《Land》:Integrating Long-Term Mobile Measurements with Geospatial Modeling for On-Road PM2.5 Assessment in Hong Kong
编辑推荐:
固定监测网络能够刻画城市PM2.5的长期趋势,但无法解析各条道路与交通走廊之间的浓度差异。本研究开发并评估了一个两阶段框架,整合长期移动监测与卫星辅助地理空间建模,以30米分辨率估算香港2018–2025年道路PM2.5浓度。第一阶段采用TOA-LUR-GTW
固定监测网络能够刻画城市PM2.5的长期趋势,但无法解析各条道路与交通走廊之间的浓度差异。本研究开发并评估了一个两阶段框架,整合长期移动监测与卫星辅助地理空间建模,以30米分辨率估算香港2018–2025年道路PM2.5浓度。第一阶段采用TOA-LUR-GTWR模型,利用监管观测数据、Landsat 8/9与Sentinel-2大气层顶(TOA)反射率、气象数据及地理预测变量。经过质量控制后的AirCasting测量数据与道路匹配,并聚合为1184条道路-日期观测记录。移动监测与基准估计之间的残差采用轻量梯度提升机(LightGBM)进行建模,并在留出道路及独立的路边监管观测数据上进行评估。移动信息修正估计(即利用移动观测学习到的残差对基准估计进行调整)将R2从0.73提升至0.85,均方根误差(RMSE)从12.31 μg/m3降至9.02 μg/m3,平均绝对误差(MAE)从8.68 μg/m3降至6.42 μg/m3。主干道路密度、天空开阔因子(SVF)、风速、绿色景观指数(GVI)及建成区密度是残差的主要预测变量。年际浓度自2018年后总体下降,但道路层面的差异仍然持续存在。上述结果表明,长期移动监测能够捕捉卫星辅助基准估计无法解析的道路尺度PM2.5变异,并将精细尺度估算扩展到未直接采样的路线。
一、研究背景与问题
城市PM2.5浓度在短于固定监测站点间距的距离内可发生显著变化,尤其靠近主要道路和交通排放源附近。建筑布局、街道峡谷几何形态及通风条件会进一步改变道路环境中的局地扩散与污染物累积过程。这种空间变异性与城市规划及环境管理密切相关,因为交通走廊、步行路线、路边植被及街道更新项目均以远细于常规监测网络的空间尺度进行规划。固定站点观测对刻画PM2.5长期状况至关重要,但其空间分布限制了不同道路和城市微环境之间的比较。卫星观测为城市PM2.5监测提供了重要的空间维度,早期方法多结合气溶胶光学厚度(AOD)与气象和土地利用变量进行估算,近年研究则直接将大气层顶(TOA)反射率纳入统计和机器学习模型。然而,更精细的空间分辨率并不必然意味着卫星辅助模型能够解析单个道路环境内部的状况。移动监测因直接在城市街道环境和交通走廊内采集数据而提供互补信息,但移动测量集中于已行驶路线和特定观测时段,缺乏空间均衡的采样设计。因此,其价值更可能在于识别与空间连续背景估计之间的局地偏差,而非替代固定站点或卫星观测。
二、研究内容与结论
研究人员针对上述问题,在香港开展了一项整合长期移动监测与卫星辅助地理空间建模的研究,旨在检验移动测量能否改善道路尺度PM2.5变异的表征能力。研究构建了两阶段框架:第一阶段采用TOA-LUR-GTWR模型,基于固定站点观测、卫星、气象和地理预测变量生成卫星辅助基准估计;第二阶段利用质量控制后的AirCasting移动观测与基准估计的残差,采用轻量梯度提升机(LightGBM)建模,并将预测残差加回基准估计得到移动信息修正的最终估计。研究覆盖2018–2025年,保留365个有效卫星观测日期。在道路分组留出验证中,移动信息修正估计将R2从0.73提升至0.85,RMSE从12.31 μg/m3降至9.02 μg/m3,MAE从8.68 μg/m3降至6.42 μg/m3。独立的路边监管观测验证同样显示RMSE和MAE降低约13%。SHAP分析识别出主干道路密度、天空开阔因子(SVF)、风速、绿色景观指数(GVI)和建成区密度为残差的主要预测变量。空间分布显示年际浓度自2018年后总体下降,但道路层面的差异持续存在,湾仔、屯门和元朗在2025年仍为浓度较高区域。该研究的重要意义在于证明长期移动监测能够捕捉卫星辅助基准估计无法解析的道路尺度PM2.5变异,并将精细尺度估算扩展到未直接采样的路线,为街道和路线层面的城市规划提供空间信息基础。
三、主要技术方法
研究采用两阶段建模框架。第一阶段为TOA-LUR-GTWR模型,以香港空气质素监测网络2018–2025年固定站点PM2.5观测为响应变量,结合Landsat 8/9和Sentinel-2的TOA反射率、GEOS-FP气象数据及土地利用、道路环境、排放源和地形等地理预测变量,通过ADDRESS策略选择缓冲区尺度,采用前向逐步回归和贝叶斯信息准则(BIC)确定预测变量集,利用地理时空加权回归(GTWR)处理空间和时间的非平稳性。第二阶段采用LightGBM对移动观测与基准估计之间的残差进行建模,预测变量包括道路环境、街道植被、城市形态、气象、土地利用、地形和排放相关特征,超参数通过道路分组交叉验证选择。移动观测数据来自AirCasting平台,包含AirBeam2和AirBeam3设备,经质量控制后按道路段和观测日期聚合为1184条道路-日期观测记录。模型验证采用留一站交叉验证(LOSO-CV)和道路分组留出验证,并以湾仔、中环和旺角的路边监管观测进行独立评估。
四、研究结果
PM2.5观测覆盖与年际变化:监管站点覆盖主要市区和新市镇但空间分散,AirCasting测量在道路间提供更密集覆盖,集中于九龙地区并延伸至新界多处。监管PM2.5浓度在研究期间总体下降,年际中位数从2018年约19 μg/m3降至2022年约12–13 μg/m3并保持稳定;AirCasting观测年际波动更大,2019年中位数高于监管约10 μg/m3,2023年则低约6–7 μg/m3。
卫星辅助基准模型验证:TOA-LUR-GTWR模型在留一站交叉验证中取得R2为0.75,RMSE为5.41 μg/m3,MAE为3.99 μg/m3,平均偏差为?0.15 μg/m3。
移动信息残差修正的改进与解释:在道路分组留出验证中,卫星辅助基准估计的R2为0.73,RMSE为12.31 μg/m3,MAE为8.68 μg/m3;移动信息修正后R2提升至0.85,RMSE和MAE分别降低26.7%和26.0%。在独立的路边监管观测验证中,移动信息修正估计的R2从0.70提升至0.77,RMSE和MAE降低约13%。SHAP分析显示,主干道路密度、SVF、风速、GVI和建成区密度是残差的主要预测变量,其中主干道路密度和建成区密度与正向残差修正相关,SVF、风速和GVI与负向修正相关。
最终道路PM2.5估计的空间格局:年际平均道路PM2.5估计在2018年范围为13.85–32.27 μg/m3,2021年为11.73–25.78 μg/m3,2025年为9.85–23.94 μg/m3。区级汇总显示2018年湾仔、屯门和油尖旺浓度最高,西贡和南区最低;2025年湾仔和屯门仍为较高区域,但各区差异幅度从2018年的13.3 μg/m3缩小至2025年的7.9 μg/m3。
五、讨论与结论
讨论部分指出,长期移动观测用于表征卫星辅助PM2.5估算后的道路尺度残差变异,在道路分组留出验证中取得R2为0.85和RMSE为9.02 μg/m3,与近期移动PM2.5研究结果处于可比范围。研究设计在三个方面存在差异:在排除于残差模型训练的道路上进行验证、30米分辨率估算以及预测超出移动传感器直接采样的路线。空间分布显示道路PM2.5随时间变化而非遵循稳定的城市核心-外围梯度,总体浓度下降后道路环境间的差异仍然存在,西新界部分区域持续偏高。30米道路PM2.5估计为街道和路线层面的城市规划提供了空间基础,可支持健康路线规划等应用。局限性包括移动采样强度不均、设备间差异和光学传感器湿度敏感性、时间覆盖受卫星观测可用性限制,以及残差模型的关联性而非因果性解释。
研究结论部分指出,精细尺度城市PM2.5估算需要空间连续的浓度信息同时保留各道路环境间的变异。研究开发了两阶段框架,TOA-LUR-GTWR模型从监管、卫星、气象和地理信息中估计更广泛的时空PM2.5模式,长期移动观测结合LightGBM建模道路尺度残差变异。在道路分组留出验证中,移动信息修正估计将R2从0.73提升至0.85,RMSE从12.31降至9.02 μg/m3,MAE从8.68降至6.42 μg/m3,分别降低26.7%和26.0%。结果表明移动观测能提供卫星辅助基准估计未捕获的道路尺度变异信息,并允许预测超出直接采样路线。所得30米估计为路线级环境评估和识别低浓度替代路线提供空间信息。2025年湾仔、屯门和元朗的区级浓度仍相对较高。对估计结果的解读应考虑移动采样不均、设备间和湿度相关差异、限于上午卫星支持时段的条件,以及残差预测变量的关联性而非因果性解释。未来工作应改善空间和时间覆盖、加强跨设备可比性,并纳入交通、排放和流动性信息以改进道路尺度PM2.5变异的解释。