基于多源高分辨率数据与机器学习的城市工业区PM2.5估算模型构建及NDVI影响分析

针对复杂城市工业区PM2.5精准预测难题，土耳其研究团队整合MAIAC AOD（1公里分辨率）、ERA5气象数据、EDGARv8.1排放清单及NDVI等多元高分辨率数据集，采用LightGBM等四种机器学习模型，在马尔马拉地区实现日均PM2.5高精度估算（R=0.88），揭示植被覆盖（NDVI>0.5区域R提升至0.89）与边界层高度的关键影响，为高污染城市环境治理提供可扩展技术框架。

　　

在城市化与工业化加速的背景下，细颗粒物PM_2.5已成为威胁全球公共健康的隐形杀手。土耳其的马尔马拉地区作为典型范例，聚集了伊斯坦布尔等超大城市、密集工业带和复杂交通网，其PM_2.5污染呈现高度时空异质性。传统监测手段因站点稀疏难以捕捉污染细节，而现有模型多依赖低分辨率数据，忽视植被覆盖（NDVI）与人口密度等关键因素。针对这一难题，来自土耳其的研究团队在《Environmental Pollution》发表研究，首次将1公里分辨率MAIAC AOD、EDGARv8.1排放清单等多元高分辨率数据与四种机器学习算法结合，构建了适用于超复杂城市环境的PM_2.5预测框架。

研究团队采用47个监测站2019-2022年的日均PM_2.5数据作为基准，整合边界层高度、太阳辐射等ERA5气象变量，以及Corine土地覆盖和网格化人口数据。通过随机森林（RF）、XGBoost、CatBoost和LightGBM模型对比，发现LightGBM在测试集表现最优（R=0.88，RMSE=6.42 μg/m³）。技术亮点包括：基于NDVI分层的性能验证、季节性模型优化（秋季R达0.89）以及SHAP算法解析的特征重要性排名。

关键结果

1. 模型性能对比：LightGBM在植被稀疏区（NDVI≤0.3）预测能力较弱（R=0.83），而在高植被区（NDVI>0.5）误差显著降低（RMSE减少18%），证实植被对污染扩散的调控作用。
2. 季节差异：冬季因逆温频发和供暖排放导致模型精度最低（R=0.82），而秋季大气扩散条件良好时预测最准。
3. 特征重要性：边界层高度（解释度21%）、太阳辐射（15%）和人口密度（12%）位列前三，揭示人类活动与大气过程的协同影响机制。

结论与意义
该研究通过多源数据融合突破了传统模型在复杂城市环境的局限性，首次量化了NDVI对PM_2.5模型性能的梯度效应。LightGBM框架的跨季节稳定性（全年R>0.85）为发展中国家高污染城市提供了可推广的解决方案。作者Serdar Gündo?du等特别指出，未来需结合无人机遥感填补AOD缺失值，并建议城市规划者通过增加乔木覆盖（NDVI>0.5区域）以提升污染预测准确性。这项成果不仅为《巴黎协定》下的区域减排评估提供新工具，也为PM_2.5相关呼吸道疾病（如COPD）的暴露风险评估奠定方法论基础。