加州1980-2022年短期NO2暴露的种族差异：深度学习揭示的环境正义挑战

针对历史短期NO2暴露种族差异研究数据匮乏的问题，研究人员利用深度学习框架整合化学传输模型和地理空间数据，构建了加州1980-2022年1km网格级日分辨率NO2浓度模型（R2=0.72-0.83）。研究发现尽管所有族裔NO2暴露水平下降，但拉丁裔等少数族裔与白人相对差距持续扩大，2020年拉丁裔NO2>50μg/m3超标天数达白人3倍，为环境正义政策提供关键数据支撑。

　　

空气污染中的环境正义问题一直是公共卫生领域的重要议题。氮氧化物(NO₂)作为一种典型的大气污染物，其短期暴露与呼吸系统疾病和全因死亡率显著相关。然而，由于缺乏高时空分辨率的历史数据，关于不同种族群体短期NO₂暴露差异的长期演变规律始终未能明确。特别是在卫星观测尚未普及的1980-1995年间，这一关键历史阶段的污染暴露差异更是研究空白。

针对这一科学难题，来自国内的研究团队在《Journal of Hazardous Materials》发表了创新性研究成果。他们巧妙地将化学传输模型(CTM)输出的先验信息与深度学习算法相结合，首次重建了加州1980-2022年每日1km网格级NO₂浓度场。这项研究不仅填补了卫星时代前的数据空白，更揭示了令人担忧的环境不平等加剧趋势——尽管所有族裔的绝对暴露水平都在改善，但少数族裔的相对劣势却在持续扩大。

研究团队采用了三项关键技术方法：1）利用EQUATES化学传输模型生成先验NO₂分布作为深度学习输入；2）构建0.01°×0.01°网格系统整合土地利用、气象等多源地理空间数据；3）采用网格化10折交叉验证（R²稳定在0.72-0.83）确保模型在时空维度上的稳健性。研究样本覆盖加州421,645个网格单元，时间跨度达43年。

模型性能
深度学习模型展现出优异的时空泛化能力，在无卫星数据的1980-1994年间仍保持0.72以上的R²值。通过引入CTM模拟的NO₂物理化学过程特征，模型成功捕捉到城市热点区域和季节波动模式，解决了传统土地利用回归(LUR)模型在时间维度上的局限性。

暴露差异演变
纵向分析揭示了两组关键发现：1）所有族裔年均NO₂浓度从1980年的30-45μg/m³降至2022年的10-15μg/m³；2）拉丁裔与白人短期暴露差距从1980年超标天数多32%扩大到2020年的3倍。值得注意的是，非裔、亚裔等群体的相对差距也呈现类似扩大趋势，表明环境改善收益分配存在系统性不平等。

环境启示
这项研究首次量化了短期NO₂暴露差异的长期演变规律，其1km日分辨率的数据产品为精准识别环境脆弱社区提供了新工具。研究发现的政策意义尤为突出：当前基于绝对暴露水平的治理策略可能掩盖了结构性不平等，需要建立兼顾相对差异的环境正义评估框架。

研究团队在讨论部分特别指出，这种差距扩大可能源于三个机制：1）污染企业持续向少数族裔社区聚集；2）环境改善措施在白人社区实施更高效；3）族裔人口空间分布与污染扩散路径的交互作用。这些发现为《环境正义2023》等政策文件提供了关键科学依据，也为全球范围内的环境健康差异研究树立了新范式。