基于手机信令数据的城市NO2浓度高时空分辨率动态映射研究

本研究创新性地利用手机信令数据构建人口流动指标，结合深度学习模型DW-Net，首次实现250米/小时分辨率的城市NO2浓度动态监测。研究揭示了交通排放动态（贡献度22.59%）与气象因素的协同作用机制，模型空间外推R2达0.774，为高精度空气污染暴露评估提供新范式。

　　

在城市空气污染治理中，氮氧化物(NO₂)作为主要污染物之一，其高时空异质性一直是监测难点。传统地面监测站点稀疏、卫星遥感分辨率不足，而大气化学模型又受限于排放清单精度。尤其在早晚高峰时段，NO₂浓度会因交通排放激增形成"瞬态污染热点"，但现有技术难以捕捉这种亚公里级、小时尺度的动态变化。这导致流行病学研究中的暴露评估偏差，也制约了精准治霾政策的制定。

为突破这一瓶颈，武汉理工大学团队独辟蹊径地选择了手机信令数据这一新型数据源。当数亿智能手机用户在日常活动中产生实时位置记录时，这些数据本质上构成了反映人类活动强度的"城市呼吸图谱"。研究团队敏锐意识到，通过解析这些数据的时空模式，或可间接表征交通排放的动态变化，从而为NO₂高精度建模提供关键驱动因子。

研究采用多源数据融合框架，核心技术包括：1) 基于中国联通加密信令数据开发人口流动算法，将个体移动轨迹转化为250米网格的每小时人口流量；2) 创新设计距离加权深度网络(DW-Net)，通过空间注意力机制和双卷积残差结构提升模型泛化能力；3) 整合TROPOMI卫星反演、CAMS再分析数据和地面监测站数据构建训练集；4) 应用SHAP值解析变量贡献度。

3.1 人口流动的昼夜节律特征

通过设计的流量统计算法，研究发现宁波市人口流动呈现典型双峰模式：早高峰(7:00-9:00)达13.8人/网格，晚高峰(18:00-20:00)为11.4人/网格，与交通流量监测高度吻合。空间上，鄞州等经济活跃区夜间流量(7.1人/网格)显著高于宁海等区域(2.8人/网格)，精准反映了人类活动时空分异。

3.2 模型精度验证

DW-Net在5折交叉验证中R²达0.815(RMSE=9.532μg/m³)，显著优于随机森林(0.805)和DNN(0.732)。最具突破性的是空间外推测试中，其R²仅下降4%(至0.774)，而传统模型下降达47-53%，证明距离加权模块有效提升了空间泛化能力。

3.3 可解释性分析

SHAP分析揭示变量贡献度排序：人口流动(22.59%)>风速(16.45%)>边界层高度(9.07%)>降雨(7.24%)。特别发现当风速>1m/s时其SHAP值由正转负，印证了气象扩散对NO₂的清除作用。工业区核密度(6.93%)的贡献提示固定源排放的辅助影响。

3.4 NO₂时空分布特征

模型输出的高分辨率图谱显示：城市核心区NO₂浓度昼夜差异达1.9倍，早高峰最高值41.54μg/m³出现在交通枢纽周边。与TROPOMI卫星数据对比显示，模型能解析出道路尺度(250米)的浓度梯度，而5.5km分辨率的卫星数据则平滑了这些细节。

这项发表于《Environment International》的研究具有多重意义：方法学上，首次验证了手机信令数据驱动空气污染建模的可行性，DW-Net架构为环境变量建模提供了新范式；应用层面，250米/小时分辨率输出可精准识别"污染微热点"，助力差异化管控；科学认知方面，量化了动态交通排放对NO₂的支配性贡献(22.59%)，弥补了传统静态土地利用回归模型的局限。

研究也指出未来改进方向：当前人口流动数据未区分交通方式(如地铁与私家车)，可能高估排放强度；工业排放仍依赖静态POI数据，需开发动态表征方法。这些突破或将推动"数字孪生城市"在环境治理中的深度应用，为智慧环保开辟新路径。