基于激光雷达垂直观测网络与机器学习模型的2022年北京冬奥会期间PM2.5三维时空分布重构研究

《Environment International》：Constructing the 3D spatial distribution of PM 2.5 concentrations during the 2022 Beijing Winter Olympics using LiDAR vertical observation networks and machine learning models

本研究针对京津冀及周边地区PM2.5三维分布与传输机制的科学难题，通过融合34个激光雷达站点垂直观测数据与六种机器学习模型，创新性地构建了高精度三维PM2.5浓度反演框架。研究发现CNN-BiLSTM模型表现最优（R2=0.924），成功揭示了冬奥会期间不同阶段的污染层结特征和跨区域传输路径，为重大活动空气质量保障提供了关键技术支撑。

　　

当全球范围内PM_2.5污染持续成为严峻的环境与公共健康挑战时，中国通过严格的排放控制措施实现了空气质量显著改善。然而，在京津冀及周边地区，复杂地形和强烈垂直分层主导的污染过程仍频繁发生，特别是区域传输导致的重污染事件成为当前研究的重点难点。传统化学传输模型（CTM）存在参数化不确定、二次气溶胶化学机制不完善等局限，导致模拟结果与观测存在30%-60%的偏差。尽管数据同化方法能部分改善模拟效果，但仍受站点覆盖稀疏、计算成本高昂等限制。在这一背景下，2022年北京冬奥会期间实施的严格排放控制措施，为研究极端控制情景下污染物三维分布和传输机制提供了独特契机。

研究人员创新性地将34个激光雷达站点组成的垂直观测网络与多源数据相结合，系统比较了六种机器学习模型在PM_2.5三维反演中的表现。研究发现，CNN-BiLSTM模型凭借其捕捉时空依赖关系的双重能力，在各项指标上均表现最优（R²=0.924，RMSE=6.805 μg/m³，MAE=4.640 μg/m³）。基于模型反演结果，研究揭示了冬奥会不同阶段的独特PM_2.5分布模式：赛事前期污染物主要集中在北京以南地区1公里高度的大气上层（浓度约180 μg/m³），赛事期间北京和天津出现近地面污染峰值，而赛后阶段在持续北风作用下污染物整体南移。通过传输通量强度（TFI）分析，量化了关键污染路径的时空变化特征，为区域联防联控提供了科学依据。这项发表于《Environment International》的研究，不仅证明了深度学习在PM_2.5反演中的重要作用，更重要的是揭示了显著的跨区域污染传输动态，为区域空气质量精细化管理提供了新视角。

关键技术方法主要包括：构建34个激光雷达站点组成的垂直观测网络，采用Fernald反演方法获取气溶胶消光系数；利用WRF-4.2.2模型模拟气象场，通过站点特异性线性回归将消光系数转换为PM_2.5垂直浓度；系统比较XGBoost、随机森林、LightGBM、RNN、CNN-RNN和CNN-BiLSTM六种机器学习模型性能；采用10折交叉验证、空间泛化验证和时间泛化验证三种策略评估模型鲁棒性；基于最优模型重构5公里×5公里分辨率的三维PM_2.5浓度场；通过SHAP分析解析特征重要性，采用传输通量计算方法量化区域输送强度。

3.1. 激光雷达网络观测的PM_2.5垂直分布

通过站点特异性线性回归建立了气溶胶消光系数与地表PM_2.5浓度的定量关系（平均相关系数R=0.72±0.16），发现冬季京津冀地区污染事件中PM_2.5可延伸至1.5公里高度，边界层动力学在垂直分布中起关键作用。

3.2. 最优AI模型的泛化评估

CNN-BiLSTM模型在空间泛化验证中R²达0.806，时间泛化验证中R²为0.716，表现出优异的时空外推能力。SHAP分析表明地表压力、位势高度和相对湿度是影响PM_2.5反演的最重要变量。

3.3. PM_2.5浓度的动态三维演化

三维反演结果清晰展示了不同奥运阶段的污染层结特征：赛事前期污染主要集中在研究区以东2公里以下大气，赛事期间北京天津出现近地面污染峰值，赛后阶段污染物在持续北风作用下向南扩散。

3.4. PM_2.5区域传输的量化分析

传输通量分析显示，赛事前期北京地区TFI峰值达3.2×10⁵ μg·m^-1·s^-1，赛事期间升至3.8×10⁵ μg·m^-1·s^-1，赛后阶段进一步增至7.8×10⁵ μg·m^-1·s^-1，揭示了东南-西南方向的输送路径振荡现象。

研究结论表明，深度学习模型特别是CNN-BiLSTM在三维PM_2.5反演中显著优于传统化学传输模型。通过与WRF-Chem模型对比验证，发现CNN-BiLSTM在750米高度R²达到0.845，而数据同化后的WRF-Chem仅为0.690。这种优势在边界层内（0-1500米）尤为明显，反映了数据驱动方法能更好地捕捉边界层过程与近地面源影响的经验映射关系。

讨论部分指出，观测网络密度敏感性分析显示，当站点数量从10个增加至30个时，模型R²从0.82提升至0.91，表明约30个站点可能是当前配置下的有效投资阈值。对于监测网络稀疏地区，建议通过融合卫星AOD（气溶胶光学厚度）、再分析边界层高度等补充数据来提升反演效果。该研究重建的海拔分辨PM_2.5场为污染预警系统提供了可操作信息，能有效区分本地生成污染与高空输送污染，指导更有针对性的区域协调措施。传输通量诊断可识别主要贡献区域和影响时段，为"2+26"城市联合控制策略的优化提供科学依据。

这项研究的创新性在于首次将多源观测与深度学习相结合，系统重构了重大活动期间PM_2.5的三维时空演变，不仅方法学上推动了AI在环境领域的应用，更重要的是为理解污染物的垂直结构和跨区域传输机制提供了新的视角，对完善区域空气质量管理系统具有重要的理论和实践意义。