《ACS ES&T Air》:A Machine Learning High-Resolution PM2.5 Forecast Model (SmartAQ2+) Fusing Chemical Transport Model Predictions and Low-Cost Sensor Measurements
编辑推荐:
研究人员引入了SmartAQ2+,这是一种数据融合模型,结合了基于化学传输模型(Chemical Transport Model, CTM)的系统(SmartAQ)、低成本PM2.5传感器和机器学习(Machine Learning, M
研究人员引入了SmartAQ2+,这是一种数据融合模型,结合了基于化学传输模型(Chemical Transport Model, CTM)的系统(SmartAQ)、低成本PM2.5传感器和机器学习(Machine Learning, ML),以改善城市区域的三天高分辨率PM2.5预报。该ML模型使用希腊帕特雷(Patras)2021–2023年的数据进行训练,并在同一城市使用2024年的数据进行评估。SmartAQ2+在季节、月和小时性能上均优于SmartAQ,其误差降低了一半。在帕特雷的31个监测站点中,SmartAQ2+在冬季和春季的21个站点、夏季的17个站点和秋季的22个站点达到了良好至优秀(分数误差≤50%)的月平均性能。对于欧盟日平均阈值25 μg m–3的超标情况,SmartAQ2+正确预测了54个超标日中的23天(43%)。其性能在提前一天和两天发布的预报中相似,但在48小时后下降了30%。将烹饪排放纳入SmartAQ并作为SmartAQ2+的单独输入特征,在高餐厅密度区域将日平均误差降低了30%。敏感性分析显示,模型在城市核心区对传感器的依赖最高,而在郊区对SmartAQ和静态空间特征的依赖增加。未经重新训练,该模型在雅典显示出空间可迁移性的初步证据。
研究人员开展这项研究前,空气污染预报主要依赖化学传输模型(Chemical Transport Model, CTM)和统计模型。CTM虽有物理化学基础,但受限于排放清单的不完整、过时或不确定,且继承气象预报的不确定性,导致精度偏差。统计模型依赖历史数据,缺乏物理理解,在条件超出历史范围时表现不佳。机器学习(Machine Learning, ML)模型虽能捕捉复杂非线性关系,但受数据质量制约,易过拟合且泛化性差,且忽略大气物理化学过程。为克服单一方法的局限,研究人员探索混合框架,融合CTM输出与观测数据。现有研究多基于稀疏的监管监测站,对低成本传感器网络的利用不足。因此,本研究提出SmartAQ2+,一种融合CTM系统SmartAQ、低成本PM
2.5传感器和ML的混合模型,旨在提供城市区域三天高分辨率(1×1 km
2)PM
2.5小时预报。该模型在希腊帕特雷市训练(2021–2023年)并评估(2024年),并初步测试在雅典的迁移性。论文发表在《ACS ES》。研究结论表明,SmartAQ2+相对SmartAQ显著降低了季节、月和小时误差(季节误差减半,偏差从+22%降至+5%),在超标日检测中正确预测43%的事件,且前两天的预报性能稳定,第三天下降约30%。加入烹饪排放信息可使高餐厅密度区域日平均误差降低30%。敏感性分析显示模型在市中心依赖传感器,郊区则依赖CTM和空间特征。未经重新训练,模型在雅典展示了良好的空间迁移性(月平均误差2 μg m
–3)。这些结果表明,融合低成本传感器的ML-CTM混合框架能有效改进城市尺度的PM
2.5预报,但需注意定期重新训练以应对排放和活动的变化。
关键技术方法:主要方法包括三部分:第一,基于PMCAMx的CTM系统SmartAQ提供3天小时PM
2.5预报,耦合排放模型(MEGAN、海洋算法、TNO清单)和气象模型WRF。第二,部署31个PurpleAir PA-II低成本传感器网络,提供帕特雷固定点位的PM
2.5观测(2021–2024年),经校准后使用。第三,ML模型采用编码器-解码器架构(LSTM + Bahdanau注意力),输入包括:过去3天的SmartAQ预报、传感器观测、气象(风速、风向、降水)和日历变量;未来3天的SmartAQ预报和气象;静态空间特征(土地利用、人口、烹饪与生物质燃烧排放、道路面积);以及过去同月的平均观测和SmartAQ预报。输出为未来72小时小时PM
2.5。模型按网格单元运行,并用SHAP分析特征重要性。性能评估指标包括平均误差(Mean Error, ME)、分数偏差(Fractional Bias, FBIAS)和分数误差(Fractional Error, FERROR)。
**3. 结果**
**3.1 模型在帕特雷的性能**
**3.1.1 预测平均季节和月模式的性能**:通过对比2024年各季节的月平均PM
2.5与传感器观测,发现冬季21/31站点达到优秀或良好(FERROR≤50%),市中心站点性能最佳,郊区站点(如Koukouli)高估约50%。春季和夏季超过半数站点优秀,FERROR约20%,部分郊区高估45%。秋季市中心优秀(FERROR=35%),郊区出现正偏(+20%)。月平均性能上,冬季城市区域PM
2.5较高(约18 μg m
–3),SmartAQ2+预测约17 μg m
–3(非城市FERROR 22%)。夏季城市浓度较低(约7 μg m
–3),部分站点低估(FERROR 45%)。
**3.1.2 预测PM
2.5日限值超标的性能**:基于2024年所有站点日平均浓度评估,共有54个超标日(>25 μg m
–3)。SmartAQ2+正确识别了23个(43%),漏报31个(57%),假阳性12个。漏报中15个发生在夏季,主要归因于帕特雷新港口的局部峰值(船舶和重型车辆排放),浓度27–42 μg m
–3,预测仅19–24 μg m
–3。假阳性多发生在观测浓度接近阈值(18–24 μg m
–3)时预测略高。对9个最污染站点(超标≥5天),SmartAQ2+正确识别64例(44%),假阳性56例。
**3.1.3 预测小时浓度的性能**:基于提前一天预报的小时值分析,冬季夜间高浓度(>30 μg m
–3)被低估(偏差-10 μg m
–3),低于30 μg m
–3时日间误差小(ME=3 μg m
–3)。春季小时浓度2–10 μg m
–3,模型表现良好(偏差<2.5 μg m
–3)。夏季低估约30%(ME=3.5 μg m
–3)。秋季FERROR<38%。2月最污染日的日变化显示,SmartAQ2+捕捉到傍晚生物质燃烧峰值,FERROR=35%,R
2=0.7。
**3.1.4 与SmartAQ比较**:SmartAQ2+的季节平均误差比SmartAQ平均降低50%,偏差从+22%降至+5%。例如冬季城市核心SmartAQ高估至22 μg m
–3,SmartAQ2+预测17 μg m
–3。超标检测方面,SmartAQ2+真阳性23个(SmartAQ为18个),假阳性12个(SmartAQ为31个)。在最污染站点,SmartAQ2+识别准确率44%(SmartAQ为16%)。
**3.1.5 烹饪排放对模型性能的影响**:以高烹饪排放站点Trion Navarchon和低排放站点Sinora为例,包含烹饪排放信息使Trion Navarchon的日平均误差降低30%(SmartAQ降低40%)。全市平均,SmartAQ2+误差降低15%。若烹饪排放缺失,预计高活动站点误差增加30%,全市平均下降15%。
**3.1.6 不同预报提前期的模型性能**:冬季,SmartAQ2+的日平均FERROR从第1天的40%升至第2天41%、第3天43%;城市核心ME增加2–3 μg m
–3,郊区基本不变。夏季平均FERROR从39%升至40%。超标检测方面,第2天真阳性23个(与第1天相同),第3天降至15个(恶化35%)。
**3.2 模型在雅典的性能**:在雅典的试点评估(2025年9月,6个站点)中,SmartAQ2+(未经重新训练)在Thiseio、Haidari、Petroupoli、Vrilissia四个站点性能优秀,在Pagkrati和Piraeus两个站点良好。日均浓度预测的平均ME为2 μg m
–3(41%),MB为0.3 μg m
–3(7%),市中心预测浓度10–12 μg m
–3,郊区5–8 μg m
–3,与传感器观测一致。
**3.3 特征重要性**:SHAP分析显示,传感器输入的重要性在城市核心和内部郊区最高(21–32%),外部郊区和背景站点下降(9–16%)。未来3天的SmartAQ预报重要性始终高于过去3天的预报。土地利用和排放的重要性在传感器覆盖区为16–20%,在边缘/背景区为20–28%。日历变量(月、工作日、小时)的重要性夏季约10%,冬季升至约17%(成为第二强预测因子,可能与生物质燃烧的季节性有关)。
**4. 讨论与结论**:SmartAQ2+通过融合CTM预报和低成本传感器观测,显著改善了城市高分辨率PM
2.5预报,但其本质上是修正了CTM中排放清单和气象预报偏差的影响,而非根本原因。传感器贡献在市中心最大,模型在传感器稀疏区依赖CTM和空间特征,这是期望的行为。烹饪排放信息的加入有效降低了局部误差,但若缺失则性能下降。尽管模型在雅典展示了空间迁移性的初步证据,但需更多城市和更长时段的验证。未来应定期重新训练以保持可靠性,并扩展至源解析(如PSAT)的直接校正。与Transformer等其他架构的比较是值得研究的方向。总体而言,SmartAQ2+证明了一种可行的低成本传感器与CTM融合策略,为城市空气质量预报提供了实用工具。