径设置,边权由站点间距离衰减和风向对齐程度共同决定。在此基础上,图注意力网络(Graph Attention Network, GAT)用于提取随风场变化而动态调整的空间依赖关系,Transformer 编码器—解码器用于捕捉臭氧时间序列中的多尺度变化与长程依赖,二者经门控线性单元(Gated Linear Unit, GLU)融合后输出逐小时多步点预测结果及分位数预测结果,从而同时支持确定性预测与概率区间估计。进一步地,研究将协同克里金(co-kriging)作为空间增强模块,对站点级臭氧预测结果进行连续空间场重建,并引入露点温度、2 m 气温、地表气压、10 m 风场 u 分量和 v 分量等辅助气象协变量,从而获得具有不确定性量化能力的城市尺度臭氧浓度连续分布图。
简要方法概括如下:研究样本来源于北京市 35 个监测站 2022 年 1 月 1 日至 12 月 31 日逐小时空气质量数据,以及 ERA5-Land 再分析气象数据。研究先进行异常值识别、缺失值填补与极差归一化,再用自相关函数(ACF)分析时间依赖、Pearson 相关分析空间相关、互信息(MI)筛选输入变量并剔除 SO
2。随后构建风场驱动的动态有向邻接矩阵,采用动态图注意力网络提取空间特征,使用 Transformer 提取时间特征,通过 GLU 融合后进行多步点预测和分位数预测,并以均方误差(MSE)与 Pinball 损失联合训练。最后利用协同克里金重建连续臭氧空间场,并以 MAE、RMSE、R
2、PICP 和 PINAW 评价性能。
研究结果部分可概括如下。
3.1. Exploratory Spatiotemporal Characteristics and Feature Screening Results
该部分通过探索性统计分析为模型设计提供依据。研究人员首先验证了臭氧序列存在显著时间持续性和空间协同性,并进一步识别出对臭氧变化具有较强非线性解释能力的输入变量。
3.1.1. Temporal Dependency Analysis
通过对 100 h 滞后窗口内的臭氧自相关函数(ACF)进行分析,研究发现多个站点在约 24 h 与 48 h 滞后处出现明显峰值,且部分自相关系数超过 0.5。这表明臭氧浓度具有显著日周期性和较强短期时间持续性,与受太阳辐射和温度变化调制的光化学生成机制一致。该结果支持在预测框架中引入能够建模长程时间依赖的时序结构。
3.1.2. Spatial Correlation Analysis
通过 35 个监测站臭氧逐小时浓度的 Pearson 相关矩阵分析,研究发现大多数站点对之间呈现中等到较强的正相关关系,说明研究区内臭氧变化具有显著空间一致性,不仅受到局地排放影响,也受到区域输送和大气混合作用支配。该发现为采用图结构模型显式编码站点间相互作用提供了依据。
3.1.3. Mutual Information-Based Feature Screening
研究利用互信息(MI)评估候选变量与臭氧浓度之间的非线性依赖关系。结果表明,大多数气象变量和污染物变量均具有非零 MI 值,具备一定解释力,而 SO
2 的 MI 接近于零,说明其在研究期内对臭氧变化贡献有限。因此研究最终剔除 SO
2,保留每个站点 9 个输入变量,以平衡信息量、冗余控制与模型泛化能力。
3.2. Overall Performance Evaluation
该部分系统评估了所提模型在点预测和区间预测中的综合表现,并与多种基线模型进行比较。总体结果表明,WSDST-GAT 在精度、可靠性和不确定性校准方面均具有优势。
3.2.1. Point Forecasting: Comparative Benchmarking Across Models
与 LSTM、GRU、GCN-LSTM、ST-GAT、ST-Transformer 和 STD-GCN 等基线模型相比,WSDST-GAT 取得了最佳点预测性能,MAE 为 5.25 μg/m
3,RMSE 为 9.58 μg/m
3,R
2 为 0.957。结果表明,以风速和风向驱动的动态图结构能够更有效刻画随时间演变的空间依赖关系,而基于 Transformer 的时间编码器则增强了对长期时间模式的提取能力。研究还指出,相较采用固定距离邻接的静态图模型,风感知动态图在物理上更符合污染物平流扩散的方向性和时变性,因此表现更优且更具可解释性。
3.2.2. Prediction Intervals: Comparative Benchmarking Across Models
在区间预测方面,WSDST-GAT 同样优于各基线模型,获得最高的 PICP(94.01%)和最低的 PINAW(0.174)。这表明模型在保证预测区间覆盖率较高的同时,仍能维持较紧凑的区间宽度,从而在可靠性与尖锐性之间达到较优平衡。研究结果还表明,风场动态的引入使模型能够在风速或风向快速变化等不稳定气象条件下自适应扩大不确定性区间,增强复杂大气环境中的稳健性。
3.3. Temporal Forecasting Analysis
该部分考察模型在多预测时距下的时间建模能力。研究将预测时域由下一小时扩展至未来 24 h,并以 XCGY 站点为例进行分析。结果显示,随着预测时距增加,误差逐渐上升,这符合时间不确定性累积规律;但 WSDST-GAT 在各个预测步长上均稳定优于所有对比模型。研究据此认为,动态图空间表示与 Transformer 时间编码的结合,使模型既能刻画长程时间依赖,也能保留臭氧短时波动与日变化特征,多头自注意力机制有助于聚焦信息量更高的历史时段。
3.4. Spatial Prediction Performance
该部分从空间泛化角度评估模型在北京市 35 个站点上的表现。通过比较各模型在站点尺度上的 MAE 和 R
2,研究发现 WSDST-GAT 在所有竞争模型中总体取得最低 MAE,表现出更强的地理异质性适应能力。传统循环模型因缺乏显式空间依赖表达而误差较大;静态图模型虽有改善,但无法响应大气输送的时变性。相较之下,WSDST-GAT 通过下风向对齐的动态有向图和随风场变化而调整的边权,更好地表征了臭氧形成与输送中的各向异性过程,因此在城区、郊区及外围站点均获得更具空间一致性的预测结果。
3.5. Prediction Intervals: Case Study and Volatility-Stratified Analysis
该部分从实例和分层分析角度验证了模型不确定性估计能力。以 2022 年 7 月西城官园站为例,90% 预测区间能够覆盖绝大多数实际观测值,显示出较好的校准性。进一步基于气象波动指数(??
t)对测试时段分组后发现,在高波动条件下,平均区间宽度由 99.44 增至 112.61,说明更强的大气不稳定性对应更高预测不确定性;而在较稳定气象条件下,区间更窄,反映模型能够根据大气稳定度动态调节预测置信范围。
3.6. Ablation Study
该部分通过消融实验验证各核心模块的贡献。研究设计了三类变体:以静态距离矩阵替代动态图的 Static-GAT,以多层 LSTM 替代 Transformer 的 GAT-only,以及去除气象变量输入的版本。结果表明,无论移除动态图、Transformer,还是气象融合模块,模型性能均出现明显下降。研究据此指出:动态图对于表征风驱动各向异性输送不可或缺;Transformer 对捕捉长程时间依赖具有关键作用;气象变量则提供了污染物自相关之外的重要解释方差,有助于揭示气候—污染相互作用。三者协同构成了 WSDST-GAT 优异性能的基础。
3.7. Spatial Enhancement Module: Co-Kriging Field Reconstruction Based on Meteorological Covariates
该部分介绍了空间增强模块的作用。研究强调,协同克里金模块并不参与深度模型参数训练,而是在获得站点级预测结果后进行后处理,通过融合经纬度信息与 d2m、t2m、sp、u10、v10 等关键气象场,对臭氧浓度连续空间表面进行重建。该方法不仅考虑站点间距离与方向,还利用臭氧与辅助气象变量之间的空间交叉相关关系,从而生成更具物理意义的城市尺度连续浓度场,并对无站点或站点稀疏区域提供更可靠估计。研究认为,该空间增强过程可将离散站点预测转化为可直接支持污染热点识别、超标区域判别和环境决策的高分辨率连续制图结果。
在讨论部分,论文集中强调了风感知动态拓扑相较静态空间图的优势。研究认为,传统静态图默认空间作用各向同性且时间不变,这与实际臭氧输送过程中受风场主导的方向性平流机制并不一致。WSDST-GAT 通过将风速、风向引入图结构构建,使站点间连接关系随实时气象变化动态更新,从而在物理一致性和预测表现上均优于既有方法。研究还指出,单纯依赖污染物时间序列难以充分解释臭氧变化,引入气象因子能够提升模型对大气热力和输送过程的表达能力。另一方面,区间预测结果说明,研究框架不仅适用于高精度确定性预报,也适用于风险感知型预警场景。对于空间增强部分,论文认为协同克里金扩展了模型在地理信息表达方面的应用价值,弥合了站点级预测与城市尺度地理决策之间的差距。论文也明确提到,本研究基于既有单年数据集开展,性能评估仍受数据可获取性限制,未来可通过更大尺度、多年份数据进一步检验泛化能力和稳定性。
研究结论部分可译述如下:该研究提出了一种用于北京市臭氧浓度逐小时预测与区间估计的新型混合深度学习框架,即基于风速和风向的动态时空图注意力网络(WSDST-GAT)。通过将物理气象知识与先进神经网络结构相结合,该模型能够有效捕捉污染物输送的空间各向异性以及大气过程的时间依赖性。其主要创新包括:构建风驱动、时变的有向图以编码下风向输送,并通过图注意力网络自适应聚合相关邻居信息;采用 Transformer 编码器—解码器借助多头注意力提取逐小时臭氧序列中的多尺度时间模式和长程依赖;建立同时支持确定性点预测与概率区间估计的时空模型;集成协同克里金模块,在引入关键气象协变量的基础上,将站点级预测转化为带有不确定性量化的城市尺度连续臭氧场。基于北京市 35 个监测站逐小时数据的实验表明,该模型在点预测中取得了 R
2 为 0.957、MAE 为 5.25 μg/m
3、RMSE 为 9.58 μg/m
3 的优异表现,在区间预测中取得了 PICP 为 94.01%、PINAW 为 0.174 的结果,显示出较高的可靠性与尖锐性。对比实验和消融实验进一步验证了动态图、Transformer 和气象融合各结构模块对预测性能的显著贡献。尽管研究聚焦北京,但所提出框架并不局限于特定区域,只要具备基本空气质量和气象监测数据,经过适度参数校准后即可拓展至其他城市或地区。总体而言,WSDST-GAT 展现了气象驱动因素与深度学习之间的强协同能力,可为城市空气污染预警、智慧环境保护和可持续大气治理提供有效工具。