基于高斯过程的街道级NO2浓度实时预测模型构建与敏感性分析

推荐：为解决城市街道级NO2污染精准监测难题，伦敦研究人员利用225个低成本传感器网络数据，结合高斯过程（GPs）模型，开发了融合街道几何与网络特征的实时预测框架。研究发现街道宽度、介数中心性和长度主导81%的浓度变异，模型平均绝对误差仅7.31 μg/m3，为超局部空气质量管理提供可扩展解决方案。

　　

空气污染已成为全球公共卫生的重大威胁，世界卫生组织数据显示99%人口暴露于超标污染物中，其中氮氧化物(NO₂)与呼吸系统疾病、心血管疾病等密切相关。传统监测设备虽精度高但成本昂贵，难以实现高密度布设；而新兴的低成本传感器(LCS)虽能提升空间覆盖率，却面临数据质量不稳定的挑战。如何在有限传感器支持下精准预测整个城市网络的污染分布，成为环境科学领域的核心难题。

伦敦的研究团队选择卡姆登区作为研究对象，这里部署了225个间距约200米的AirNode传感器网络。研究创新性地将高斯过程(GPs)这一非参数贝叶斯方法与街道物理特征相结合，通过构建包含街道几何参数（宽度W、高度H、长度）、网络指标（介数中心性C_B、度中心性C_D）等特征的空间模型，实现了对未监测街道NO₂浓度的实时预测。

研究采用三大关键技术：1) 基于LIDAR的街道几何特征提取算法，通过边缘检测确定峡谷宽度与高度；2) 基于图论的网络中心性计算，量化道路在交通流中的重要性；3) 马特恩核函数(ν=1/2)优化的高斯过程回归，处理空间不连续性数据。数据来自2022年3月至2023年2月的传感器网络，重点关注12月异常活动期的30分钟间隔数据。

【传感器网络与数据预处理】
研究首先对原始传感器数据进行时空对齐处理，采用15分钟滑动窗口填补缺失值，并通过实验室与现场混合校准法(EASE)将传感器误差控制在±5 μg/m³。数据矩阵Y∈?^n×q的行代表n个传感器，列记录q个时间点的NO₂浓度，形成时空观测网络。

【道路网络特征工程】
通过英国地形测量局(OS)获取矢量路网数据，采用节点简化算法消除冗余交叉点，构建包含3000条街道的拓扑网络。利用数字表面模型(DSM)提取建筑高度，定义街道峡谷的W/H比为关键形态参数。网络中心性指标中，介数中心性C_B（衡量最短路径通过频率）被证明比度中心性更具预测价值。

【模型优化与敏感性分析】
通过霍夫丁-索博尔分解发现：街道宽度单独解释55%的NO₂浓度变异，介数中心性(18%)和道路长度(8%)分列二三位。三者组合可解释81%的方差（不考虑交互作用），而道路功能分类贡献度仅0.31%，因其信息已被其他特征覆盖。采用ν=1/2的马特恩核模型在测试集上表现最优，RMSE为7.9 μg/m³，显著优于平滑核函数。

【实时预测与不确定性量化】
最终模型仅保留宽度、介数中心性和长度三个特征，在12月预测中实现7.31 μg/m³的平均绝对误差。模型成功将传感器覆盖范围从5.08%的路网扩展至70.3%的低不确定区域(σ_X? < mean(σ))。预测显示，凌晨2点浓度分布最集中（σ=5.01 μg/m³），反映人类活动规律对模型精度的影响。

这项研究首次系统量化了城市形态特征对NO₂分布的影响权重，为"传感器稀疏+路网稠密"场景提供了通用建模框架。其核心价值在于：1) 揭示街道几何参数比传统交通指标更具预测力；2) 开发的轻量化模型仅需3个特征即可保持较高精度；3) 不确定性量化体系支持政策制定者识别高可信度区域。局限性在于传感器误差会压缩预测方差，未来需结合交通流量等动态特征提升模型灵敏度。该成果发表于《Science of The Total Environment》，为智慧城市环境监测提供了可扩展的技术蓝本。