基于图机器学习的城市街道PM2.5 污染与行人暴露风险高分辨率评估研究

针对传统空气污染评估忽视行人动态暴露的问题，MIT团队创新性融合图神经网络与街景计算机视觉技术，构建了纽约市街道级PM2.5 与行人流量预测模型。研究发现中污染-高人流区域形成新型暴露热点，揭示植被覆盖率与暴露风险的负相关关系，为精准化城市空气质量干预提供新范式。

　　

在城市空气污染与公共健康研究领域，传统评估方法长期面临两大困境：一是依赖固定监测站数据导致空间分辨率不足，二是以居民区为单位的静态评估忽视行人这一高危群体的动态暴露风险。随着全球城市化进程加速，步行作为绿色出行方式被大力推广，但行人因直接暴露于街道污染物且呼吸速率加倍，其健康风险被严重低估。现有研究多聚焦污染浓度或居住暴露，缺乏对污染模式与行人活动动态交互的量化分析，这种认知空白使得城市规划者难以为步行友好型城市建设提供精准决策支持。

针对这一科学难题，浙江大学研究团队在《Resources, Environment and Sustainability》发表创新性研究，首次将图机器学习与多源城市大数据融合，构建了街道级行人暴露评估新框架。该研究以纽约市为实验场，通过车载传感器网络获取515,917个PM_2.5
监测数据，结合街景影像分析的瞬时行人计数与114个地面监测站验证数据，开发出可量化行人吸入污染物剂量(PID)和暴露强度指数(EII)的双重评估体系。

关键技术方法包含三大创新点：1）基于路网拓扑的图表示学习，将城市街道转化为带权图结构，通过K-邻域算法捕捉污染物空间扩散规律；2）街景增强的行人量预测，采用Faster R-CNN检测行人、SegFormer分割街景要素，构建随机森林预测模型；3）多尺度特征工程，整合282个涵盖交通、POI、气象等维度的城市特征，运用SHAP算法解析关键驱动因子。

【研究结果】

1. 模型性能验证
   图增强的LightGBM模型在PM_2.5
   预测中达到R²
   =0.65，较传统方法提升4.8%；行人量预测采用随机森林模型实现R²
   =0.75，其中街景提取的瞬时行人计数被证明为最强预测因子。

2. 暴露热点新分类
   空间分析揭示两类高风险区：浓度驱动型（如南布朗克斯）主要沿货运走廊分布，PM_{2.5
   超标是主因；活动驱动型（如曼哈顿中城）在中等污染水平下因超高行人流量形成暴露热点。传统居住暴露评估会低估后者达61%的风险值。}

3. 植被干预效益
   街景植被覆盖率与EII呈显著负相关（r=-0.38），但现况分析显示78%的热点位于低植被区。模拟表明14米间距的乔木种植可使人行道PM_2.5
   降低59%，而垂直绿化在街谷环境效果更优。

4. 社会经济分异
   布朗克斯呈现典型的"穷者愈污"模式（r=-0.46），而曼哈顿高收入区因商业密集反成热点（r=0.60），凸显环境正义问题的空间复杂性。

【结论与展望】
该研究突破性地实现了三大转变：从静态评估转向动态暴露、从居住中心转向行人路径、从粗放管理转向精准干预。所提出的PID/EII双指标体系，首次量化了"中等污染+高人流量"这类传统方法忽视的复合风险，为《巴黎协定》框架下的健康城市建设提供新工具。

研究同时揭示植被配置的"双刃剑"效应——中等密度（70-85%冠层密度）的绿篱可降低61%暴露，但过度密集反而导致污染物滞留。这提示未来智慧城市规划需结合计算流体力学(CFD)模拟优化植被布局。数据方面，虽然当前依赖9月单月数据，但框架设计支持接入实时IoT移动数据流，为动态暴露预警系统奠定基础。

这项由Feifeng Jiang和Jun Ma团队完成的研究，标志着城市环境健康评估进入"行人尺度"新阶段。其方法论创新不仅适用于PM_2.5
，还可扩展至NO_x
、O₃
等多污染物评估，为全球城市践行"15分钟生活圈"理念提供科学护航。随着自动驾驶车辆成为移动监测新平台，该框架有望实现暴露评估从"事后分析"到"实时调控"的跨越式发展。