基于注意力机制增强随机森林模型的多污染物协同估算方法研究

为解决多污染物协同估算中忽略相互作用及依赖关系的技术难题，研究人员开发了基于注意力机制增强的随机森林模型(MPA-RF)，实现了PM2.5 、PM10 、O3 等六种污染物的同步高精度估算(R2 达0.74-0.93)，较单任务模型提升9%-26%，为区域污染协同治理提供新范式。

　　

随着中国城市化进程加速，京津冀、长三角和粤港澳大湾区等城市群面临严峻的复合型大气污染挑战。传统地面监测站点虽能提供精确数据，但存在时空不连续的固有缺陷；而现有卫星遥感估算模型多聚焦单一污染物，忽视污染物间复杂的相互作用和时空依赖性，导致协同治理缺乏科学依据。更棘手的是，物理模型依赖排放清单等先验知识，计算成本高昂；而常规机器学习模型在捕捉多污染物关联特征时表现乏力。

香港理工大学的研究团队创新性地将注意力机制与随机森林相结合，开发出MPA-RF模型。该研究利用Himawari-8卫星的可见光/热红外波段观测数据，融合ERA-5气象再分析资料和地面监测数据，在三大城市群实现了六种污染物(PM_2.5
、PM₁₀
、O₃
、NO₂
、CO、SO₂
)的同步估算。论文发表于《International Journal of Applied Earth Observation and Geoinformation》，其核心突破在于：通过自注意力机制优化多输出随机森林的特征权重分配，并利用多头自注意力捕捉污染物间的时空依赖关系，最终构建出兼顾精度与效率的协同估算框架。

关键技术包括：1) 基于Advanced Himawari Imager(AHI)的16波段多光谱数据预处理；2) 融合GEOS-CF化学预报数据构建历史污染物序列；3) 采用站点交叉验证和空间交叉验证双评估体系；4) 通过GridSearch CV优化模型超参数。

研究结果显示：在模型性能方面，样本验证的R²
达0.81-0.93，其中PM_2.5
表现最佳(R²
=0.93，RMSE=9.55μg/m³
)。空间验证中沿海站点因海陆风影响精度稍降，但整体仍保持0.74-0.92的R²
。与传统单任务模型对比，MPA-RF的R²
提升达9%-26%，训练效率提高40%以上。

时空分布分析揭示了显著的区域差异：京津冀地区冬季PM_2.5
浓度超150μg/m³
，主要源于燃煤供暖；而粤港澳大湾区臭氧峰值出现在秋季，与夏季海洋气团抑制光化学反应有关。典型案例追踪显示，该模型能精准捕捉长三角地区沙尘事件中PM₁₀
的日间扩散过程(>300μg/m³
→消散)和珠三角臭氧午后爆发性增长(60→200μg/m³
)的动态演变。

该研究的创新价值在于：首次将注意力机制引入随机森林实现多污染物协同估算，突破传统模型"各自为政"的局限；建立的2km/小时级高分辨率数据集，为解析污染交互机制提供新工具；提出的"卫星观测-历史序列-气象要素"多维特征融合框架，显著提升痕量气体(如SO₂
)的估算精度。未来研究可进一步结合大气化学传输模型，从物理机制层面深化对污染物相互作用的理解。这项成果不仅为区域联防联控提供技术支撑，其方法论对全球其他大都市区的空气质量管理也具有重要借鉴意义。