基于Geo-AI建模的台湾竹南-苗栗地区超细颗粒物(PM0.1)三维变异性研究

为解决传统空气污染模型忽视垂直维度分布的问题，研究人员采用无人机(UAV)平台结合地理空间人工智能(Geo-AI)技术，构建了包含建筑高度、温度等关键参数的三维PM0.1预测模型(XGBR算法R2达0.98)，揭示了城市环境中污染物垂直扩散规律，为高精度环境评估与健康政策制定提供新范式。

　　

在城市高密度发展的今天，人们生活在不同高度的建筑空间中，却对呼吸的空气污染物垂直分布知之甚少。传统监测站仅能提供地面数据，而超细颗粒物(PM_0.1)因其小于0.1μm的粒径可穿透肺泡进入血液循环，与慢性阻塞性肺病、动脉粥样硬化等疾病密切相关。现有研究多聚焦水平分布，忽视了建筑形态产生的街谷风场对污染物三维(3-D)扩散的关键影响。

台湾地区的研究团队创新性地采用六旋翼无人机在苗栗县竹南-头份地区12个点位进行40/60/100米梯度采样，结合地理信息系统(3D-GIS)与机器学习算法，开发出首个整合建筑高度、温度、二氧化碳等三维参数的地理空间人工智能(Geo-AI)模型。研究发现极端梯度提升回归器(XGBR)表现最优，训练集R²达0.98，交叉验证R²超过0.85。SHAP分析揭示建筑高度与PM_0.1浓度呈非线性关系，当建筑高度超过60米时对污染物扩散产生显著阻挡效应。

技术方法上，研究通过无人机搭载传感器获取三维PM_0.1数据（测量范围768-15,100 particles/cm³），整合台湾地区国土测绘中心的3D建筑数据库，采用五种机器学习算法进行建模比较，最终通过10折交叉验证评估模型稳定性。

【研究结果】

1. 垂直分布特征：冷季PM_0.1浓度(8,534±5,654 particles/cm³)显著高于暖季，工业区100米高度的浓度比地面高37%，验证了热力环流对污染物垂直输送的影响。
2. 关键预测因子：建筑高度、森林覆盖率与PM_0.1呈负相关，而一氧化氮浓度与3D建筑距离呈正相关，说明城市形态显著改变污染物扩散路径。
3. 模型性能：XGBR在训练集和验证集均保持优异表现，RMSE低至583 particles/cm³，显著优于传统土地利用回归(LUR)模型的线性假设。

研究结论指出，这是首个量化建筑三维形态对PM_0.1垂直分布影响的研究，突破传统二维监测局限。模型成功捕捉到不同高度污染物的"层积效应"，即中低层建筑(20-60米)因街谷风场形成污染热点，而高层建筑(>100米)由于湍流增强反而浓度降低。该成果为高精度城市空气质量评估提供新工具，建议将三维污染分布纳入建筑规范与健康风险评估体系，特别关注幼儿园、医院等敏感场所的垂直空间规划。论文发表于《Environmental Pollution》，为智慧城市环境管理树立了新范式。