面向城市尺度空气质量与健康风险预测的物理信息多模态深度学习框架

《Systems》:A Physics-Informed Multimodal Deep Learning Framework for City-Scale Air-Quality and Health-Risk Prediction Khaled M. Alhawiti

【字体: 大 中 小 】 时间:2026年03月20日 来源:Systems 3.8

编辑推荐:

  准确且可解释的空气质量预测一直是环境健康管理面临的关键挑战,原因在于排放、气象与大气化学之间存在复杂的非线性相互作用。本研究提出了一种混合物理信息与多模态深度学习框架,用于城市尺度空气质量与健康风险预测。该框架将高斯烟羽扩散模型与残差卷积神经网络-长短期记忆网

  
准确且可解释的空气质量预测一直是环境健康管理面临的关键挑战,原因在于排放、气象与大气化学之间存在复杂的非线性相互作用。本研究提出了一种混合物理信息与多模态深度学习框架,用于城市尺度空气质量与健康风险预测。该框架将高斯烟羽扩散模型与残差卷积神经网络-长短期记忆网络(Residual CNN-LSTM)相结合,在保持物理一致性的同时学习数据驱动的修正项。通过联合融合多模态开源数据集,包括地面污染物传感器、气象记录以及卫星衍生的气溶胶和温度特征,以提升时空保真度。暴露健康指数(Exposure Health Index, EHI)模块进一步将预测的污染物场与呼吸系统疾病发病率指标相关联,在大气变率与健康结局之间建立了定量桥梁。利用利雅得、吉达和达曼的开源数据集,所提出的方法相比纯物理方法及纯数据驱动基线实现了高达25%的平均绝对误差(Mean Absolute Error, MAE)降低,且决定系数(R2)值超过0.85。基于SHapley可加性解释(SHapley Additive exPlanations, SHAP)和空间注意力机制的可解释性分析揭示了具有物理合理性的驱动因素,并确认了特征相关性。结果表明,物理引导的残差学习能够统一确定性扩散建模与多模态推理,为空气质量预报和健康风险评估提供了透明、可扩展且可复现的基础。
# 研究背景与问题

空气污染是21世纪最为关键的环境健康挑战之一,据世界卫生组织估计每年导致约七百万例过早死亡。细颗粒物(PM2.5)及氮氧化物(NO2)、二氧化硫(SO2)、臭氧(O3)等气态污染物与心肺疾病、哮喘及预期寿命缩短密切相关。因此,高精度污染物浓度预测对于暴露评估、预警系统制定及循证政策干预至关重要。然而,城市空气质量动力学具有高度非线性和时空变异性特征,受排放、气象与化学转化之间复杂相互作用的支配,这一固有问题长期困扰着确定性物理模型和纯数据驱动方法。

传统基于物理的扩散模型(如高斯烟羽、高斯烟团或欧拉网格求解器)虽具备可解释性和物理一致性,但通常需要难以实时获取的详细排放清单和边界层参数,且其对湍流、沉降和化学过程的简化假设常导致对污染突发事件的低估及对新出现城市条件的适应性不足。相比之下,机器学习和深度学习模型(如卷积神经网络(CNN)、长短期记忆网络(LSTM)、Transformer)通过学习观测数据中的复杂相关性展现出较强预测能力,但仍属缺乏透明度的黑箱系统,对数据缺失敏感,无法外推至训练分布之外,且常违反已知物理定律。这种可解释性与准确性之间的权衡催生了将物理领域知识与数据驱动学习相融合的混合框架需求。

近年来,物理信息神经网络(Physics-Informed Neural Networks, PINNs)和混合人工智能(Hybrid AI)在深度学习架构中嵌入物理约束方面取得进展,提升了泛化能力和物理一致性预测。在大气科学领域,此类集成已应用于湍流建模、天气预报和气溶胶输送,但在城市空气质量预测和暴露健康风险评估中的应用仍较有限。现有研究多聚焦于单一污染物预报,缺乏将扩散物理、多模态观测数据与健康影响建模显式耦合的统一透明框架。

为弥补上述不足,本研究提出了一种混合物理信息与多模态数据驱动的深度学习框架,用于城市尺度空气质量与健康风险预测。该框架结合高斯烟羽扩散模型与残差CNN-LSTM网络,在保持物理一致性的同时学习数据驱动修正。多模态输入包括地面测量、气象参数以及卫星衍生气溶胶和温度特征,通过联合融合以增强空间覆盖和时间保真度。混合预测结果进一步通过暴露健康指数与公共卫生指标相关联,在大气变率与呼吸系统结局之间建立定量桥梁。

本研究基于利雅得、吉达和达曼三个沙特阿拉伯主要城市的开源数据集,在多种气象条件下进行严格评估,证明了相较于纯物理基线和深度学习基线模型,该框架在预测准确性、稳健性和可解释性方面的提升,为可信赖的空气质量预报和数据驱动环境健康分析提供了可复现的开数据基础。

# 主要技术方法

研究用到的关键技术方法包括六个方面:基于高斯烟羽或平流-扩散方程的物理模块用于生成污染物扩散先验;残差CNN-LSTM架构用于学习数据驱动的非线性修正,其中卷积层提取空间相关性、LSTM层捕捉时序动态;多模态数据融合策略,在特征层面(早期融合)将地面传感器、气象、卫星及物理先验拼接为统一输入张量,在决策层面(后期融合)通过加权集成聚合各子模型预测;层次化融合机制结合上述两阶段优势;暴露健康指数模块基于WHO指南计算污染物加权暴露水平,并采用XGBoost梯度提升树回归模型建立暴露-健康关联;可解释性分析结合SHAP特征归因与卷积空间注意力可视化,同时采用敏感性测试和跨城迁移学习评估模型稳健性。数据来源包括KAPSARC开放数据门户和OpenAQ网络的地面污染物数据、Saudi Hourly Weather Dataset的气象数据、NASA MODIS MAIAC和Copernicus Sentinel-5P(TROPOMI)的卫星气溶胶光学厚度(AOD)与地表温度(LST)产品,以及WHO全球卫生观测站和Kaggle公共卫生统计的人口与健康指标。

# 研究结果

**模型性能评估**:通过比较物理模型、CNN-LSTM模型和混合框架的MAE、RMSE和R2指标,混合模型在所有污染物(PM2.5、PM10、NO2、SO2、CO、O3)上均实现最低MAE和RMSE,平均R2较独立CNN-LSTM提升15%–25%。时间预测结果显示,混合模型能准确复现2023年1月利雅得PM2.5的日变化和突发峰值,物理模型在静风期倾向于低估,纯深度学习模型则平滑短期波动,而混合框架有效融合两者优势。回归分析显示预测值与观测值斜率接近1,R2=0.97,表明模型在完整浓度域内保持了极cha近线性比例关系和物理一致性。配对t检验证实混合模型显著优于两个基线(p<0.05)。

**多模态融合策略消融实验**:评估四种融合配置(仅传感器输入、早期特征级融合、晚期决策级融合、层次化融合),结果显示层次化融合策略最佳,MAE降至6.7 μg/m3,R2达0.91,印证了结合特征交互与集成稳健性的价值。

**时空分析**:针对利雅得典型沙尘事件的空间预测对比表明,物理模型能再现总体下风向扩散格局但低估排放核心浓度;CNN-LSTM捕获空间变率更有效但浓度梯度略显弥散;混合模型准确解析市中心高浓度区同时保持沿西北-东南轴的真实烟羽扩展,验证了物理信息神经网络表示与神经学习结合对极端沙尘事件预报的有效性。

**模型稳健性与可迁移性**:将利雅得训练模型迁移至吉达和达曼,混合模型始终获得最高R2(>0.85)和最低MAE,确认了学习到的扩散和排放模式的有效迁移。敏感性分析中,关键气象输入扰动±10%后,混合模型MAE退化不足5%,而纯深度学习模型达15%,证明物理引导学习提升了基线精度和数据不确定性耐受度。

**可解释性与特征重要性**:SHAP分析表明风速、相对湿度和气溶胶光学深度为最具影响力预测因子,其次为温度、表面压力和物理先验PM2.5场,这与沙尘事件期间强风促进颗粒物输送、高湿加速聚集沉降的已知大气行为一致。空间注意力图显示高关注区集中于利雅得市中心及西北-东南输送走廊,与主导Shamal风流及主要排放热点吻合,证实模型捕获了具有物理意义的空间结构而非伪相关。

**季节与天气型评估**:混合框架在不同气象条件下保持一贯准确性:冬季稳定边界层和高湿条件下误差最低(MAE=7.1 μg/m3,R2=0.88);夏季对流制度下维持高保真度(R2=0.89);沙尘事件中通过风信息和卫星AOD特征将RMSE从20.3降至13.1 μg/m3;清洁空气日精度最佳(MAE=6.2 μg/m3,R2=0.90)。

**暴露健康相关性分析**:预测暴露健康指数与呼吸系统入院率的关联分析显示,利雅得相关性最强(R2=0.83),反映内陆城市中粉尘和交通相关颗粒物的优势;吉达略低(R2=0.80),归因于海洋气溶胶影响和海岸扩散;达曼相当(R2=0.82),与工业排放和湿润边界条件相关。非线性模式表明PM2.5暴露的短期呼吸敏感性,与既定流行病学证据一致。

# 讨论与结论总结

混合物理信息深度学习框架相对于传统方法同时提升了预测准确性和可解释性。混合配置将平均绝对误差降低约20%–30%,R2达0.85以上,优于物理模型和CNN-LSTM基线。通过整合基于扩散的先验并从多模态输入中学习非线性残差修正,模型在保持物理合理行为的同时适应复杂环境变率。可解释性分析表明风速、湿度和气溶胶光学深度为最具影响力预测因子,与大气输送和气溶胶形成过程一致。暴露健康分析进一步证实预测污染物变率与呼吸系统疾病指标之间存在强子的关联(R2=0.80–0.83),支持该框架用于环境健康评估的潜在价值。

研究人员也指出若干局限性:快速演变的大气事件(如强沙尘暴或突发排放峰值)期间预测精度可能下降;缺失或噪声传感器观测可能影响多模态输入可靠性并导致极端浓度轻微低估;物理模块依赖简化高斯烟羽公式,假设稳态条件和均匀湍流,可能无法充分捕捉密集城市环境中街谷环流、建筑诱导湍流或快速变化风场等复杂气流模式;暴露健康分析中的人口和健康指标存在空间聚合问题,目前为城市行政级别而非精细邻里尺度变异性。

未来研究方向包括:近实时部署、不确定性量化、区域尺度建模以支持适应性环境监测和早期预警应用;整合更高分辨率的城市扩散模型;纳入更精细分辨率的卫生和人口数据以改进预测暴露模式与局部人群风险的对齐;以及探索更复杂的物理约束嵌入方式。

研究结论表明:本研究开发并评估了一种混合物理信息深度学习框架,利用完全开源环境数据集进行空气质量与健康风险预测。该模型整合基于扩散的先验与包括气象、卫星和人口变量的多模态输入,以提升时空保真度和可解释性。在三个沙特阿拉伯城市中,所提出方法始终优于基线模型,PM2.5预测的平均绝对误差降低高达25%,R2值超过0.85。SHAP和注意力可视化的可解释性分析表明风速、湿度和气溶胶光学深度为优势驱动因素,与预期的输送和气溶胶行为一致。将预测污染物场与健康指标关联产生了利雅得、吉达和达曼之间强暴露-反应关联(R2=0.80–0.83),支持将大气变率与呼吸系统疾病信号相连接的潜力。总体而言,结果表明物理引导学习能够弥合确定性扩散结构与数据驱动推理之间的差距,利用开放数据产生准确且可解释的空气质量预报。未来工作将聚焦于近实时部署、不确定性量化和区域尺度建模,以支持适应性环境监测和早期预警应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号