融合多尺度时空特征与空间异质性的深度学习模型在多站点空气质量预测中的应用

针对现有AI模型在空气质量预测中难以捕捉多尺度时空特征及空间异质性的问题，研究人员提出新型多尺度时空卷积网络（MS-STCN），整合FFT、GCN和TCN技术，显著提升PM2.5预测精度（MAPE降低至7.17%），为环境治理与健康管理提供科学工具。

　　

随着工业化和城市化的加速，空气污染已成为威胁人类健康与生态平衡的全球性难题。细颗粒物PM_2.5等污染物不仅引发呼吸系统和心血管疾病，还与癌症风险上升密切相关。据统计，全球每年因空气污染导致的过早死亡人数超过600万，远超新冠疫情2020年的死亡人数。尽管现有数据驱动模型（如LSTM、CNN）在空气质量预测中取得进展，但两大瓶颈制约其性能：一是传统模型仅能捕捉单一时间尺度的空间特征，而实际污染物扩散受日变化、周周期等多尺度因素影响；二是多数模型采用统一结构的LSTM处理时空数据，忽视了不同地理区域因气象条件、工业布局等差异导致的空间异质性。

为突破这些限制，中国国家自然科学基金资助的研究团队开发了多尺度时空卷积网络（MS-STCN）。该模型创新性地结合快速傅里叶变换（FFT）、图卷积网络（GCN）和时间卷积网络（TCN），首次实现多尺度时空特征的动态提取与融合。研究以香港18个监测站的PM_2.5数据为样本，通过FFT识别关键时间尺度，利用GCN构建多尺度空间关联，并采用多核TCN捕捉站点特异性。结果显示，MS-STCN的预测误差（RMSE=2.83 μg/m3）较传统模型降低9.47%-44.21%，R2达到0.94，相关成果发表于《Process Safety and Environmental Protection》。

关键技术包括：1）基于FFT的频谱分析确定PM_2.5浓度波动的核心周期；2）构建多尺度邻接矩阵量化站点间动态空间关系；3）GCN-TCN混合架构同步提取时空特征；4）特征融合模块整合不同尺度信息。实验使用香港环保署2015-2022年监测数据，包含PM_2.5浓度及气象参数。

【研究结果】

1. 多尺度空间依赖性分析：FFT频谱图揭示PM_2.5存在日变化（24小时）、周周期（168小时）等显著波动模式，验证多尺度建模必要性。
2. 模型对比：MS-STCN在MAPE、RMSE等5项指标上均显著优于MEMD-SCA-LSTM等基准模型，DM检验证实改进具有统计学意义（p<0.1）。
3. 消融实验：移除多尺度模块使预测误差上升23.6%，证明多尺度设计的关键作用。

结论表明，MS-STCN通过解析空气污染物的跨尺度传输规律，首次实现多站点协同预测。其创新性体现在：1）突破传统分解-集成框架的序列重组局限；2）采用自适应TCN核应对区域异质性；3）支持多步预测而无需重复训练。该模型不仅为政府制定动态管控策略（如区域限排）提供技术支持，还能助力公众健康防护，标志着环境大数据分析进入多尺度智能时代。研究同时指出，未来可扩展至O₃、NO₂等多污染物联合预测，并探索与气象模型的耦合应用。