加沙战后空气污染卫星遥感与机器学习评估：冲突环境下的环境健康危机

为解决加沙地区武装冲突导致的环境污染问题，Ammar Abulibdeh团队利用Sentinel-5P卫星数据和机器学习模型（SARIMAX/XGBoost），分析了NO2、SO2、CO、CH4和UVAI五类污染物的时空变化。研究发现战争导致CO和UVAI激增（分别关联燃烧活动和建筑坍塌），CH4持续上升（反映垃圾处理系统崩溃），为冲突区环境监测提供了创新方法。

　　

加沙地带作为全球人口密度最高的地区之一，长期处于政治冲突和环境脆性的双重压力下。2023年10月爆发的武装冲突不仅造成重大人员伤亡，更引发了一系列隐蔽的环境灾难——建筑倒塌扬起的石棉粉尘、发电机燃油燃烧释放的硫化物、瘫痪的污水处理系统产生的甲烷，这些污染物在狭小的地理空间内持续累积，却因地面监测设施损毁而难以量化。传统环境评估方法在战乱地区的失效，使得卫星遥感技术成为破解这一困局的关键。

卡塔尔大学人文学院应用地理与GIS项目组（Applied Geography and GIS Program, College of Arts and Sciences, Qatar University）的Ammar Abulibdeh团队在《Global Environmental Change》发表的研究，首次将Sentinel-5P卫星的TROPOMI传感器数据与机器学习算法结合，构建了适用于冲突环境的空气污染评估框架。研究人员通过分析2019-2024年每日污染物数据（NO₂、SO₂、CO、CH₄和紫外线气溶胶指数UVAI），结合温度、湿度等气象参数，采用SARIMAX时间序列模型和随机森林/XGBoost算法，实现了在无地面验证条件下的污染趋势预测与异常检测。

关键技术包括：1）基于Google Earth Engine获取Sentinel-5P每日污染物柱浓度数据；2）使用ADF检验和Mann-Kendall趋势分析处理非平稳时间序列；3）构建包含滞后变量和气象因子的机器学习预测模型；4）通过核密度估计（KDE）量化污染物分布动态。

研究结果

4.1 滚动均值与标准差

30天滚动分析显示，UVAI和CO在战后出现持续性升高，其中UVAI在2024年夏季峰值达历史水平的150%，反映建筑坍塌和持续燃烧产生的吸收性气溶胶。CH₄呈现单调上升趋势（Sen斜率=0.88%/年），与污水系统破坏直接相关。

4.2 模型性能比较

随机森林对NO₂和CO的预测误差最低（MAE=0.14和0.001），而SARIMAX对低频率CH₄数据表现最佳（MAPE=0.56%）。所有模型在SO₂预测中均表现较差（MAPE>788%），反映其战时排放的突发特性。

4.5 月度分布与累积趋势

冲突期间（2023年10月后），CO月浓度较战前同期增长35-40%，尤其在加沙城和拉法市形成空间热点。值得注意的是NO₂出现反常抑制，2024年累计下降12%，与交通中断和工业停滞相符。

4.7 核密度分析

KDE曲线揭示2024年污染物分布呈现显著右偏：CO在11月出现双峰分布（0.036和0.042 mol/m²），反映战时发电机使用与露天燃烧的双重排放源；CH₄密度峰值的持续右移，表明有机质分解过程随冲突延长而加剧。

4.8 空间分布特征

空间制图显示SO₂在2024年6-8月集中出现于汗尤尼斯工业区（>3.5 DU），与燃料库遭袭事件时空吻合；而CH₄在拉法难民营的浓度较战前升高290%，证实人口密集区的卫生基础设施崩溃。

这项研究首次系统揭示了武装冲突如何通过多重途径重构区域大气环境：燃烧活动推高UVAI和CO（短期急性效应），废弃物管理瘫痪导致CH₄累积（长期慢性效应），而工业停滞反而暂时降低了NO₂负荷。方法论上，研究证实机器学习模型在冲突环境预测中需引入"战争变量"（如建筑损毁率、人口位移），这对叙利亚、乌克兰等战乱地区的环境评估具有范式意义。

研究的局限性在于无法直接关联轰炸事件与污染峰值，主要受限于MODIS火点数据在 urban canopy（城市冠层）中的低分辨率。未来需开发融合社交媒体事件数据的新型混合模型，以提升战时环境预警的精确度。该成果为联合国环境规划署（UNEP）提出的"冲突后环境评估指南"提供了关键技术路径，警示人道主义救援需将空气质量纳入危机响应体系。