bevictor伟德官网2024年2月22日電（通訊員 溫轶凡）近日，bevictor伟德官网張少君課題組與斯坦福大學Yuan Wang（王元）課題組合作開發了基于動态交通大數據和機器學習算法的特大城市大氣污染濃度高分辨率預測方法，并對美國洛杉矶地區不同社會族群空氣污染暴露的環境公平性開展了深入研究。該研究以美國洛杉矶地區為對象，開發了一種基于機器學習的高分辨率空氣質量模拟方法，實現了美國洛杉矶地區連續整年的公裡-小時級空氣質量動态模拟，揭示了美國洛杉矶地區不同人種和收入群體污染物暴露的不公性。研究首次将動态交通數據引入基于機器學習的空氣質量模拟方法中，并揭示了其在優化城市空氣質量時空分布特征的重要作用，進而能夠更準确評估社區層面人口污染暴露差異及環境公平性。研究成果入選《環境科學與技術》（Environmental Science & Technology）期刊補充封面文章（Supplementary Cover，見圖1）。

圖1 研究成果入選《環境科學與技術》（Environmental Science & Technology）補充封面

空氣污染在全球特大城市中造成了重要的公共健康威脅。對于洛杉矶這樣的特大城市，其污染源、人群和社群分布存在顯著的空間差異，不同族裔、收入群體的空氣污染暴露水平也并不相同。因此，空氣污染暴露的環境公平性成為研究的焦點。受實驗資源、數據準備及計算效率的制約，僅僅依靠實際觀測或物理/化學傳輸模型難以實現特大城市空間範圍下街區尺度空氣污染暴露高精度、持續性的動态評估。數據驅動的地理統計模型大多停留在利用靜态路網分布代表交通排放特征的層面，缺乏對交通活動高度流動性和時空特異性的考慮。因此，亟需耦合機器學習方法和動态交通流數據構建城市人群空氣污染暴露精細化評估方法，以充分體現道路交通對人群暴露空間異質性的影響。

針對上述難題，研究團隊開發了一種融合動态交通數據的機器學習方法，實現了美國洛杉矶地區連續一整年公裡級空氣質量逐時模拟。研究發現，在模型中引入真實動态交通數據使二氧化氮（NO₂）、日最大8小時平均臭氧（MDA8 O₃）和細顆粒物（PM_2.5）模拟的空間保真度分别提高了47%、4%和15%。該方法成功捕獲了由于交通活動導緻的PM_2.5濃度超标的情況，并提供了一個“超标地圖”工具，以識别高污染社區内的暴露差異。相比之下，沒有引入實際動态交通數據的模型缺乏捕捉交通引起的暴露差異的能力，并且嚴重低估了居民對PM_2.5的暴露。對于有色人種和低收入群體這樣的弱勢社區，這種PM_2.5暴露濃度低估更為嚴重。本文揭示了将實時交通數據納入社區尺度污染物暴露差異及環境不公性評估的重要性。

圖2 引入動态交通數據前後PM_2.5濃度及不同種族/族裔暴露情況模拟結果對比

相關研究成果以《機器學習空氣質量模拟中引入動态交通數據改善了環境正義評估》（Dynamic Traffic Data in Machine-Learning Air Quality Mapping Improves Environmental Justice Assessment）為題在線發表在《環境科學與技術》（Environmental Science & Technology）上，并入選補充封面。論文第一作者為bevictor伟德官网博士後溫轶凡。論文通訊作者為bevictor伟德官网張少君副教授與斯坦福大學王元助理教授。研究得到了國家重點研發計劃、國家自然科學基金、博士後創新人才支持計劃和bevictor伟德官网“水木學者”計劃等項目的資助。

論文鍊接：https://pubs.acs.org/doi/10.1021/acs.est.3c07545