机器学习驱动的东地中海地区PM2.5浓度预测：填补空气质量监测空间数据缺口

本研究针对土耳其PM2.5监测网络覆盖不足的问题，开发了基于XGBoost算法的区域PM2.5预测模型（RPP）。通过整合卫星AOT数据、ERA-5气象资料和地面监测数据，模型在时空验证中表现优异（RMSE 6.82-9.21 μg/m3，R2 0.71-0.85），成功捕捉2018-2023年PM2.5下降趋势（25.52→18.88 μg/m3），为缺乏监测设备的地区提供可靠评估工具。

　　

空气污染已成为全球公共卫生的重大威胁，其中直径小于2.5微米的细颗粒物（PM_2.5）因其能深入肺泡甚至进入血液循环，与心血管疾病、肺癌等严重健康风险密切相关。然而在土耳其等发展中国家，PM_2.5地面监测站点稀疏，传统化学传输模型（CTM）又受限于排放清单不准确、计算资源消耗大等问题。更棘手的是，卫星反演气溶胶光学厚度（AOT）数据存在高达70%的缺失率，特别是MODIS卫星在监测站周边区域仅有28%的有效数据覆盖率。这些监测空白严重阻碍了精准评估空气污染健康影响的可能。

为解决这一难题，来自土耳其的研究团队开发了区域PM_2.5预测模型（Regional PM_2.5 Predictor, RPP）。这项发表在《Environmental Modelling》的研究创新性地融合了VIIRS卫星改进版AOT数据（缺失率降至20%）、ERA-5再分析气象数据和有限的地面监测数据，采用XGBoost机器学习算法构建预测框架。研究团队特别设计了四种验证场景：基础模型验证核心预测能力、季节模型分析时间异质性、年度模型检验长期稳定性，以及独创的"站点盲测"评估空间外推能力。

关键技术方法包括：1) 整合2018-2023年土耳其全境多源数据；2) 采用XGBoost处理卫星数据缺失问题；3) 设计四阶段验证体系；4) 通过SHAP值分析特征贡献度。数据来源于土耳其环境部监测网络、NASA卫星及欧洲中期天气预报中心。

主要研究发现：

1. 季节性差异：模型在冬季表现最佳（RMSE 4.39 μg/m³, R² 0.84），夏季受沙尘影响精度略降（RMSE 10.01 μg/m³）。
2. 时间趋势：成功捕捉到土耳其PM_2.5年均浓度从2018年25.52 μg/m³降至2023年18.88 μg/m³的改善趋势。
3. 空间外推：在排除20%站点训练的盲测中仍保持RMSE 9.21 μg/m³的可靠精度，证明可扩展至157个仅监测PM₁₀的站点。
4. 疫情验证：2020年新冠封锁期间达到最佳预测性能（RMSE 7.54 μg/m³），显示模型对排放突变的适应性。

讨论与意义：
该研究突破了传统监测的三重局限：通过机器学习填补卫星数据空缺，利用有限地面站点实现广域预测，并建立可解释的特征贡献体系（如发现边界层高度和湿度为关键因子）。相比北京同类研究（RMSE 8.3-12.7 μg/m³），RPP精度提升30%以上。实际应用中，该模型已支持土耳其环境部识别出马尔马拉工业区等污染热点，为世界银行空气质量改善项目提供决策依据。研究团队特别指出，这种"卫星-地面-气象"三元数据融合框架，尤其适用于监测网络欠发达的中低收入国家，未来可扩展至臭氧等污染物预测领域。

论文通讯作者?rde ?ET?NTüRK GüRTEPE强调，该成果的价值不仅在于技术突破，更创建了首个覆盖土耳其全境的PM_2.5历史数据库，这对追溯污染健康效应、评估政策干预效果具有里程碑意义。随着TüB?TAK（土耳其科技研究理事会）的持续资助，研究团队正将模型部署至巴尔干半岛，以验证其在地中海气候带更广域的适用性。