基于深度学习(Deep Learning)的秘鲁利马市紫外线(Ultraviolet, UV)辐射强度预报：对气候韧性与公共卫生的意义

《Algorithms》：Deep Learning-Based Forecasting of Ultraviolet Radiation Intensity in Lima, Peru: Implications for Climate Resilience and Public Health

　　

紫外线（Ultraviolet, UV）辐射是与皮肤癌、皮肤光老化及眼损伤相关的主要环境风险因子。在气候变率背景下，云量变化与臭氧层动态增加了高暴露城市地区对可靠短时UV预报系统的需求。本研究以秘鲁利马市气象站逾827,000条记录为数据基础，在统一实验协议下——含5分钟聚合、日间滤波、固定60分钟预报时域、时序训练—测试划分、时序交叉验证、统计显著性检验及定量残差诊断——对比了统计模型、循环深度学习方法及混合神经网络模型对UV辐射强度的预报效果。结果表明，循环及混合深度学习模型显著优于传统统计方法；其中混合模型2（Hybrid Model 2）在独立测试集上取得最低均方根误差（Root Mean Squared Error, RMSE）与最高决定系数（R2），统计检验证实其优于经典时序预报模型。残差诊断显示模型系统性偏差有限，但极端UV峰值仍是预报不确定性的主要来源。本研究为短时UV辐射强度预报提供了可复现的人工智能（Artificial Intelligence, AI）框架，可支撑面向公共卫生防护、环境监测与气候韧性的智能早期预警系统，并为可持续发展目标（Sustainable Development Goals, SDGs）第13项"气候行动"提供支持。

论文解读：基于深度学习的秘鲁利马市紫外线辐射强度短时预报研究

该研究发表于《Algorithms》期刊。紫外线（Ultraviolet, UV）辐射是皮肤癌（黑色素瘤与非黑色素瘤）及眼损伤的首要可预防风险因素，长期累积暴露尤为危险。秘鲁沿海如利马市常年受强太阳辐射影响，而UV辐射强度（单位面积入射UV辐射能，mW/cm²）作为连续物理量比紫外指数（Ultraviolet Index, UVI）更利于精细建模与极端风险评估。现有研究中，传统统计模型（自回归积分移动平均模型 Autoregressive Integrated Moving Average, ARIMA；季节性自回归积分移动平均模型 Seasonal ARIMA, SARIMA；Prophet）虽具可解释性，但难以刻画UV序列的高度非线性与突发峰值；机器学习与深度学习（Deep Learning, DL）方法虽有应用，但缺乏在相同预报条件下（统一时域、时序划分、无数据泄露、统计检验与残差诊断）对传统统计与循环、混合神经网络进行系统比较。为此，研究人员基于利马国立工程大学（Universidad Nacional de Ingeniería, UNI）Rímac区气象站长时段UV强度数据，构建统一短时（60分钟超前）预报框架，系统评估八类模型性能，并通过时序交叉验证、Diebold–Mariano检验及残差诊断确认最优方案，为短时UV预警与气候适应政策提供可复现方法论基础。

研究人员所用主要关键技术方法如下：数据源自秘鲁利马UNI气象站MKIII-RTI-LR设备采集的827,559条原始UV辐射强度记录（2023年4月—2024年11月），保留06:00–18:00日间观测，按5分钟重采样聚合，最终得89,571条有效样本。采用Min–Max归一化且缩放器仅拟合训练集以防未来信息泄露，构建滑动窗口监督学习问题（输入前60分钟=12个5分钟步长，预报未来第60分钟的值）。按时间顺序以约90%/10%划分为训练集（80,613条）与独立测试集（8,958条）。对比模型含：朴素持久模型（Naive Persistence）、ARIMA、SARIMA、Prophet、长短期记忆网络（Long Short-Term Memory, LSTM）、门控循环单元（Gated Recurrent Unit, GRU）、混合模型1（轻量因果一维卷积+CNN+GRU）及混合模型2（多尺度并行因果Conv1D[核大小3与7]+双向GRU[Bidirectional GRU, BiGRU]）。神经网络以Adam优化器训练，循环模型用均方误差（Mean Squared Error, MSE）损失，混合模型用Huber损失增强对极值鲁棒性，辅以Dropout、L2正则化、早停与自适应学习率衰减。除主测试集评估外，对四类神经网络做五折扩展窗口时序交叉验证；以平均绝对误差（Mean Absolute Error, MAE）、RMSE及R²为指标；以Wilcoxon符号秩检验、配对t检验及Diebold–Mariano（DM）检验比较预测精度差异；对最优模型计算残差均值、标准差、偏度、峰度及Ljung–Box检验评估残差自相关。

4.1. Comparative Forecasting Performance（比较预报性能）

通过对所有模型在相同60分钟超前时域与相同时序切分下的独立测试集评估发现，混合模型2取得最低RMSE（0.3849）与最高R²，混合模型1次之，随后为GRU与LSTM；朴素持久模型虽MAE最低（0.1509）但RMSE较高且R²偏低，说明其对大幅波动捕捉不足。传统统计模型中ARIMA与SARIMA得负R²，Prophet亦为负R²，表明线性统计方法无法充分表征UV序列的非线性动态。深度学习及混合架构整体较贴近观测UV时序演化，统计模型则过度平滑并漏失高强度峰值。

4.2. Detailed Analysis of the Best Model（最佳模型的详细分析）

混合模型2被选作最优模型做详细分析，其预测曲线在测试期能复现UV辐射强度整体日间形态与主要涨落时机，多数辐射峰值可被识别，尽管最高极值略有低估，但在高度可变环境条件下实现了精度与稳定性的平衡。

4.3. Temporal Cross-Validation Analysis（时序交叉验证分析）

对LSTM、GRU、混合模型1、混合模型2施行五折扩展窗口时序交叉验证，GRU在跨折平均RMSE上略优，但混合模型2在独立hold-out测试集上取得最佳泛化表现，说明混合模型2具备更强的实际预报外推能力。

4.4. Statistical Significance Analysis（统计显著性分析）

以混合模型2为参照，Wilcoxon与配对t检验显示其与所有对比模型差异显著；Diebold–Mariano检验则明确证实混合模型2对ARIMA、SARIMA及Prophet的预测损失显著更低（p < 0.05），相对SARIMA、ARIMA、Prophet分别降低RMSE约67.67%、41.45%、20.85%。混合模型2与LSTM、GRU、混合模型1间DM检验未达显著，说明深层及混合神经网络同属高性能组且共同优于经典统计模型。

4.5. Comparative RMSE Analysis（比较RMSE分析）

可视化对比进一步确认混合模型2 RMSE最低，混合模型1、GRU、LSTM依次接近，统计模型RMSE显著偏高，验证了非线性深度学习架构更适合短时UV辐射强度预报。

4.6. Residual Analysis（残差分析）

混合模型2残差均值近零（0.1034），标准差适中（0.3708），无显著系统性偏差；但正偏度（4.6013）与高超额峰度（38.3022）说明偶发大误差主要来自突发极端UV峰值。Ljung–Box检验p < 0.05提示残差存留微弱时序依赖，可能源于未纳入的气象协变量（云量、臭氧浓度、湿度、气溶胶等）。

讨论与结论翻译总结

研究人员指出，UV辐射强度预报具强日变化、非平稳及突发峰值特征，经典线性模型力有不逮。混合模型2（多尺度因果Conv1D + BiGRU）凭借卷积层提取局部短时模式与循环层建模跨时序依赖的互补机制，最有效地捕获了利马沿海典型多变辐射动态，在独立测试集获MAE = 0.1618、RMSE = 0.3849及最高R²。DM检验证实其显著优于ARIMA、SARIMA与Prophet；神经网络间差异未达显著，但混合模型2泛化最优。残差诊断示极端峰值为主要不确定源，引入额外大气预测因子有望进一步提升。研究局限含单站数据及未纳入多气象变量。该统一协议（固定时域、时序划分、时序交叉验证、DM检验、残差诊断）为短时UV监测与早期预警提供了可复现AI框架，可服务于公共卫生防晒宣教、职业暴露管理及气候韧性环境监测，呼应联合国可持续发展目标（SDG）13（气候行动）与SDG 3（良好健康与福祉）。最终结论为：在秘鲁利马UV辐射强度短时（60分钟超前）预报中，深度学习特别是结合卷积特征提取与循环序列建模的混合神经网络（Hybrid Model 2）显著优于传统统计模型，为业务化短时UV预警系统奠定方法学基础。