气候驱动的微气候动态与污染诱导退化预测在彩绘洞窟环境系统中的研究

《Frontiers in Environmental Science》：Climate-driven microclimate dynamics and pollution-induced degradation forecasting in painted cave environmental systems

　　

摘要：
引言：彩绘洞窟寺庙对环境波动、材料退化以及不断增加的人为压力高度敏感。现有保护方法通常缺乏一种综合框架，无法将科学监测、预测分析、国际保护标准与本土保护知识有机结合。本研究提出了一种用于彩绘洞窟寺庙预防性保护的四阶段综合框架，在概念上将中国传统保护哲学与国际环境标准相统一，其中包括 ISO 11799 和 EN 15757。

方法：研究人员基于可达性、退化强度和文化价值，采用多准则决策分析（MCDA）选择代表性遗址。通过民族志调查与先进材料表征技术，包括X射线衍射（XRD）、傅里叶变换红外光谱（FTIR）、手持显微镜以及紫外荧光成像，建立科学基线并记录本土保护实践。研究人员在关键洞窟分区部署了太阳能供电、基于LoRaWAN的物联网（IoT）传感网络，连续监测温度、相对湿度（RH）和 PM_2.5 浓度。传感器每两个月校准一次，数据处理则纳入聚合与卡尔曼平滑（Kalman smoothing）。在此基础上，研究人员开发了一种依据 EN 15757 改造的基于标准的动态阈值算法，用于评估微气候风险，且阈值根据当地环境变异性、材料脆弱性及历史气候记录进行调整。此外，研究人员构建了一个融合多模态输入的 SelfConvLSTM 退化风险预测模型，并利用量子粒子群优化（QPSO）对特征选择进行优化。

结果：该综合框架实现了环境的连续监测、动态风险分类以及退化过程的预测性评估。自适应阈值方法通过纳入遗址特异性的环境条件与材料敏感性，提高了微气候风险识别能力。SelfConvLSTM 预测模型能够有效整合传感观测、材料特征与历史遗址模式，从而支持退化风险预测和早期预警能力。

讨论：所提出框架表明，若将传统保护知识、环境监测、基于标准的风险评估以及人工智能（AI）驱动的预测加以整合，预防性保护将得到显著提升。该框架通过支持实时监测、早期干预以及具有文化适配性的决策，为环境脆弱型洞窟寺庙遗址的可持续遗产管理提供了一个可扩展且可复制的模型。

该论文发表于《Frontiers in Environmental Science》，聚焦彩绘洞窟寺庙这一对温度、相对湿度（RH）、颗粒物与人为活动高度敏感的遗产环境。论文首先指出，此类遗址长期面临颜料脱落、盐析、基底弱化、微生物滋生等复合性风险，而传统保护实践、现场环境监测、国际标准和预测模型之间往往彼此分离，难以形成可执行的预防性保护闭环。正因如此，研究人员提出一个四阶段综合框架，试图把中国传统保护理念与 ISO 11799、EN 15757 等国际标准结合起来，并通过持续监测与人工智能（AI）预测实现从“事后修复”向“事前预警”的转变。

方法概括：研究以浙江天台山区域所选彩绘洞窟寺庙为案例，先用多准则决策分析（MCDA）与地理信息系统（GIS）筛选点位，再结合X射线荧光（XRF）、X射线衍射（XRD）、傅里叶变换红外光谱（FTIR）、摄影测量、民族志调查和 LoRaWAN 物联网（IoT）传感监测，最后以动态阈值算法和 SelfConvLSTM 模型开展风险分类与预测。

研究设计上，第一阶段围绕遗址筛选与基线评估展开。研究人员使用归一化植被指数（NDVI）、地形位置指数（TPI）、土地利用变化（LUC）、环境压力评分（EPS）等空间指标，结合可达性、退化程度和文化意义进行 MCDA 排序，以构建代表性样点体系。同时，现场采用非侵入式材料诊断方法识别灰泥、颜料、盐类及生物膜等信息，用以建立材料退化基线。文中材料分析表明，彩绘层与基底中存在方解石（CaCO₃）、石英（SiO₂）、石膏（CaSO₄·2H₂O）等成分，并检测到蛋白类黏结剂、树脂痕量及盐析、微裂隙和真菌生物膜迹象，这为后续阈值设定和风险建模提供了依据。

第二阶段为连续环境监测。研究人员在洞窟入口区、过渡区和深部区部署 18 个传感节点，监测温度、RH、NOx、SOx、PM_2.5 和气压等参数，利用太阳能供电并通过 LoRaWAN 回传数据。结果显示，洞窟内部中后部区域较入口区更稳定，后部区域在多数指标上表现出更强的缓冲效应；入口区则因外界空气交换、日变化和人员活动更容易出现 RH 波动和颗粒物扰动。卡尔曼平滑提升了时间序列数据可用性，而定期校准保证了数据可靠性。

第三阶段为阈值驱动的风险分类。论文保留并强调了以下结果标题及其含义。
3.1 实验设置：研究采用统一训练—验证—测试划分，并在高性能硬件上训练、在边缘设备上模拟部署，为模型比较提供一致条件。
3.2 指标分析：准确率、精确率、F1 值、灵敏度、特异度、均方根误差（RMSE）、平均绝对误差（MAE）、结构相似性指数（SSIM）和晶界变化指数（GBVI）共同用于评价模型在传感器数据与图像数据上的综合表现。
3.3 传感器数据与图像数据性能比较：研究将基线模型与参考模型纳入同一评价框架，以验证所提方法在多模态退化预测中的优势。
3.3.1 传感器数据：研究人员基于 EN 15757 的移动平均方法提取 RH 和温度的短时异常，并依据 ISO 11799 对污染物暴露超限进行判定，进一步构建分区风险指数（ZRI）。结果表明，自适应阈值优于静态阈值，因为它同时考虑了季节性、材料敏感性与区位差异，能更有效识别季风期高湿与入口区污染暴露所带来的风险。
3.3.2 图像数据：通过紫外荧光、显微图像和洞窟表面图像，研究人员识别了修复区、真菌生物膜、裂隙与颜料衰退区域，并将其与环境记录对齐，用于支持风险标签生成和模型训练。视觉信息与传感器时间序列的融合，提高了退化识别与风险预报能力。

第四阶段为 AI 驱动预测建模。研究提出 SelfConvLSTM 模型，将卷积神经网络（CNN）用于图像空间特征提取，双向长短期记忆网络（BiLSTM）用于时间序列依赖学习，自注意力机制（Self-Attention）用于突出关键时间步和重要特征关系，并使用 QPSO 进行特征选择优化。根据文中结果，该模型在准确率、精确率、F1 值、RMSE、MAE、R²、SSIM 与 GBVI 等指标上均优于 CNN、LSTM、GRU、Transformer 及 GoogLeNet、ResNet101、DenseNet、EfficientNet 等比较模型，说明其在融合环境传感与材料影像信息方面具有更强的预测能力。

讨论部分的核心在于，论文并未将保护工作局限于单一技术改进，而是构建了一个“标准—监测—分区—预测”一体化体系。研究人员认为，该体系的意义主要体现在三方面：其一，它把传统保护知识纳入现代环境治理框架，使文化约束与技术部署能够协同；其二，它通过实时监测和动态阈值实现风险早识别，减少不可逆损害；其三，它证明了此类模型具备边缘部署潜力，可服务于网络条件有限、环境敏感度高的洞窟遗址。论文同时指出，模型虽具备较高预测精度，但可解释性仍需进一步加强。

研究结论部分可译述如下：本研究在结合中国本土保护知识与 ISO 11799、EN 15757 等国际标准的基础上，构建了一套面向彩绘洞窟寺庙的综合性、标准化预防性保护框架。该框架通过遗址筛选、传感监测、自适应阈值风险评估与深度学习预测四个阶段，形成了兼具科学严谨性与文化情境适配性的可扩展数据驱动方法。基于 LoRaWAN 的物联网监测网络、民族志知识整合，以及结合 QPSO 特征优化的 CNN-BiLSTM-Attention 分析体系，共同提升了遗产保护技术能力。通过将早期预警、动态风险分类、材料敏感性和历史环境行为联系起来，该模型能够为保护决策提供具有操作性的支持。总体而言，论文的主要贡献不在于提出单项监测工具，而在于建立了一种可复制的预防性保护路径，为环境脆弱型洞窟遗产的长期可持续管理提供了方法学基础。