将预测与规划相结合：融合图像到图像的深度学习技术与绿色基础设施优化，以降低PM2.5浓度

《Applied Geography》：Bridging prediction with planning: Integrating image-to-image deep learning with green infrastructure optimization for PM2.5 mitigation

　　董玉祥|余曼竹|吴鸿•将深度学习PM2.5预测技术融入绿色基础设施优化之中。•在预测区域平均PM2.5浓度方面，UNet的性能优于Attention UNet和cGAN。•随着绿色基础设施覆盖面积的增加，空气质量改善的效果逐渐减弱。•混合森林与灌木丛是成本效益最高的PM2.5治理措施。•该框架可为基于数据、具有空间明确性的绿色基础设施规划决策提供支持。

引言
空气污染是全球对人类健康构成的主要环境风险，它会引发心血管疾病、呼吸系统疾病，以及越来越多的神经系统疾病（Burnett等人，2018年；Faherty等人，2025年）。这些健康问题不仅会降低生活质量、加重医疗系统负担，还会损害经济状况并加剧社会不平等现象（Fairburn等人，2019年）。除了对人类健康的直接影响外，持续的空气污染还会破坏生态系统、降低城市宜居性，并削弱城市的应对能力。直径2.5微米及以下的颗粒物（PM2.5）是导致空气污染相关健康问题的主要因素，2015年全球约有420万人因此死亡（Cohen等人，2017年）。因此，减少PM2.5浓度不仅是保护公众健康的当务之急，也是推动可持续且公平的城市发展的关键。

为缓解空气污染，全球各地都在通过制定法规、推进技术进步以及开展社区参与活动等手段付出巨大努力。在各种治理策略中，城市绿色基础设施因其能够改善空气质量、提升生物多样性以及提供休闲空间而成为一种极具前景的解决方案（Bottalico等人，2016年）。在城市环境中，绿色基础设施指的是存在于城市内部或周边、能够提供多种生态系统服务的自然及半自然开放空间，主要包括城市森林、草地、河流和湖泊（Bartesaghi-Koc等人，2019年）。从某种程度上而言，绿色基础设施可视为一类特定的土地利用类型。越来越多的研究表明，城市绿色基础设施可通过污染物吸收、过滤和扩散等机制显著降低PM2.5浓度并提升整体空气质量（Li等人，2023年；Nowak等人，2018年）。然而，如何将绿色基础设施有效整合到城市规划中，以最大程度地提升空气质量，依然是一个重大挑战。规划者和从业者需要相应的工具，来帮助以最具成本效益的方式优化不同类型绿色基础设施的选择、配置和布局，从而实现最大的PM2.5减排效果（Hewitt等人，2020年）。

空间优化是一种在规划阶段用于绿色基础设施或土地利用决策的常用方法，众多研究都证明了它的有效性（例如Dong、Liu等人，2025年；Zhu等人，2023年）。一个典型的空间优化框架包括决策变量（如绿色基础设施的类型和位置）、目标函数（如最小化PM2.5浓度、最小化成本）、约束条件（如预算限制、可用土地面积）以及优化算法（Tong & Murray，2012年）。这类框架通常基于遗传算法，能够有效地确定绿色基础设施的最佳规模、分配方案、位置或类型，从而实现特定目标的最大化或最小化，为城市绿色基础设施规划提供直接指导。在各类优化方法中，非支配排序遗传算法II（NSGA-II）是最常用的基于支配关系的多目标优化算法之一，它凭借出色的稳定性和性能而被广泛采用（Deb等人，2002年；H. Zhou、Wang等人，2024年）。不过，整个优化过程的有效性在很大程度上取决于目标函数，尤其是用于预测每种潜在绿色基础设施布局下PM2.5浓度的模型。这些预测模型不仅要能够准确反映不同土地覆盖类型下的PM2.5变化程度，还要具备较高的计算效率，以便处理优化过程中产生的大量候选方案。

有多种方法可作为目标函数来预测PM2.5的分布情况，包括确定性建模方法（如扩散模型和化学传输模型）、遥感反演技术、插值方法以及土地利用回归模型（LUR模型）（Jerrett等人，2005年）。LUR模型是一种统计建模方法，它依据地形、土地利用特征、交通状况和人口密度等关键空间因子来估算污染水平（Hoek、Beelen、de Hoogh等人，2008年）。与其他方法相比，LUR模型在预测PM2.5分布方面更具成本效益且易于应用，因此在流行病学研究中得到了越来越广泛的使用（X. Ma等人，2024年）。LUR模型还被成功用于评估绿色基础设施对PM2.5去除效果的作用，其方法是把绿色基础设施元素视为特定的土地利用类型。例如，Guo等人（2019年）运用LUR模型评估了针对性的城市绿化策略，发现所提出的干预措施可将总NO2浓度降低多达25%。同样，Lee等人（2014年）通过LUR模型证明，绿色和自然空间有助于空气污染物的扩散，从而降低狭窄街道中的污染物浓度。

然而，当考虑将LUR模型纳入未来的绿色基础设施优化框架时，它存在一些显著的局限性。首先，现有研究表明，LUR模型中常用的多元线性回归技术往往无法捕捉预测因子之间的空间异质性和非线性关系（X. Ma等人，2024年）。但实际上，绿色基础设施的空间形态，如形状、布局和连通性，会对PM2.5减排效果产生重要影响（Li等人，2023年）。虽然已有地理加权回归和机器学习方法被引入来解决空间方面的问题（Hu等人，2013年；Zhang等人，2021年），但这些方法仍难以准确评估特定的绿色基础设施空间布局对PM2.5分布的影响。其次，LUR模型的点对点预测方式使得进行区域尺度预测时需要大量的计算资源，这对于处理优化过程中所产生的大量绿色基础设施布局方案来说是个难题。例如，Adam-Poupart等人（2014年）称他们的LUR模型处理整个研究区域需要90天时间，这充分体现了计算效率方面的局限性。正因如此，目前仍缺乏适合且易于整合到绿色基础设施优化工作流程中的工具，用于预测PM2.5的影响。

近期，深度学习模型取得了显著进展，尤其是那些采用“图像到图像”转换范式的基于图像的方法，为克服上述局限性提供了新的途径。在这些方法中，卷积神经网络构成了基础，它通过卷积层来学习空间模式以及相邻单元之间的关系（Lecun等人，1998年）。U-Net是一种广泛使用的卷积神经网络架构，它能够生成整个图像的空间详细预测结果，通过其带有跳跃连接的编解码结构，能够保留精细的空间信息（Ronneberger等人，2015年）。在此基础上，Attention U-Net引入了注意力机制，使模型能够聚焦于最相关的空间特征，从而提升其在复杂映射任务中的性能（Oktay等人，2018年）。随后，条件生成对抗网络由于引入了对抗学习框架而在“图像到图像”转换领域变得流行起来，在这种框架中，生成器（通常基于U-Net）会根据输入条件生成输出，而判别器则负责判断这些输出相对于真实值的真实程度（Mirza & Osindero，2014年）。

鉴于其空间依赖性，基于卷积神经网络的架构在PM2.5预测任务中展现了出色的性能。例如，Lloyd等人（2023年）将卷积神经网络与LUR模型相结合，利用卫星图像和街道级图像作为输入，高精度地预测了黑碳和超细颗粒物的像素级浓度；Zhao等人（2023年）提出了基于U-Net的PM2.5预测架构，以土地利用类型、强度和气象条件作为输入，也获得了较高的预测精度；Zu和Gao（2024年）则提出了基于Pix2PixGAN的模型，成功预测出了细致的社区尺度PM2.5分布格局。总体而言，这些研究都表明，基于卷积神经网络的架构能够有效捕捉土地利用类型、其空间布局与PM2.5分布之间的复杂非线性关系。更重要的是，它们能够快速生成完整的空间预测地图，或许正是这种速度和空间清晰度，使其有望被整合到优化框架中。不过据我们所知，迄今为止还没有任何研究专门运用此类基于图像的预测模型来支持绿色基础设施规划，以实现PM2.5减排目标。

本研究的主要目标是开发一种具有空间明确性的、由深度学习驱动的优化框架，为绿色基础设施规划决策提供支持，从而助力PM2.5减排。更具体地说，我们的工作包括：1. 基于来自美国加利福尼亚州的具有空间明确性的数据集，在空间交叉验证的前提下，训练并比较多种常用的“图像到图像”深度学习架构（即U-Net、Attention U-Net和条件GAN），以此预测绿色基础设施及其他影响因素对PM2.5空间分布的影响。2. 将表现最佳的模型整合到绿色基础设施优化框架中，并在洛杉矶市的社区尺度范围内应用该框架，以评估其实际效果。

模型构建部分
本研究提出了一种分阶段的PM2.5预测与绿色基础设施空间优化方法，该方法将深度学习模型与优化技术相结合，用以指导绿色基础设施的布局决策（见图1）。首先，开发了“图像到图像”深度学习模型，这些模型基于现有研究确定的各类关键预测因子（如土地利用/土地覆盖类型、气象条件、距离道路的远近等）来预测PM2.5的空间分布。这些模型是使用加利福尼亚州的全州范围数据进行训练的。考虑到不同的……

“图像到图像”预测模型评估结果表明，与Attention U-Net和条件GAN相比，U-Net在预测精度和可靠性方面表现更为出色（见表3和图5）。在内部验证集中，U-Net的平均R2值最高，为0.502。在测试集上，它的表现也最为优异，R2值为0.640，均方根误差为1.452（见表3）。Attention U-Net的整体表现较差，在验证集和测试集上的R2值分别为0.477和0.589。条件GAN的验证集准确率最低……

将深度学习嵌入绿色基础设施决策优化框架
本研究通过将“图像到图像”深度学习模型直接整合到用于PM2.5减排的绿色基础设施优化框架中，提升了绿色基础设施决策的效率。据我们所知，这种整合方式在土地利用规划领域尚属首创。该框架将PM2.5分布视为一种连续的图像，从而能够对不同绿色基础设施布局对空气质量的影响进行细致且具有空间明确性的评估。基于卷积神经网络的深度学习模型尤其适用于……

结论
本研究开发了一种创新框架，该框架将“图像到图像”深度学习模型与空间优化技术相结合，用于支持绿色基础设施规划，以实现PM2.5减排目标。我们在基于五折空间块交叉验证协议的加利福尼亚州范围内，对比了U-Net、Attention U-Net和条件GAN三种模型的预测性能。结果显示，U-Net的预测精度最高，且跨验证组的方差最小。与在同一空间交叉验证框架下使用的移动窗口LUR模型相比，U-Net的表现更优……

关于写作过程中生成式人工智能及人工智能辅助技术的声明
在撰写本文的过程中，作者们使用了ChatGPT和Claude等工具来提升语言表达质量。在使用这些工具之后，作者们对内容进行了必要的审阅和修改，并对最终发表文章的内容负全责。

CRediT作者贡献说明
董玉祥：概念构思、方法设计、软件应用、可视化处理、初稿撰写。余曼竹：概念构思、方法设计、软件应用、监督指导、文章审阅与修改。吴鸿：概念构思、项目管理、监督指导、文章审阅与修改。

利益冲突声明
作者们声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢
本研究得到了宾夕法尼亚州立大学景观建筑系的资助。作者们还感谢编辑以及两位匿名审稿人提出的宝贵意见和建设性建议，这些意见和建议有助于提升本文的质量。