一种可用于街道级多污染物预测的可解释堆叠集成学习方法

《Atmospheric Environment》:An explainable stacked ensemble learning for street-level multi-pollutant prediction

【字体: 大 中 小 】 时间:2026年07月23日 来源:Atmospheric Environment 3.8

编辑推荐:

  摘要 城市空气污染对公共健康构成重大威胁,因此亟需高精度且易于理解的污染物浓度估算方法。本研究提出了一种可解释的堆叠集成学习框架,该框架整合了街景图像、气象数据以及月份周期编码,用于估算六种污染物(PM1.0、PM2.5、PM10、SO2、NH3和O3)的浓度。该框架以随机森

  摘要
城市空气污染对公共健康构成重大威胁,因此亟需高精度且易于理解的污染物浓度估算方法。本研究提出了一种可解释的堆叠集成学习框架,该框架整合了街景图像、气象数据以及月份周期编码,用于估算六种污染物(PM1.0、PM2.5、PM10、SO2、NH3和O3)的浓度。该框架以随机森林、XGBoost和LightGBM作为基础学习器,再通过线性回归作为元学习器。该方法与十余种基准模型进行了比较,其中包括八种传统机器学习模型(随机森林、支持向量机、决策树、KNN、XGBoost、梯度提升树、LightGBM和多层感知器)以及三种深度学习模型(LSTM、TCN和FT-Transformer)。模型性能通过决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)以及一致性指数(IA)来评估。所提出的模型在大多数污染物上的表现均十分优异且稳定。为进一步提升可解释性并量化预测不确定性,研究还采用了SHapley加性解释值方法进行特征归因,并运用分割符合预测方法构建经过校准的90%预测区间。总体而言,该框架为城市暴露评估及空气质量管理提供了一种既具有可解释性又可靠的方法。

引言
空气是生命生存的重要自然资源(Tam等人,2023)。空气污染仍是全球范围内对人类健康最具威胁的环境问题之一,每年导致数百万人过早死亡(Burnett等人,2018)。根据世界卫生组织的数据,几乎所有地区的空气污染物浓度都超过了健康标准(世界卫生组织,2020)。因此,建立高效且精细的空气质量监测系统对于环境管理和公共健康保护至关重要。

空气质量监测通常采用两种主要方式:固定站点网络和移动监测。固定监测站能够提供连续且可靠的时序数据,但维护成本高昂,空间覆盖范围有限(Apte等人,2018)。相比之下,移动监测具有灵活的空间采样能力和更高的成本效益(Clark等人,2024;Kerckhoffs等人,2025),能够实现街道级别的实时污染物变化监测。例如,Apte等人证明,移动监测所能捕捉到的城市内部污染模式,在空间精度上比固定监测网络高出四到五个数量级(Apte等人,2017a)。然而,即便拥有移动传感器数据,仍需要有效的模型才能将其转化为高精度的浓度估算值。

近年来,许多学者致力于空气污染相关研究,提出了多种预测模型并应用于实际预测中。这些方法包括统计模型、机器学习模型以及深度学习模型。常见的统计模型有自回归积分滑动平均模型(ARIMA)、广义加性模型(GAM)以及土地利用回归模型(LUR)。由于ARIMA能够刻画浓度序列的自相关性结构与时序波动,因此被广泛用于PM2.5等污染物的短期预测(Kaur等人,2023)。而LUR模型则通过道路网络、建筑特征、人口数据以及土地利用格局等解释变量,用于构建城市尺度的空间暴露分布,从而推断PM2.5的空间差异(Wu等人,2015)。不过,大气环境本质上是非线性和非平稳的,这使得传统统计模型难以捕捉污染物浓度的复杂非线性变化。随着人工智能的快速发展,深度学习模型逐渐成为模拟非线性及时空性空气污染模式的强大工具。

深度学习模型,如LSTM、CNN-LSTM、Transformer以及图神经网络(GNN),凭借端到端的特征学习能力,在捕捉长时序依赖关系、非线性动态以及不同监测点间的时空传播规律方面表现出显著优势。例如,CNN-LSTM被用于结合局部特征与时间依赖关系来预测PM2.5浓度;基于Transformer的架构则可用于建模时空性空气污染序列,并提升对长距离依赖关系的表征能力(Zhang等人,2025)。此外,图结构的GNN能够直观地描述监测点之间的关联关系与传播过程(Jana等人,2024)。然而,深度学习方法通常需要规模较大且分布范围更广的数据集,同时训练和超参数调整的成本也相当高。而且,这类模型的可解释性往往有限,即便使用注意力可视化方法,也可能无法完全满足环境管理中的可追溯性要求。

相比之下,机器学习方法能够在相对较低的训练成本下有效学习非线性关系,并且在空气污染预测中已被证实具有稳定的性能。此外,这些模型可与SHAP等可解释性框架相结合,通过全局重要性和局部贡献分析揭示输入变量的影响方向与相对重要性,从而提升模型的可信度与可解释性。不同的机器学习算法在特征表示和误差特性方面各有优势,因此很难有单一模型同时实现高精度与高稳定性。为此,人们通常采用集成学习方法,将多个基础学习器的互补信息整合在一起,以此降低偏差与方差,提升预测的稳健性。尽管现有的许多集成框架仍然依赖简单的融合策略,如对不同模型预测结果的加权平均或均值聚合,但由于这些组合规则较为固定,可能无法充分发挥各基础学习器之间的互补作用,从而导致在复杂条件下的性能波动与稳定性不足。为解决这一问题,堆叠集成方法被认为是一种更为有效的策略,有助于提升模型在各种应用场景中的性能与适用性。具体而言,堆叠集成通过引入具有不同归纳偏好的基础学习器组,并再通过元学习器来学习最优的融合函数与权重,从而在空气质量估算任务中展现出更高的预测精度与更强的稳定性。例如,Feng等人提出了ST堆叠框架,该框架以XGBoost、KNN和反向传播神经网络作为基础学习器,再结合线性回归作为元学习器,旨在实现对地面PM2.5浓度的小时级连续预测,该框架强调通过整合时空特征与气象变量等多源信息来提升预测精度与稳健性(Feng等人,2020)。?züpak等人也采用堆叠集成策略,发现相较于单一模型,该方法可使空气质量预测的RMSE降低15%–20%(?züpak等人,2025)。此外,堆叠集成学习还被应用于环境预测之外的复杂工程诊断任务中(Benkaihoul等人,2025)。总体而言,与大多数单一机器学习模型相比,堆叠集成模型始终表现出更强的稳定性与更广的应用范围。

随着地理空间数据的不断发展,街景图像已成为城市环境分析的重要数据来源。谷歌街景和百度街景等平台提供了大量关于城市形态、植被以及城市建成环境的视觉信息(Hong等人,2020;Kim等人,2024)。这些图像数据集有助于提取与空气污染物扩散相关的局部城市特征。不过,来自在线平台的静态图像无法反映交通状况和污染物排放的实时变化(Qi和Hankey,2021)。为解决这一问题,移动监测过程中采集的同步街景视频能够提供时间上对齐的视觉与环境数据,从而弥补空间背景与污染物浓度动态变化之间的差距。此外,现有研究往往依赖街景图像的语义分割技术,来量化建筑物、道路、植被和天空等不同类别的比例,进而建立街道场景特征与污染物浓度之间的关联。然而,这些方法通常需要高质量的有标签数据以及复杂的 segmentation模型,从而导致较大的计算负担。此外,分割错误还可能在特征提取过程中传递,进一步降低预测的稳定性。因此,有研究采用了一种更为轻量级的视觉表示方法,即直接将街景RGB图像转换为HSV颜色空间,然后从色调、饱和度和明度通道中提取统计特征(Liu等人,2024)。这些特征能够捕捉与植被覆盖、天空可见度以及建成环境色彩结构相关的视觉信息,为污染物预测提供有价值的图像输入。

本研究提出了一种可解释的堆叠集成学习框架,用于在街道尺度上估算多种空气污染物浓度。该方法整合了移动监测过程中采集的街景视频(从中提取HSV颜色特征)、气象参数以及月份周期编码,共同构成一个预测框架。研究选择了六种具有代表性的污染物作为预测目标,即PM1.0、PM2.5、PM10、SO2、NH3和O3,并以随机森林、XGBoost和LightGBM作为基础学习器,再通过线性元学习器将它们结合起来,以提高预测精度与稳定性。该框架为空气质量预测提供了一种既具有可解释性又可靠的方法。

研究区域
本研究在北京市海淀区及新疆和田市开展(见图1)。海淀区位于北京市西北部,是典型的城市核心区域,总面积约为431平方公里。该地区拥有丰富的科研教育资源、高新技术产业以及密集的人口分布。2020年,该区的地区生产总值高达8504.6亿元人民币,同比增长5.9%(Wei等人,2023)。

空气污染物概况
本研究基于北京典型的气象条件,选择了五月、六月、十月和二月这四个代表性月份,分析了空气质量的季节性变化。图3显示了这六种污染物的平均季节性浓度,呈现出明显的季节性规律。颗粒物(PM1.0、PM2.5、PM10)的浓度在冬季明显升高,这主要是由于供暖排放增加以及大气层流动停滞所致。相比之下,气体污染物的浓度变化则没有如此明显的季节性趋势。

结论
空气污染对人类健康和生态环境造成严重危害,已成为备受关注的公共问题。然而,固定监测站的分布通常较为稀疏,难以捕捉街道层面的污染物浓度变化。因此,开发一种更为轻量且具备良好可解释性的空气质量预测方法,对于空气污染治理具有重要意义。本研究提出了一种可解释的堆叠集成学习框架,旨在……

资金支持
本研究得到了广东省基础与应用基础研究基金(2026A1515030034)、国家自然科学基金(42407566)、广东省珠江人才计划创新科研团队项目(2023ZT10L102)以及新疆维吾尔自治区自然科学基金(2024D01A04)的支持。

作者贡献声明
苏丽:概念设计、数据整理、研究实施、方法设计、结果可视化、初稿撰写。王宇曼:数据整理、资源获取、软件使用、模型验证。张勋:概念设计、数据整理、资源获取、软件使用。吴丽杰:数据整理、资源获取。刘贤生:数据整理、资源获取、软件使用、研究指导、模型验证。埃齐兹·图尔孙:软件使用、研究指导、结果可视化。

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

苏丽|王宇曼|张勋|吴丽杰|刘贤生|埃齐兹·图尔孙
中国北京,北京科技商务大学计算机科学与人工智能学院,邮编100048
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号