使用时空CNN-Transformer-KAN模型进行的高分辨率PM2.5每日地图绘制

PM2.5浓度估计研究提出融合CNN、Transformer和KAN的混合模型CTKNet，利用高分辨率AOD及气象、地形等多源数据实现中国2015-2020年每日1km格网PM2.5精细化反演，模型精度显著优于传统统计和深度学习方法，并揭示污染物在冬季、北方及城市群集中区域的时空分布特征，为空气质量评估提供新工具。

　　
本文聚焦于中国大气PM2.5污染的高分辨率动态监测与建模研究，通过整合多源遥感数据与气象参数，构建了CNN-Transformer-KAN（CTKNet）混合深度学习模型，实现了2015-2020年间中国1公里网格分辨率下每日PM2.5浓度的精准反演。研究创新性地将卷积神经网络（CNN）的空间特征提取能力、Transformer的时序依赖建模优势与Kolmogorov-Arnold网络（KAN）的非线性映射特性相结合，有效解决了传统模型在复杂空间分布、长期时间依赖及高维特征关联中的局限性。

在数据构建方面，研究创新性地融合了：
1. 国家环境监测网络2,024个地面站点2015-2020年的逐时PM2.5观测数据
2. 长期连续的1公里日分辨率AOD数据集（LGHAP）
3. Era5再分析数据提供的气象参数（温度、湿度、风速等）
4. SRTM数字高程模型（DEM）、Landsat土地覆盖（LC）及NOAA NDVI植被指数
5. LandScan人口分布数据
通过空间对齐与插值算法，将不同分辨率的数据统一转换为1公里×1公里网格的标准化格式，并采用双线性插值处理时间维度差异，最终构建包含12类环境参数的异构多源数据矩阵。

模型架构突破传统深度学习框架：
1. **CNN模块**：采用三阶段卷积结构（1D卷积+空间注意力机制+通道注意力机制），通过特征金字塔逐步提取10-90公里尺度的空间特征。特别设计了可移动卷积核（Convolutional Attention Module, CAM），可根据区域污染特征动态调整空间权重，在长江三角洲等高密度城区实现了23%的精度提升。

2. **Transformer模块**：引入相对位置编码（RPE）替代传统绝对位置编码，在处理气象参数时实现了12-72小时跨步依赖建模。通过双注意力机制（内容相似度注意力+相对位置注意力），有效捕捉了冬季静稳天气下污染物累积的延迟效应，使北京-天津-河北地区的冬季预测误差降低至18.7%。

3. **KAN模块**：基于Kolmogorov-Arnold分解定理，构建了五层非线性映射网络。通过参数化样条函数实现：
- 界面层（0-3km）温度梯度补偿
- 中间层（3-10km）风速-污染物扩散耦合
- 外层（>10km）地形阻隔效应建模
该模块使PM2.5浓度反演的非线性误差从传统MLP的12.3%降至8.1%，在黄土高原等复杂地形区的表现尤为突出。

方法学上构建了三级验证体系：
1. **样本验证**：采用70:30训练-验证划分，通过SHAP值分析发现AOD（贡献度32%）、温度（-28%）、地表辐射（18%）构成核心特征组
2. **空间验证**：将2,024个监测站点按地理分布划分为东中西三大区域，验证模型在跨区域迁移中的稳定性
3. **时间验证**：采用滚动时间窗法（2015-2018训练/2019-2020验证），结果显示模型在污染趋势反转年份（如2019年秋冬季）仍保持92%的R2值

研究揭示了中国PM2.5污染的三大时空特征：
1. **空间异质性**：以Hu Huanyong Line为界，东侧浓度均值（41.2μg/m3）是西侧（28.7μg/m3）的1.43倍。五大城市群中，北京-天津-河北（BTH）区域PM2.5峰值达84.5μg/m3，而珠三角（PRD）仅32.1μg/m3
2. **季节极性**：冬季浓度均值（58.3μg/m3）是夏季（28.9μg/m3）的2.01倍。在长三角地区，冬夏浓度差可达65μg/m3，且与边界层高度（BLH）呈显著负相关（r=-0.76）
3. **时间演变**：2015-2020年间，全国PM2.5年均浓度下降19.3%，但中西部山区降幅仅为8.2%，显示政策干预存在区域差异

模型性能突破传统方法：
- 样本验证集R2达0.95（RMSE=8.13μg/m3），较Bai等（2022）的RF模型提升32%精度
- 空间验证显示，在未安装监测站的新疆塔里木盆地，模型预测误差（MAE=14.2μg/m3）较传统插值法降低57%
- 时间验证中，2020年模型表现（R2=0.94）显著优于单独训练的年度模型（2019年平均R2=0.89）

创新性应用与成果：
1. **多源数据融合**：首次将LGHAP AOD与地面观测数据、卫星过顶角参数进行联合建模，解决了MODIS等卫星数据在云覆盖区（年均云量>60%）的反演失真问题
2. **动态特征选择**：基于VIF（方差膨胀因子）构建的自动特征筛选机制，在保留AOD、NDVI、POP等12个核心变量基础上，剔除与SP（地表压力）高度相关的DEM（VIF=37.17）等冗余参数
3. **物理可解释性**：通过SHAP值分析发现，冬季污染事件中：
- 逆温层（BLH<500m）贡献度达41%
- 灰霾事件中AOD与PM2.5的浓度比稳定在1.2-1.5区间
- 气溶胶光学厚度每增加0.1单位，PM2.5浓度上升约2.3μg/m3（95%置信区间）

研究实践价值：
1. **污染溯源**：在京津冀地区识别出工业排放（贡献度38%）、燃煤（27%）、机动车（19%）三大主导源，与地面监测数据吻合度达89%
2. **政策评估**：对比2015-2018年与2018-2020年数据，发现钢铁行业超低排放改造使PM2.5浓度下降14.6%（β=0.23，p<0.01）
3. **健康预警**：结合人口分布数据，在长三角地区建立了个案归因模型（PAI），预测暴露组（PM2.5>75μg/m3）人群呼吸系统疾病发病率年增2.3%

局限性及改进方向：
1. **地形敏感区域**：云贵高原地区因卫星过顶角偏移（平均>55°），AOD-PM2.5转换系数波动达±18%
2. **新兴污染物**：现有模型对臭氧前体物（VOCs、NOx）的敏感性分析不足，需补充化学传输模型（CTM）输出作为辅助输入
3. **数据时效性**：2020年后NOAA NDVI数据分辨率降至16公里，建议接入Sentinel-2时序数据（10米×10米）

本研究为《国家大气污染防治行动计划》的持续优化提供了关键数据支撑，特别是在识别PM2.5-PM10转化率（冬季达0.68）与环境因子耦合机制方面，为制定差异化管控策略提供了科学依据。研究方法已应用于"十四五"大气污染防治规划模拟，显示出良好的工程适用性。