基于机器学习的时空建模与工业城市中多环芳烃及金属的健康风险评估

《Atmospheric Environment》:Machine learning-based spatiotemporal modeling and health risk assessment of PAHs and metals in an industrial city

【字体: 大 中 小 】 时间:2026年07月06日 来源:Atmospheric Environment 3.8

编辑推荐:

  朱正泰|李相镇|赵寅圭|崔志允|金泰奎|崔成德韩国蔚山44919,蔚山国立科学技术院(UNIST)土木、城市、地球与环境工程系摘要要准确评估有害空气污染物带来的健康风险并采取有效管理措施,就需要高分辨率的时空监测数据。然而,由于实际监测方面的限制,获取足够高时空分辨率的HAP数据

  
朱正泰|李相镇|赵寅圭|崔志允|金泰奎|崔成德
韩国蔚山44919,蔚山国立科学技术院(UNIST)土木、城市、地球与环境工程系

摘要

要准确评估有害空气污染物带来的健康风险并采取有效管理措施,就需要高分辨率的时空监测数据。然而,由于实际监测方面的限制,获取足够高时空分辨率的HAP数据仍面临挑战。为此,本研究采用机器学习方法,利用标准空气污染物数据与气象数据来估算多环芳烃和金属的浓度。研究人员以韩国浦项的月度观测数据为训练集和验证集,构建并测试了随机森林模型。这些模型表现出良好的性能,能够有效捕捉季节性和空间性变化规律。多环芳烃浓度在冬季会因燃烧源而上升,而金属浓度则全年相对稳定。靠近大型钢铁厂的区域多环芳烃浓度较高,这可能是工业排放、交通污染以及家庭取暖等多种因素共同作用的结果。铬和镍的浓度也较高,很可能是二次钢铁生产所致。根据年平均浓度估算的癌症风险,多环芳烃的风险范围为1.64×10?7至2.11×10?7,而金属的风险则为6.51×10?6至1.18×10?5,工业区域的风险值最高。通过蒙特卡洛模拟得出的第5–95百分位风险范围分别为:多环芳烃为4.74×10?8至6.20×10?7,金属为3.79×10?6至3.88×10?5。基于人口权重风险分布图显示,中心居民区的老年人群体暴露程度更高。这一方法框架可应用于其他拥有本地监测数据的城市,有助于基于风险开展空气质量管理和公共卫生规划。

引言

有害空气污染物因其可能对人类健康造成的危害,包括引发癌症及其他不良后果,而成为亟需关注的环境问题(美国环保局,2022b;世界卫生组织,2020)。在各类有害空气污染物中,多环芳烃以及与颗粒物相关的金属因其毒性而尤为突出。某些多环芳烃,如苯并[a]芘,已被列为致癌物,且会干扰人体内分泌功能(美国环保局,2022a)。铅、铬、镉、砷等有毒金属则可通过多种途径影响人体的神经系统、心血管系统及免疫系统(Rahman和Singh,2019)。
标准空气污染物,如PM10、PM2.5、SO2、NO2、CO和O3,会在空气质量监测站定期被检测。不过,大多数监测站仅能监测标准空气污染物,而有害空气污染物仅在少数监测站或专门站点才会被检测。以韩国为例,截至2023年,全国共有525个空气质量监测站,但其中仅有62个和77个监测站分别负责检测多环芳烃和金属。在美国,国家空气毒性趋势监测网络虽能长期监测有害空气污染物,但其覆盖范围远小于全国性的空气质量监测网络——该网络仅在全国范围内设有27个监测点,而空气质量监测站则有大约5000个(美国环保局,2017)。如此有限的监测覆盖范围,给评估有害空气污染物的分布及其相关健康风险带来了困难,尤其是在工业区及高暴露区域。
因此,提升有害空气污染物监测数据的空间分辨率,对于明确污染源与受影响区域的关联至关重要(Choi等人,2012;Nguyen等人,2020)。不过,与主要依靠自动监测系统检测的标准空气污染物不同,多个监测点上的多环芳烃和金属浓度仍多通过人工采样和实验室分析来测定。在工业城市,这种监测方式的问题更为突出,因为那里的污染源高度集中,而居民区往往位于工业设施附近。在这样的环境中,就需要高空间分辨率的估算方法,才能准确掌握污染浓度梯度,识别出受工业排放影响的区域。为解决这些问题,机器学习方法逐渐成为有效的替代方案。例如,已有研究利用机器学习模型,结合标准空气污染物数据与气象参数,来估算大气中的金属浓度(Li等人,2020)。还有研究通过深度学习模型,整合遥感数据、工业排放数据以及气象参数,成功估算出了多环芳烃的浓度(Zhao等人,2019)。在污染源集中的工业城市,有害空气污染物浓度通常与标准空气污染物浓度及气象条件密切相关(Choi等人,2007;Youn等人,2024)。这些研究结果表明,利用标准空气污染物数据与气象数据,有望估算出有害空气污染物的浓度及其空间分布。尽管如此,目前针对有害空气污染物空间分布及其相关健康风险的预测研究仍然较少。
在韩国,多环芳烃的大气浓度及其对人类健康的影响一直是人们关注的重点(Baek等人,2020;Youn等人,2024)。根据韩国国家空气排放清单与研究中心开发的清洁空气政策支持系统的数据,作为工业城市的浦项,其PM2.5排放量在韩国各城市中位居首位。此前有研究调查过浦项的有害空气污染物污染情况,发现钢铁工业区附近的污染物浓度较高,且工业区和居民区的癌症风险都超出了安全阈值(10?6)(Baek等人,2020)。不过,这些估算结果可能偏高,因为它们是基于职业单位风险因子以及一种未考虑实际暴露情况的简化方法得出的。具体而言,之前的研究是通过将实测浓度直接乘以单位风险值来计算癌症风险的,没有考虑居民区的暴露情况,也没有进行概率不确定性分析。此外,该研究的监测范围仅限于4个监测点,且采用每周采样一次的方式,因此需要更高分辨率的时空监测数据。尤其需要重点评估工业排放对居民健康的影响(Nguyen等人,2020)。
本研究旨在估算浦项地区多环芳烃和金属的浓度及其相关的癌症风险,同时找出风险较高区域与人口密度较高的区域的重叠地带。研究通过标准空气污染物浓度、气象数据以及现有的有害空气污染物监测数据,来估算这些物质在空气质量监测站处的浓度。随后,研究采用了专门的验证方法来评估模型的性能,包括检验其时间通用性,以及在有多个监测站的情况下,通过月度汇总数据来检验其空间通用性。最后,根据估算出的多环芳烃和金属浓度来评估癌症风险,并分析它们的空间分布情况。

章节节选

研究区域与数据收集

庆北健康与环境研究院在浦项设置了10个用于监测标准空气污染物的空气质量监测站,分别是三公丹站、大堤站、大城站、松岛站、梧川站、长良站、长兴站、青林站、延日站以及载澈站(见图1)。其中,7个监测站位于居民区,另外3个则位于工业区。不过,除了长良站之外,所有位于居民区的监测站

模型性能评估

研究通过均方根误差、归一化平均绝对百分比误差以及决定系数等指标,来评估随机森林模型在估算多环芳烃(Σ7 PAHs和TEQBaP)以及8种金属(铁、锰、铅、铜、铬、镍、砷和镉)浓度方面的性能(见图2)。由于随机分割法可能会受到时间序列相关性的影响,因此还采用了时间顺序验证法、LOMO-CV、LOYO-CV和LOSO-CV等方法,通过月度汇总数据来进一步评估模型的通用性(见表S4)。由于每日预测数据无法独立进行验证,因此

结论

本研究开发了一种基于机器学习的方法,利用标准空气污染物浓度与气象数据,来估算工业城市中多环芳烃和金属的空间分布及其对应的癌症风险。该模型表现良好,尤其是对于TEQBaP和砷的浓度估算,能够精准反映时空变化规律。时空分析结果显示,工业区附近的污染浓度较高,这充分体现了工业排放的负面影响。
多环芳烃浓度在

CRediT作者贡献说明

朱正泰:数据整理、方法设计、初稿撰写。李相镇:数据分析、论文审阅与修改。赵寅圭:数据分析。崔志允:项目管理工作。金泰奎:项目管理工作。崔成德:项目管理工作、监督指导以及论文审阅与修改。

利益冲突声明

所有作者声明,他们不存在任何可能影响本研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了韩国环境部资助的国家环境研究院(NIER)的科研经费支持(项目编号:NIER-2022-01-02-099)。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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