基于可解释集成机器学习的阿拉伯半岛夏季PM2.5变化统计仿真：空间分块技能迁移能走多远？

《Infectious Disease Reports》：Interpretable Ensemble Machine Learning for Statistical Emulation of Summer PM2.5 Change in GEOS-CF over the Arabian Peninsula: How Far Does Spatially Blocked Skill Transfer?

　　

细颗粒物（PM2.5）在阿拉伯半岛的地面监测非常匮乏。本研究利用来自Sentinel-5P TROPOMI、ERA5-Land、CHIRPS和MODIS Aqua的十三个预测因子，在原生0.25°网格（3933个单元）上，采用可解释集成机器学习方法，对NASA GEOS-CF成分系统中2020年至2025年夏季（六月至八月）PM2.5的相对变化进行统计仿真，并测试所得技能在空间上的迁移距离。在10×10空间分块条件下，基于树的集成模型达到了交叉验证R2=0.82–0.84，而线性回归仅为0.55。一个仅使用经纬度且经过相同调优的随机森林表现更佳（R2=0.91），并且在更大分块、排除缓冲区以及五个保留扇区中的四个中仍保持优势；与坐标结合后，预测因子仅增加了微弱的技能。一旦排除了训练单元周围300公里范围内的单元，预测因子模型便完全丧失技能，在一个包含超过+40%变化的单一连续簇的未见过东部扇区上失败（r=0.11），并且无法迁移到其他夏季；此外，对参考场的插值比所有仿真器都更准确地填补了模拟空缺。首要预测因子——总柱O3变化——是一个纬度梯度（r=0.94）。在分离的空间设计下，分裂共形区间在90%名义水平上覆盖了82–98%的测试单元，但在东部扇区仅为60%。因此，此类仿真器的空间分块技能是内插性质的，应与迁移诊断一起报告。

研究背景与现存问题

细颗粒物（PM_2.5）是全球性的重大环境健康风险因素，每年约导致670万人过早死亡。阿拉伯半岛是全球表征PM_2.5动态最具挑战性的区域之一，其特点是超干旱沙漠地表、持续的沙马尔风和哈布风系统引发的矿物气溶胶负荷、夏季太阳辐照度超过700 W/m²驱动光化学二次气溶胶生成，以及集中在科威特、沙特阿拉伯东部、巴林和卡塔尔的大量石化工业活动。这些并发过程使得PM_2.5变率呈现强烈的非线性和空间异质性。然而，该地区的地面空气质量监测网络在空间上稀疏、时间上不连续且分布不均，几乎无法覆盖内陆沙漠、也门南部和阿曼农村地区。因此，卫星遥感和大气成分建模成为填补观测空白的主要手段。尽管集成机器学习在非线性环境建模中表现出色，但其应用于地理空间数据时面临根本性挑战：标准的随机k折交叉验证会将空间相关的观测同时分配到训练集和验证集，产生过于乐观的性能估计，无法反映对未观测位置的真实泛化能力。此外，现有针对阿拉伯半岛的区域机器学习研究均未检验其技能能否经受住当前推荐的空间验证设计，也未检验预测因子是否携带超越空间坐标本身的信息。

研究内容与结论

研究人员开发了一个多算法集成仿真器，用于重建NASA GEOS-CF系统模拟的2020年至2025年夏季PM_2.5相对变化场。研究发现，在10×10空间分块交叉验证下，树基集成模型达到R²=0.82–0.84，但仅使用经纬度的随机森林表现更好（R²=0.91）。预测因子的技能本质上是内插性的：一旦排除训练单元周围300公里范围，模型即丧失所有技能；在包含最大变化簇的未见过东部扇区上完全失败（r=0.11）；且无法迁移到其他年份。首要预测因子——总柱O₃变化——实际上是纬度梯度代理变量。研究意义在于，研究人员提供了一个透明的方法论协议，明确了在数据稀缺的干旱地区，基于卫星预测因子对粗分辨率成分模型场进行仿真的能力边界，强调了报告空间迁移诊断的必要性。

关键技术方法

研究人员使用了Google Earth Engine云平台获取和处理所有输入数据。目标变量为NASA GEOS-CF v1系统的PM_2.5质量浓度（PM25_RH35_GCC波段，0.25°原生分辨率）。预测因子包括：来自Sentinel-5P TROPOMI的六种柱浓度产品（对流层NO₂、总CO、HCHO、SO₂、CH₄混合比和总臭氧柱）；来自ERA5-Land再分析的五个气象变量（2米气温、地表气压、10米风速、相对湿度和CHIRPS降水总量）；以及来自MODIS Aqua的两个地表变量（昼夜地表温度和NDVI）。研究人员将2020年和2025年夏季均值的变化定义为百分比变化或绝对变化，并在0.25°原生网格上进行建模（n=3933）。缺失预测值采用列中位数插补，所有预测因子经z-score标准化。研究人员实施了嵌套的空间分块交叉验证设计：外层10折GroupKFold用于性能评估，内层5折GroupKFold用于超参数调优和堆叠元特征生成。评估了六个回归模型：多元线性回归、随机森林、XGBoost、LightGBM、CatBoost以及以岭回归为元学习器的堆叠集成。可解释性分析采用了三种互补的特征重要性指标：平均杂质减少量、排列重要性和SHAP值。不确定性量化采用了分裂共形预测区间。

研究结果

3.1 模型性能与估计精度

在10×10空间分块下，多元线性回归表现最弱（CV R²=0.55），所有树基集成模型表现接近（CV R²=0.82–0.84），堆叠集成最优（R²=0.84，RMSE=6.54%）。所有集成模型在参考值超过约+40%时均表现出系统性低估趋势。

3.2 分层性能与高变化簇

绝对误差随变化幅度增大而增大，极端层（参考变化超过+40%的51个单元）的平均偏差为?28.6%，RMSE达30.3%。这51个单元形成一个位于阿曼海岸的8连通空间簇，其中49个落入同一外折。亚区域上，东南部（阿曼）沿海区和东北工业走廊误差集中。

3.3 2020→2025年PM_2.5变化的空间分布

参考场呈现显著的东-西偶极子格局：正变化占据半岛东部，向阿曼沿海加剧（最大值+67.7%）；负变化主导沙特阿拉伯中北部内陆。该偶极子与经度强相关（r=0.80）。

3.4 残差诊断

交叉验证残差呈现非正态性、强空间自相关（Moran's I=0.72）和异方差性。残差空间分布显示沙特阿拉伯中部内陆存在系统性高估，而东北部和阿曼沿海存在系统性低估。

3.5 特征重要性与共形预测区间

总柱O₃变化在三种重要性指标上均为首要预测因子，其次是白天LST和CO变化。分裂共形区间在五次旋转中覆盖率为82.2%–98.3%，但东部扇区覆盖率降至59.8%，且未覆盖任何极端单元。

3.6 技能对验证设计的依赖性、空间迁移与坐标的作用

技能高度依赖于验证设计：随着分块增大或排除缓冲区的增加，CV R²急剧下降。仅使用经纬度的随机森林在所有分块和缓冲设计下均优于十三预测因子模型，且在五个保留扇区中的四个表现更佳。预测因子仅在作为坐标的补充时才携带一些可迁移信息。在模拟缺失单元实验中，对参考场本身的逆距离加权插值在所有半径下均优于所有仿真器。时间迁移测试表明，从一个变化场学到的关系无法迁移到另一个。

讨论与结论

特征重要性排名揭示了首要预测因子总柱O₃变化实质上是纬度梯度代理变量，而非光化学信号。白天LST变化与PM_2.5增加的关联可能反映了气溶胶负荷引起的辐射冷却效应，而非因果驱动。本研究的核心发现是：在空间分块验证下，卫星预测因子并未携带超越空间位置的信息；报告的技能本质上是相邻分块间空间插值的技能，由空间平滑的预测因子介导。研究严格限定了自身范围：所有性能指标均是针对GEOS-CF参考产品的仿真度量，而非对真实近地表浓度的验证。研究结论指出，此类仿真器的空间分块技能是内插性质的，应始终与迁移诊断一并报告，以避免对模型泛化能力的过度乐观解读。