基于RF-CNN级联模型的斯里兰卡PM2.5 浓度时空预测：低污染地区卫星遥感与低成本传感器融合新策略

针对斯里兰卡PM2.5 监测数据稀缺问题，研究人员创新性提出RF-CNN级联模型，结合PlanetScope卫星影像（3m/像素）与24个低成本传感器数据，通过KNN填补缺失值，实现日均PM2.5 预测（NRMSE 32.4%，Pearson r 0.873）。该研究为低污染地区空气质量监测提供了可扩展解决方案。

　　

空气污染已成为全球公共卫生的重大威胁，其中细颗粒物PM_2.5
（空气动力学直径≤2.5微米的颗粒）尤其危险。尽管南亚是全球空气污染最严重的地区之一，斯里兰卡的PM_2.5
水平相对较低，但仍超过世界卫生组织标准。更复杂的是，该国面临跨境污染和季节性波动，现有监测网络却因高成本设备难以密集部署。传统统计模型难以捕捉PM_2.5
的非线性时空特征，而深度学习模型虽表现优异但计算成本高昂。如何利用有限监测数据实现高精度预测，成为亟待解决的难题。

针对这一挑战，由Duke University等机构组成的研究团队在《Journal of Hazardous Materials Advances》发表研究，创新性地将随机森林(RF)与卷积神经网络(CNN)级联，构建了适用于低污染地区的PM_2.5
预测系统。研究整合了24个低成本TSI BlueSky传感器网络数据（2012-2024年）、四波段PlanetScope卫星影像（3m分辨率）及气象参数，通过K最近邻(KNN)算法填补数据缺失，最终在1934组数据上验证了模型性能。

关键技术包括：1）基于KNN（k=5）的时空特征缺失值填补；2）RF模型优化（600棵决策树，最大深度10）处理温度、湿度等气象参数；3）ResNet50架构提取卫星图像空间特征；4）引入稳定因子(Stabilizing Factor, SF=0.1)协调RF与CNN输出权重；5）创建输入数据质量评分(IDQS)和测试数据质量评分(TDQS)量化数据可靠性。

【研究结果】
2.1 地面PM_2.5
数据采集
24个监测站数据显示PM_2.5
平均浓度15μg/m³
，KNN填补后数据分布保持一致性（图3）。训练集（17站）与测试集（7站）覆盖全气候带，确保模型泛化能力。

2.2 卫星影像处理
筛选224×224像素、云量<10%的清晰影像，剔除阴影干扰（图4）。每站1km²
范围内多时段影像增强了时空敏感性（图5）。

2.5 RF-CNN管道
• RF组件：MSLP（平均海平面压力）成为最关键分裂特征，但单独预测误差较高（NRMSE 55.9%）。
• CNN组件：通过15个时空特征（含7天滞后值、人口密度等）提升空间预测，空间相关系数达0.978。
• 级联优化：SF=0.1时性能最佳，测试集NRMSE降至32.4%，MAE 3.318μg/m³
（表4）。站点层面，Kurunegala预测最准（NRMSE 25.7%），Katubedda误差最大（33.1%）（表5）。

3.3 数据填补影响
IDQS>6.75时模型表现稳定（图11），证实KNN填补在允许范围内（≤6个缺失点/天）的有效性。

3.4 卫星影像敏感性
同一天不同时段影像导致预测波动（平均偏差7.99%），暖色调和阴影区域影响显著（图12）。

【结论与意义】
该研究首次实现了斯里兰卡全境PM_2.5
的亚公里级预测，其创新点在于：1）用低成本传感器网络（350/站）替代传统监测站（4500/站）；2）通过RF误差校正和CNN空间特征提取的协同作用，在低浓度区域（15μg/m³
）取得与高污染地区相当的预测精度；3）提出的IDQS/TDQS体系为数据质量控制提供量化标准。

局限性包括卫星影像预处理依赖人工、季节性数据覆盖不足等。未来可通过自动云检测算法、多污染物联合预测扩展应用。该框架特别适合监测资源匮乏地区，为制定精准治污策略提供科学依据，例如识别跨境污染传输路径或评估局部排放源影响。研究团队建议建立长期观测网络，结合无人机影像和动态气象特征，进一步提升模型适应气候变化的能力。