MIST-Net：一种异构时空网络，用于区域臭氧预报，对稀疏数据具有鲁棒性

《Environmental Research》：MIST-Net: A Heterogeneous Spatiotemporal Network for Regional Ozone Forecasting Robust to Sparse Data

　　

• •
  MIST-Net 将环境变量视为独立的异构节点。
• •
  无需插补的训练能够从不完整的数据中进行可靠的预测。
• •
  gated 双图模型能够捕捉变量间和空间间的依赖关系。
• •
  与传统模型相比，1小时预测的均方根误差（RMSE）降低了18.43%。
• •
  在40%的随机数据缺失率下，12小时预测的RMSE仅增加了13.0%。

引言

随着全球工业化的加速和城市聚集区的迅速扩张，空气污染已经演变成一个严重的跨境环境和公共卫生危机，这迫使政府和国际组织制定更加严格的减排政策和空气质量标准（Quarmby等人，2019年）。在各种大气污染物中，臭氧（O₃）由于其复杂的形成机制和广泛的生态危害而受到了特别关注。与直接从源头排放的初级污染物不同，臭氧是一种典型的次级污染物，它是在太阳辐射下通过复杂的非线性光化学反应产生的。这种生成机制意味着臭氧浓度不仅受局部排放的影响，还受到气象条件、区域传输和其他污染物的高度非线性耦合的影响（Song等人，2022年；Xie等人，2023年）。作为一种强氧化剂，臭氧会损害森林植被，降低农作物产量，造成重大的生态和经济损失，同时对人类健康也构成重大风险（Feng等人，2019年；Zhou等人，2025年）。在全球气候变化的情况下，频繁的极端热事件和停滞的气象条件加速了光化学反应，加剧了“臭氧惩罚”效应，使得臭氧污染控制成为大气环境研究中的一个关键挑战（Fu和Tian，2019年；Shan等人，2025年）。因此，开发具有高精准度、高时空分辨率和鲁棒性的区域臭氧预测模型对于准确进行区域空气质量评估以及在数据稀疏的现实世界条件下进行可靠的持续监测至关重要。

在臭氧预测研究中，方法论已从基于机制的方法转向数据驱动的方法。早期的预测主要依赖于化学传输模型（CTM），如CMAQ模型，来模拟污染物的演变（Zhang等人，2009年）。例如，研究人员使用不同的CTM模型来研究车辆排放（Hata等人，2020年）和船舶产生的大气污染物（Karl等人，2019年）。尽管CTM具有物理可解释性，但其高昂的计算成本和高敏感性限制了其在实时快速预警中的实用性（Gao和Zhou，2024年）。为了克服这些限制，应用了ARIMA等统计时间序列方法（Kaur等人，2023年）。此外，引入了SVM和随机森林等机器学习算法，提高了非线性拟合能力，但由于它们无法在不需要大量手动特征工程处理的情况下处理高维时空数据，因此其泛化能力受到限制（Rybarczyk和Zalakeviciute，2018年）。

近年来，深度学习已成为时空空气污染预测的主流范式（Zhang等人，2024年）。早期的研究将污染物预测视为单站多变量时间序列回归任务。例如，开发了一种基于Bi-LSTM的PM2.5分布预测模型（Tong等人，2019年），以及一种混合3D CNN-GRU模型，在城市环境中实现了更优的浓度预测（Faraji等人，2022年）。然而，这些方法将监测站视为孤立实体，忽略了复杂的空间相关性。为了解决地理网络的非欧几里得分布问题，引入了图神经网络（GNNs）（Wang，2023年）。此后，研究人员通过结合详细的地理背景（Lin等人，2018年）、通过基于距离的图结构提取空间特征（Qi等人，2019年）以及从数据驱动的角度设计自适应邻接矩阵（Wu等人，2019年），有效地建模了空间依赖性。

然而，尽管取得了显著进展，现有的时空图模型仍然面临两个关键挑战，这些挑战限制了区域臭氧预测的准确性。这也是我们研究旨在解决的核心问题。

首先，现有的时空模型通常忽略了多种污染物之间的复杂相互作用。主流的深度学习模型通常将多变量数据视为并行输入通道或简单的特征拼接，这在复杂的复合污染情景下往往会导致预测失败。虽然一些架构——例如那些使用深度可分离卷积的架构（Li等人，2025年）——被提出来显式捕捉变量间的依赖性，但它们通常需要严格的数据对齐，这一要求在实际应用中带来了挑战。尽管最近的研究探索了用于全国范围空气污染预测的异构图（Terroso-Saenz等人，2024年），但其异构性是在宏观实体层面定义的，依赖于组合子集划分和多模型集成来处理不同的站传感器。因此，明确地将变量分解为不同的图节点以模拟局部跨污染物相互作用尚未得到探索。

其次，在数据稀疏和非平稳环境中实现稳健的时空解耦仍然是一个困难的问题。现有的解决方法通常要么基于站点间最小的共同子集对输入数据进行对齐，要么使用容易出现错误的插补方法来填补数据空白。例如，Ma等人（2022年）依赖径向基函数（RBF）进行空间插值，而Hong等人（2023年）使用K最近邻（KNN）算法来填补缺失的读数。然而，这些策略要么丢弃了数据中潜在的有价值信息，要么引入了额外的人工噪声。因此，仍然需要一个能够直接从异构、不完整的监测数据中稳健学习时空动态的框架，而不依赖于容易出现错误的插补预处理。

为了解决上述挑战，我们提出了一种多污染物相互作用时空网络（MIST-Net）用于臭氧预测。MIST-Net的主要贡献可以总结如下：

• MIST-Net 抛弃了传统的“站点作为节点”的范式，将单独的污染物和气象因素视为独立的异构节点，自然地实现了变量间的相互作用。在此基础上，它构建了一个双路径架构：一个站内图来捕捉臭氧、其他污染物和气象驱动因素之间的潜在依赖性，以及一个站间图来处理空间依赖性，从而进一步提高主要预测的准确性。
• 为了解决数据稀疏问题，该模型结合了可学习的特征类型和时空嵌入以及双通道指示器机制，实现了端到端稳健的预测。通过将未配置的传感器视为缺失输入，该机制有效地应对了站点间特征类型的结构性异质性。
• 通过基于注意力的分析，MIST-Net 提供了一种探索性视角，可视化了站内信息聚合和经验滞后结构，提供了生成假设的数据驱动洞察，以检查学习到的空间表示。

部分片段

研究区域和数据集

本研究使用了两个数据集：洛杉矶（LA）数据集和马德里数据集。每个数据集包括污染物和气象数据。每个数据集的详细信息如下：

洛杉矶数据集：2022年至2024年臭氧高峰季节（6月至11月）期间，从23个监测站收集了每小时数据（7个特征）。选择这个特定时间段作为研究窗口，是因为夏季和初秋代表南加州的臭氧高峰季节，此时臭氧浓度频繁且

单步预测性能

如表1所示，MIST-Net 在两个数据集上都实现了最高的R²短期性能。与Persistence和SARIMA相比，MIST-Net 在LA数据集上的1小时RMSE降低了45.91%和25.08%（在马德里数据集上分别降低了34.16%和23.84%），并且比DCRNN降低了18.43%，显示出超越Persistence的预测优势。

更值得注意的是，与使用完全插补输入的具有相同深度网络架构的变体模型相比，原始MIST-Net 在两个数据集上的性能相当

结论

在这项研究中，我们提出了MIST-Net，一种用于区域O₃预测的稳健异构时空网络。MIST-Net 具有双图架构，结合了站内异构图和站间距离图，分别捕捉局部变量间依赖性和空间依赖性。此外，集成的双通道缺失指示器机制使得能够直接从非结构化、稀疏的监测数据中进行稳健的学习。

在两个

CRediT 作者贡献声明

沈志章：撰写——审稿与编辑，监督，方法论，资金获取，概念化。吴木哲：撰写——原始草稿，可视化，方法论，调查，数据整理

伦理批准

本研究不涉及对人类参与者或动物的实验。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

数据可用性

源代码和数据集可向相应作者请求审阅。一旦本文被接受，它们将在GitHub上公开。

利益冲突声明

? 作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：沈志章报告称获得了中国国家重点研发计划的支持。如果有其他作者，他们声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本项工作得到了《中国国家重点研发计划》（2023YFC3804700）的支持。

Muzhe Wu|Zhizhang Shen