综述：极端空气污染监测与建模技术及其应用综述

《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：A review of extreme air pollution measurement and modeling techniques with applications

　　库尔迪普·辛格·劳特拉|马尼什·库马尔·戈亚尔|曼朱·莫汉
印度理工学院印多尔分校土木工程系，印度中央邦印多尔市西姆罗尔，453552

**摘要**
空气污染仍是全球重大的环境与公共卫生挑战，严重的空气污染事件会对人类健康、生态系统以及社会经济稳定带来严重威胁。本综述全面总结了近年来在极端空气污染事件的监测、建模与评估方面的最新进展。通过系统梳理2005–2025年间的相关学术文献，评估了基于地面的监管监测方法、先进的现场检测仪器、卫星与地面遥感技术、新兴的低成本及物联网传感器系统，以及多种确定性模型、统计模型、机器学习模型和混合建模方法的应用情况。分析表明，虽然传统监测系统精度很高，但在捕捉快速变化且分布不均的极端事件时，其在空间和时间分辨率上存在局限，尤其是在数据稀少的地区。卫星观测和移动传感技术显著提升了空间覆盖范围，而机器学习与混合模型则增强了短期预测能力。然而，仍存在一些关键挑战，包括化学传输模型的不确定性、机器学习模型的可解释性不足、传感器校准不一致，以及数据获取和计算效率方面的限制。北京（2013–2017年）和德里（2016–2019年）的严重污染事件表明，尽管技术在不断进步，但在实时监测、预报和政策响应方面仍存在差距。本综述认为，整合监测与建模框架、多平台数据融合以及考虑不确定性的方法，是提升预测可靠性和决策支持水平的关键途径。这些进展结合清洁能源转型与政策整合，对于构建具有韧性、可扩展性和可持续性的空气质量管理系统至关重要。

**引言**
根据世界卫生组织的数据，空气污染是全球最紧迫的环境与公共卫生问题之一，每年导致约700万人过早死亡[1]。预计到2050年，空气污染将成为导致全球过早死亡的主要因素之一[2]。近几十年来，定义为污染物浓度远超既定环境空气质量标准的极端空气污染事件，其发生频率和强度都在上升。这一趋势主要由快速城市化、工业扩张以及气候变化的影响所驱动[3][4][5]。这类极端事件会带来严重的短期健康风险，扰乱经济活动，同时也暴露出当前监测、预报和缓解措施的局限性[4]。

由于控制空气污染的大气过程极为复杂且动态多变，因此需要先进且综合的测量方法[6]。传统的地面监测系统虽能在固定地点提供高精度的观测数据，但在捕捉与极端空气污染事件相关的空间和时间变化方面存在固有局限[7]。近年来，基于卫星的遥感系统、低成本监测网络以及移动监测平台的出现，大大提升了在不同尺度上监测空气质量的能力[8][9]。尽管如此，数据准确性、校准一致性以及监测基础设施的可用性等问题，在发展中国家和数据稀少地区依然存在。

除了测量方面的挑战之外，由于大气过程的强非线性特征、强烈的气象依赖性以及极端条件的偶发性，对极端空气污染事件进行建模也面临诸多复杂性[10]。传统的确定性模型虽然基于物理原理，但在模拟极端事件时往往存在较高的计算需求和不确定性问题[9]。相比之下，机器学习方法虽具有较强的预测能力，但需要大量高质量的数据，并且需要经过严格验证才能确保在极端条件下的可靠性[11][12][13][14]。因此，将确定性方法与数据驱动方法相结合的混合框架，有望成为提升预测准确性和可靠性的有效解决方案。

尽管在测量技术和建模方法方面都取得了显著进展，但专门针对极端空气污染事件，将这两方面进行综合研究的成果仍然有限。弥补这一空白对于深化科学认知、制定有效的缓解措施和早期预警策略具有重要意义。为此，本系统性综述围绕五个关键研究问题展开：（一）不同监测技术在极端条件下的表现及其优缺点；（二）确定性模型、机器学习模型和混合模型在精度、不确定性、可解释性和计算效率方面的比较；（三）数据融合与同化技术如何提升观测和预测能力；（四）集成监测与建模系统如何为发展中国家的应急预警体系提供支持；（五）不确定性量化与模型可解释性如何为可持续的空气质量管理提供有力的决策依据。

本研究聚焦2005年至2025年间发表的相关研究，其中2015年后随着低成本传感器、地球静止卫星和深度学习技术的普及，出现了许多重大技术进展。本综述全面总结了目前的测量和建模方法，对其在极端空气污染事件中的应用中的优势、局限及适用性进行了批判性分析。旨在为研究人员、政策制定者和环境管理者提供参考，同时指出亟需进一步创新和跨学科合作的领域。

**文献检索策略**
本研究采用PRISMA指导的系统性文献综述方法，以确保对极端空气污染监测与建模相关研究的总结具有结构化、透明性和可重复性。通过Web of Science、Scopus、PubMed和Google Scholar等多个数据库进行检索，以覆盖更广泛的相关文献（图1）。选择这些数据库是为了确保涵盖大气科学、环境工程以及数据驱动相关领域的文献。

**定义极端空气污染事件**
极端空气污染事件是指污染物浓度远高于基准浓度的天气状况，此类状况会立即带来健康风险和环境问题[15]。不过，不同地区和不同应用场景下对其定义各异，大致可分为四类：统计定义、监管定义、健康定义或持续时间定义（表S1）。统计定义通常采用百分位数阈值（如第95或第99百分位），以便针对特定地区进行评估。

**监管监测网络**
传统的监管监测网络是全球空气质量评估的基础架构，它们使用高精度仪器提供长期、可靠的监测数据。例如，美国环境保护局的空气质量系统（AQS）[38]和欧洲环境署的网络[39]，都遵循标准化的流程和质量控制措施，以确保数据的一致性和不同站点之间的可比性。

**基于卫星的监测**
卫星遥感技术极大地改变了空气污染监测的方式，它能够实现大规模、长周期的空间观测，这是仅靠地面监测网络无法实现的（表2）[3]。在极端空气污染事件中，卫星观测能为识别排放热点、远距离传输路径以及跨界污染事件提供重要的宏观视角[73][74]。中分辨率成像光谱仪（MODIS）在其中发挥了重要作用。

**低成本传感器网络**
低成本空气质量传感器的普及大幅提升了空气污染监测的能力，使得密集的空间监测网络、公民科学项目以及更广泛的实时空气质量信息传播成为可能，其覆盖范围远远超过传统的高精度监测系统（图3）[7][105]。然而，低成本也意味着在测量精度方面存在一定的妥协，必须在极端污染条件下通过系统化的方法来确保数据的可靠性[106]。

**确定性模型**
基于大气物理学和化学原理的确定性空气质量模型仍是空气污染预测的核心，这类模型能够从局部到大陆尺度的不同空间范围内，描述污染物的传输、扩散和化学变化过程（表3）[ [131][132][133] ]。由于其在线处理能力，天气研究与预报模型结合化学模块（WRF-Chem）已成为研究和业务应用中的主流平台。

**多平台数据集成**
有效的极端空气污染监测越来越依赖于整合来自多个平台的观测数据，这样才能实现单一数据源无法提供的全面空间和时间覆盖[169][170]。地面监测网络、卫星观测数据以及新兴的传感器技术相结合，能够更准确地描述极端事件期间的污染动态、污染源贡献及传输过程。传感器融合算法则是实现这一目标的重要手段。

**极端空气污染事件的案例研究**
2013–2017年影响北京的严重冬季雾霾事件，以及2016–2019年德里周期性出现的空气污染危机，为测试极端空气污染的监测和建模能力提供了绝佳的自然实验室。在北京，这些事件的特征是每日PM2.5浓度持续偏高，常常超过200–250微克/立方米，有时甚至达到250–300微克/立方米（图4），并且污染会持续数天，导致月平均浓度居高不下。

**政策启示与未来方向**
极端空气污染事件与能源生产、交通系统及工业活动密切相关，因此，要缓解这类污染问题，就必须采取综合性的空气质量管理政策。近期研究表明，那些实施了严格排放控制措施并逐步转向清洁能源的地区，其污染浓度及相关健康风险已出现明显下降[207][208]。

**结论**
本综述总结了当前在极端空气污染监测与建模方面的最新进展，同时指出了制约有效预测和事件管理的关键因素。尽管在监管监测网络、卫星观测、低成本传感器以及移动监测平台等方面取得了显著进展，但仍存在空间和时间分辨率不足、垂直剖面数据缺失，以及数据质量和校准问题尚未得到妥善解决等挑战。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
作者感谢全球科学界的宝贵贡献，他们的研究成果极大地推动了人们对极端空气污染监测与建模技术的理解。我们特别赞赏那些致力于开发创新监测技术、先进建模框架以及与政策相关的解决方案的研究人员们。作者衷心感谢……部门的支持。