四川盆地PM2.5暴露与健康负担的时空错配：基于高分辨率机器学习模型与老龄化影响的24年趋势分析

针对四川盆地(SCB)PM2.5数据缺失与健康负担(PHB)评估难题，研究团队创新性融合SRGAN和CNN-LSTM模型构建1公里分辨率数据集，揭示2000-2023年间PM2.5暴露呈"上升-缓降-骤降-平稳"趋势，而PHB因人口老龄化呈现"上升-微升-下降-反弹"的错配动态。研究发现老龄化贡献62.2%的PHB增长，抵消了污染控制效益，为老龄化社会环境健康管理提供关键依据。

　　

在中国西南部的"天府之国"四川盆地，独特的盆地地形如同一口大锅，常年被高湿度和逆温层笼罩，使得细颗粒物(PM_2.5)成为困扰当地居民健康的"隐形杀手"。这个占全国人口10%的密集区域，正面临空气污染与人口老龄化的双重夹击——老年人对PM_2.5的敏感性是普通人群的2-2.5倍，而传统卫星观测因云层遮挡导致关键数据缺失率高达80%。更棘手的是，既往研究多聚焦2013-2018年"大气十条"时期，对长期趋势和政策拐点的认知存在明显断层。

南京师范大学环境学院Hua Lu团队在《Environment International》发表的研究，首次构建2000-2023年1公里分辨率PM_2.5数据集，揭示了政策干预与健康效益之间的惊人错配。研究采用超分辨率生成对抗网络(SRGAN)填补卫星气溶胶光学厚度(AOD)数据空白，通过卷积神经网络-长短期记忆网络(CNN-LSTM)捕捉PM_2.5时空特征，结合全球死亡率评估模型(GEMM)量化健康负担。数据来源包括MAIAC AOD卫星产品、MERRA-2再分析资料及四川/重庆地方健康统计年鉴。

【高精度PM_2.5重建】

SRGAN模型将MERRA-2数据从50公里降尺度至1公里，R²达0.93。CNN-LSTM整合10个关键特征（AOD、黑碳质量浓度BCSMASS等），在2023年测试中R²=0.94，优于传统随机森林模型30%。研究发现PM_2.5分布从"面状污染"演变为成都、重庆等"点状热点"，2013年后年均浓度以4.86 μg/m³速度下降，但冬季仍超标50%。

【健康负担动态分离】

通过季节性-趋势分解(STL)识别出2006(十一五规划)、2013(大气十条)、2020(疫情封锁)三个拐点。令人意外的是，PHB变化滞后于PM_2.5改善：2000-2006年同步增长28.2%后，2006-2013年PM_2.5下降但PHB反升7.1%，2013-2020年污染下降23.9%仅带来PHB降低9.4%。成都单城贡献近半(49.8%)新增死亡病例。

【老龄化主导的归因】

65岁以上人口比例从8.5%激增至18.2%，其贡献率从80.7%升至89.3%。量化显示：2000-2023年62.2%的PHB增长源于老龄化，超污染暴露影响(16.8%)。疫情后基线死亡率(BMR)回升使2020-2023年PHB反弹27.9%，抵消了前期治理成果。

这项研究为环境健康管理提供了三重启示：首先，1公里分辨率模型突破地形限制，证实SRGAN在复杂地形区数据重建的优越性；其次，揭示老龄化会使污染治理的健康收益"打六折"，提示成渝等超大城市需制定针对性防护措施；最后，疫情后死亡率的异常波动警示公共卫生体系需建立环境-健康联合预警机制。正如作者强调："在老龄化与后疫情时代双重压力下，仅靠末端治理已不足以保证健康效益，必须将老年医学纳入环境政策评估体系。"该成果为第15个五年计划的环境健康决策提供了关键科学依据。