《Environmental Science & Technology》:Integrating Audiovisual Data for Short-Term Particulate Matter Concentration Prediction on Urban Sidewalks
编辑推荐:
城市空气污染严重影响人行道上的行人,然而传统的固定站点监测由于成本高昂,缺乏精细尺度暴露评估所需的空间覆盖。本研究提出了一种新颖的机器学习框架,利用从自行收集的街景视频中提取的多模态视听特征,结合气象和背景污染数据,预测短期人行道PM2.5
城市空气污染严重影响人行道上的行人,然而传统的固定站点监测由于成本高昂,缺乏精细尺度暴露评估所需的空间覆盖。本研究提出了一种新颖的机器学习框架,利用从自行收集的街景视频中提取的多模态视听特征,结合气象和背景污染数据,预测短期人行道PM2.5和PM1浓度。基于在中国深圳进行的移动监测活动,研究人员评估了多种模型(线性回归、XGBoost和LightGBM)在不同时间分辨率(10秒和1分钟)和验证策略下的表现。LightGBM取得了最佳性能,在随机交叉验证下,10秒预测的R2值为0.64–0.65,1分钟预测的R2值为0.80。在严格的空间交叉验证下,模型保持了适中的泛化能力,在1分钟分辨率下R2达到0.41–0.48。此外,开发一个结合静态地理空间上下文的混合模型进一步提高了整体预测精度。变量解释表明,虽然背景颗粒物和气象是主导预测因子,但动态音频衍生特征和视觉指标提供了显著的额外预测能力。这些发现表明,整合多模态视听感知与辅助数据能够实现可扩展的、高分辨率的街道级颗粒物估算,有效补充传统监测用于城市空气质量管理的不足。
城市人行道空气污染严重影响行人健康,但传统固定监测站因成本高昂难以实现精细空间覆盖,移动监测设备也价格不菲且需频繁校准。现有预测模型依赖静态地理数据库或单一视觉数据,无法捕捉动态环境变化,且忽略了音频信息中蕴含的交通与人类活动信号。为此,研究人员在深圳中央商务区(CBD)开展移动监测,收集人行道PM
2.5和PM
1浓度、气象数据及街景视频,构建了基于多模态视听特征的机器学习框架,旨在低成本、高分辨率地预测短期颗粒物浓度。研究得出以下结论:LightGBM模型在随机交叉验证下对10秒分辨率PM
2.5和PM
1预测的R
2分别达0.64和0.65,1分钟分辨率提升至0.80;空间路线交叉验证下R
2降至0.41–0.48,表明模型在未见区域仍具中等泛化能力;融合静态地理变量的混合模型使R
2提升约7%,达到0.71–0.72;SHAP分析显示,背景颗粒物、温湿度为主导预测因子,音频指标(如生物声学指数BI、时频导数指数TFSD)和视觉特征(行人计数、道路像素比例)提供了显著额外预测力。该研究证明了多模态视听数据能有效补充传统监测,实现可扩展的街道级颗粒物暴露评估,为城市空气质量管理和公共健康保护提供数据驱动决策支持。论文发表在《Environmental Science》。
本研究采用的主要关键技术方法包括:(1)数据采集:使用AirBeam3便携式设备监测PM
2.5和PM
1浓度,同时用Insta360 ONE RS全景相机录制街景视频,在深圳CBD人行道进行移动监测,共获得超过107,000个有效数据点(监测时间2024年7月1–8日,早晚高峰时段)。(2)视频处理:每5秒提取一帧图像,利用Panoptic Feature Pyramid Network进行全景分割,检测交通对象(行人、车辆等)并计算像素区域比例(天空、建筑、道路等)。(3)音频处理:将视频分割为10秒音频片段,使用scikit-maad工具计算声学指标(如声压级SPL、声学复杂度指数ACI、时频导数指数TFSD),并采用Audio Spectrogram Transformer模型对七种声景(汽车经过、发动机、喇叭、施工、行人、动物、环境声)进行概率预测。(4)模型构建:采用LightGBM和XGBoost等集成学习模型,通过AutoML(FLAML)自动优化超参数,结合随机交叉验证、蒙特卡洛交叉验证和空间交叉验证(路线分区和100×100米网格)评估性能。(5)变量重要性:使用SHAP值量化各特征贡献。(6)混合模型:加入地理空间变量(建筑形态、POI点数量、NDVI植被指数),通过递归特征消除(RFE)选择最优子集。
**3.1 描述性统计**:通过统计PM
2.5和PM
1浓度均值、标准差及分位数,发现下午浓度高于上午(PM
2.5均值:上午7.186 μg/m3 vs 下午8.612 μg/m3;PM
1:上午4.534 μg/m3 vs 下午5.928 μg/m3),空间分布显示主干道(如福中一路、福中路)沿线污染较高。
**3.2 视听模型预测空气污染水平**
**3.2.1 回归分析**:比较线性回归、XGBoost和LightGBM模型,树集成模型显著优于线性回归。LightGBM在随机交叉验证下,10秒分辨率PM
2.5的R
2为64.13%,1分钟分辨率提升至80.28%;空间路线交叉验证下R
2降至41.46%(PM
2.5),而网格交叉验证下R
2为56.22%,表明细粒度空间划分可改善泛化能力。时间聚合(10秒至1分钟)降低了高频噪声,显著提升性能。预测误差分析显示,模型在低浓度时略高估,在高浓度时偏低估,极端峰值识别不足。
**3.2.2 分类模型**:将10秒PM浓度按五等分划分为极低、低、中、高、极高五类,LightGBM分类准确率约62.7%(PM
2.5)和62.6%(PM
1),对极低类召回率78%(PM
2.5)及79%(PM
1),极高类召回率64%和61%,中类最难识别(召回率55%和53%),误判主要限于相邻类别。
**3.3 高影响变量识别**:SHAP分析显示,背景PM
2.5、温度、湿度为前三重要特征。音频指标中,生物声学指数(BI)和时频导数指数(TFSD)位列第四和第六,与PM浓度呈负相关;汽车经过和行人声景概率与PM正相关。视觉变量中,行人计数(count_pedestrian)、道路像素比例(area_road)和路面像素比例(area_pavement)与PM正相关,建筑像素比例(area_building)也具贡献。
**3.4 结合传统地理变量**:混合模型将视听变量与地理变量(建筑体积、POI数量、NDVI等)结合,R
2提升至71.6%(PM
2.5)和70.78%(PM
1),较纯视听模型提高约7%。SHAP显示,影响较大的地理变量包括500米内建筑体积(BuildingVolume_500)、500米内道路设施POI数量(Number_Road_furniture_500)、300米内NDVI等,缓冲半径多为300–500米,说明地理变量补充了更广泛的空间上下文信息。
**讨论总结**:研究证实了树集成模型(LightGBM/XGBoost)在非线性关系建模中的优势,且音频变量(如BI、TFSD)和视觉变量(行人计数、道路面积)显著贡献预测力,弥补了静态地理数据无法捕捉动态局部特征的不足。时间聚合(1–3分钟)可提升模型稳定性。混合模型进一步整合静态空间上下文,提高精度。研究局限在于监测仅覆盖深圳CBD,且依赖摄像头质量,未来需扩展至更多区域并改进音频采集设备。研究结论:本研究提出了一种新颖的框架,利用从自行收集视频中提取的视听变量预测城市人行道短期空气污染水平,通过高级机器学习模型实现预测与变量解释,展示了多模态易获取数据补充传统固定监测的潜力,支持城市决策者及时做出数据驱动的空气质量管理和公共卫生保护决策。