基于多分辨率学习与环境上下文的自适应频率门控网络(AFGN)用于可持续城市空气质量管理中的逐小时PM2.5预报

《Sustainability》：Hourly PM2.5 Forecasting for Sustainable Urban Air Quality Management Through Multiresolution Learning and Environmental Context

　　

可靠的细颗粒物(PM_2.5)逐小时预报可以帮助城市预判空气质量恶化并提前采取措施以限制暴露。核心建模挑战在于将快速的污染波动与更新频率较低的气象和生态观测相结合。本研究开发了一种自适应频率门控网络(adaptive frequency gated network, AFGN)，该网络整合了逐小时污染历史、日尺度气象记录和卫星生态指标。并行时间卷积和循环编码器以多种分辨率表征浓度变化，而注意力和带符号门控将环境条件纳入预报。该框架使用2023—2024年北京、上海、成都和武汉的观测数据进行评估。在1、6和12小时预报上，AFGN的平均预测误差低于门控循环单元(gated recurrent unit, GRU)基线。在6小时预报中，平均均方根误差(root mean square error, RMSE)从13.498 μg/m³降至12.526 μg/m³，绝对降低0.971 μg/m³，相对降低7.20%。这些结果证明了将多分辨率污染表示与环境上下文相结合用于短时预报的价值。该方法提供的浓度估计可用于指导污染监测和暴露建议的时机，作为可持续城市空气质量管理的一部分。

近年来，细颗粒物(PM_2.5)暴露对健康造成显著负担，成为可持续城市发展的重要管控对象。短期预报可为应对空气质量恶化争取准备时间。然而，逐小时PM_2.5序列波动剧烈，气象和生态观测更新频率较低，如何将两者融合构成核心建模难题。已有研究多关注非线性时间依赖或空间关系，较少系统评估卫星生态指标在逐小时预报中的增量价值。为此，研究人员提出了自适应频率门控网络(adaptive frequency gated network, AFGN)，旨在用多分辨率学习表示污染变化，并以环境状态调节预测。研究利用北京、上海、成都、武汉四个城市2023—2024年的逐小时PM_2.5观测（来源于中国环境监测总站全国城市空气质量平台），结合每日气象记录（来源于NOAA全球地面日值摘要，Global Surface Summary of the Day, GSOD）和MODIS卫星生态产品（归一化植被指数NDVI、归一化水体指数NDWI、叶面积指数LAI、地表温度LST），构建并评估AFGN。模型采用并行时间卷积（含多个膨胀因子）提取不同感受野的污染特征，再经双向门控循环单元(bidirectional gated recurrent unit, BiGRU)编码；气象和生态上下文通过注意力权重和带符号残差门控（Tanh激活）调制最终预测。评估使用按时间顺序划分的训练、验证、测试集，以均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)和决定系数(R²)为主要指标，并与门控循环单元(gated recurrent unit, GRU)、长短时记忆网络(long short-term memory, LSTM)、DLinear等基线比较。结果表明，AFGN在1、6、12小时平均预测误差低于GRU，但卫星生态输入在整体上未带来额外增益；仅在探索性亚组中观察到正贡献。该研究为短期空气质量管理和环境司法提供了定量证据。

**4.1 时间诊断与多水平预报**：描述性多尺度分解和功率谱密度显示，四个城市的PM_2.5变化分布在多个时间尺度，其中北京、上海以天气尺度变异较突出，成都、武汉慢变化占比更大。在1、6、12小时预报上，AFGN的平均RMSE低于GRU；6小时时，平均RMSE从GRU的13.498 μg/m³降至AFGN的12.526 μg/m³，绝对降低0.971 μg/m³，相对降低7.20%，平均R²从0.689升至0.733。在24、48小时，GRU的点估计优于AFGN，但配对区间包含零，差异不显著。

**4.2 事件追踪与污染事件表现**：对北京一次污染累积过程的轨迹对比显示，AFGN能跟踪浓度上升和下降，但对观测峰值179 μg/m³存在低估。在35 μg/m³和75 μg/m³阈值下，F1分数分别为0.812和0.573；对于超过150 μg/m³的极端浓度，RMSE为50.976 μg/m³，平均偏差为?47.054 μg/m³，表明严重事件中存在系统性低估。

**4.3 对比性能、敏感性与组件归因**：6小时对比中，AFGN的RMSE为12.526 μg/m³，与最接近的基线DLinear（12.840 μg/m³）的配对差异未达到统计显著。配对重采样区间在1、6、12小时支持AFGN优于GRU，在24、48小时包含零。输入消融实验表明，在保持网络结构不变的情况下移除卫星生态输入后，6小时RMSE从12.526降至12.199 μg/m³（差异?0.328，95%区间?0.455至?0.130），说明卫星生态输入在整体上并未带来预测增益。条件分析进一步显示，仅在12月且污染四分位Q2的预报起点，纳入生态输入使RMSE从8.867降至8.439 μg/m³（降低0.429，即4.83%，调整区间0.023–1.405），提示生态信息在特定中等污染条件下可能具有正贡献，但该结果源于探索性亚组，需独立冬季数据验证。移除多分辨率分支和符号残差贡献分别使RMSE升至12.594和12.382，而容量控制（更宽的GRU）为13.256，表明AFGN中的多分辨率表示与符号门控机制本身是有效的。

**讨论总结**：研究人员指出，AFGN在短时预报上的提升主要来自多分辨率表示与环境融合；DLinear的相近表现说明部分可预测变异可由简单线性分解获得。在24小时以上，AFGN优势消失，可能需要邻站观测或数值预报补充。生态消融结果说明完整模型相对GRU的优势不意味着卫星输入总体有益，可能与卫星指标与气象信息重叠及更新频率低有关。峰值低估问题不能仅靠更换损失函数解决，需要更多极端事件数据和边界层高度、排放活动等预测变量。在可持续管理方面，逐小时预报可支持监测与预警，但生态输入的预测关联不能视为蓝绿基础设施(blue and green infrastructure, BGI)干预的因果效应。

**结论翻译**：本研究提出了AFGN，一个结合污染动力学与气象和卫星生态信息的逐小时PM_2.5多分辨率预报框架。其主要方法学贡献在于将快速浓度变化与更持久的环境条件分别表示，并通过注意力和符号门控结合。在北京、上海、成都、武汉的评估显示，AFGN在1、6、12小时的平均预测误差低于GRU，以6小时改善最明显。受控输入比较区分了预报架构性能与卫星生态信息的贡献；后者依赖预报条件，不能解释完整模型的整体改进。在12月第二污染四分位中观察到阳性生态贡献，且排除个别城市、种子或时间段后仍为正，但需独立冬季数据确认。就可持续城市空气质量管理而言，本研究提供了一种预报方法和评估环境预测信息价值的证据；将短时预报纳入监测预警可支持及时的污染响应和公众暴露防护，其规划价值在于补充空间和生态评估，而非估计特定BGI干预的减排量。此外，该工作还为环境保护法下的环境司法案件提供了定量证据，支持对城市蓝绿生态空间和PM_2.5管控的前瞻性法律监督。