综述：面向空气污染预测的高级深度计算技术综合综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Comprehensive Review on Advanced Deep Computational Techniques for Air Pollution Prediction

　　

空气污染已成为全球范围内最为突出的环境与公共卫生挑战之一，亟需构建精准的预测系统以支撑高效的空气质量管控与科学决策。深度学习作为一种强有力的技术手段，能够有效刻画空气质量数据中典型的复杂非线性及时空依赖特征。本综述系统梳理了面向空气污染预测的深度学习技术最新进展。研究人员严格遵循PRISMA 2020指南开展系统性文献调研，对深度学习架构、环境数据源、模型性能及新兴研究趋势进行了综合评估。综述追溯了深度学习模型从人工神经网络（ANN）到卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、基于Transformer的模型、迁移学习及混合架构的演进路径。同时深入探讨了地面监测站、卫星遥感、气象观测、物联网传感器及多源数据融合技术在提升预测精度与模型鲁棒性方面的集成应用。对比分析结果表明，混合架构与基于Transformer的模型在预测性能上表现更为优异，而均方根误差（RMSE）、平均绝对误差（MAE）及决定系数（R2）仍是当前应用最为广泛的评估指标。综述进一步识别了数据稀缺、模型可解释性不足、计算复杂度高及基准标准化缺失等关键研究挑战，并展望了解释性人工智能（XAI）、图神经网络（GNN）、物理信息神经网络（PINN）、联邦学习及边缘人工智能等新兴方向，为构建精准、可扩展、智能化的空气质量预测系统提供了重要参考。

1 引言

空气污染指大气中有害气体与颗粒物浓度达到危害人类健康、生态系统及气候的程度，其来源涵盖人为排放与自然活动。世界卫生组织数据显示，环境空气污染导致全球每年数百万过早死亡病例，长期暴露可诱发哮喘、慢性阻塞性肺疾病、肺癌、中风及心血管疾病等。为量化污染风险，各国通过空气质量指数（AQI）对PM_2.5、PM₁₀、CO、SO₂、NO₂、O₃及Pb等污染物进行标准化监测。传统固定站点监测虽精度较高，但存在部署成本高、空间覆盖有限及时间分辨率不足等问题，尤其在低收入国家表现突出。近年来，低成本传感器网络、卫星遥感、移动传感平台及物联网设备的发展显著拓展了监测手段，其中低成本传感器可实现高密度组网，卫星观测则能提供广域覆盖，弥补地面监测的空白。然而，低成本的传感器易受温湿度干扰需校准，卫星数据受云层遮挡影响，且多源数据常存在缺失、噪声及异构性问题，加之污染物浓度受气象、排放源、地形及人类活动的非线性耦合影响，传统统计模型与浅层机器学习算法难以有效捕捉复杂时空依赖，泛化能力受限。深度学习凭借自动提取多层次特征的能力，成为解决上述问题的关键技术路径。CNN在空间特征提取方面优势显著，RNN尤其是LSTM与GRU则在时序预测中表现突出。近期混合架构、注意力机制及Transformer模型的引入进一步提升了预测精度，迁移学习则为标注数据匮乏场景提供了解决方案。尽管相关研究快速增长，但现有文献仍较为碎片化，缺乏统一框架下对模型、数据、评估指标及部署挑战的系统比较，本研究旨在填补这一空白。

1.1 空气质量监测与现存挑战

传统监测依赖固定站点与高精度仪器，但受限于成本与维护难度，全球监测网络分布不均。替代性监测技术中，低成本传感器网络与卫星遥感应用最为广泛。前者部署灵活、成本低廉，适合构建城市级高密度网络；后者可提供跨区域长时序数据，尤其适用于地面设施匮乏地区。然而，两类技术均存在局限：传感器数据需温度湿度补偿校正，卫星反演受大气条件干扰，且设备故障、通信中断导致的缺失值严重影响模型可靠性。此外，污染物浓度的非线性生成机制使得传统方法在跨域应用中泛化性能显著下降。

1.2 面向空气污染预测的深度学习

深度学习通过端到端的特征学习，避免了繁琐的人工特征工程。CNN擅长处理网格化数据，可从卫星影像、气溶胶光学厚度产品中识别污染热点与传输路径。LSTM与GRU通过门控机制缓解梯度消失问题，有效建模长时序依赖，成为小时级至日级污染物浓度预测的主流选择。近期研究表明，结合变分模态分解与深度神经网络的混合方法可进一步提升PM_2.5预测精度，而迁移学习通过复用预训练模型参数，在小样本区域展现出良好的适应性。

1.3 研究缺口

现有综述多聚焦于单一算法或特定污染物，缺乏对模型演进规律、多源数据影响机制及部署痛点的整体性分析。尤其在模型可解释性、跨域泛化能力及实时部署可行性方面的探讨尚不充分，难以支撑系统性技术选型与政策制定。

1.4 目标与贡献

本研究旨在系统评估深度学习在空气污染预测中的应用进展，具体贡献包括：系统梳理各类深度学习模型的技术特性；分析地面监测、卫星遥感、气象数据及物联网传感器的数据特征；对比CNN、LSTM、GRU、Transformer及混合架构在精度、鲁棒性及计算效率上的差异；识别当前技术瓶颈；展望未来研究方向，为可持续空气质量管理提供决策依据。

1.5 研究问题

研究围绕四个核心问题展开：深度学习模型的演进路径与技术特点；多源环境数据对模型性能的影响机制；不同架构在精度、鲁棒性、可解释性及计算效率上的对比；当前面临的挑战与未来机遇。全文结构按此逻辑展开，涵盖方法论、模型综述、数据分析、性能评估及未来展望。

2 综述方法论

本研究采用系统性文献综述（SLR）框架，遵循PRISMA指南以确保流程透明可复现。文献检索覆盖Scopus、Web of Science、IEEE Xplore等数据库，时间跨度为2018至2026年，通过布尔逻辑组合关键词进行检索。纳入标准聚焦深度学习在空气污染预测中的应用，排除非英语文献、非学术出版物及技术细节不足的短篇报道。经去重、标题摘要筛选及全文评审后，最终纳入文献用于定性分析。文献计量分析借助VOSviewer软件开展，结果显示共提取899个关键词，高频词包括深度学习、空气污染、PM、LSTM及预测等，形成深度学习与人工智能技术、空气污染与变量、预测建模三大聚类。国家合作网络分析表明，印度、中国与美国是主要研究贡献国，非洲等地区产出相对较少。期刊分布显示，环境科学与人工智能类期刊共同主导该领域发表，反映学科交叉特性。文献计量结果揭示了从传统神经网络向混合架构、注意力机制及Transformer模型的演进趋势，同时凸显了XAI、GNN及多模态融合等新兴主题的重要性。

3 面向空气污染预测的深度学习模型

深度学习通过分层特征提取有效建模复杂非线性关系，其演进可分为四个阶段：早期浅层神经网络阶段依赖人工特征工程，难以捕捉长时序依赖；CNN阶段实现了空间特征的自动提取，在卫星影像分析中表现卓越；RNN/LSTM/GRU阶段解决了时序建模难题，成为主流预测工具；当前Transformer与混合架构阶段则通过融合时空特征实现精度突破。

3.1 深度学习架构演进

CNN通过卷积核提取局部空间特征，在建筑室内污染源定位研究中，结合计算流体动力学模拟的小样本CNN模型在1米预测半径内加权平均准确率达82.3%，归一化欧氏距离小于0.26%。针对PM₁₀的24小时预测任务，CNN模型较线性模型误差显著降低。但CNN受限于局部感受野，难以建模长时序动态，常与循环网络结合使用。LSTM通过记忆细胞与门控机制保留长期依赖，在澳门空气质量预测中，LSTM的相关系数达0.87，RMSE为0.14，优于传统ANN。引入广播层的改进LSTM模型在区域PM_2.5与O₃预报中RMSE进一步降低。GRU作为LSTM的简化变体，在保持精度的同时减少了参数量。

3.2 混合深度学习模型

混合架构通过融合互补优势提升性能。结合遥感数据与LSTM的OA-LSTM模型在德黑兰PM_2.5预测中RMSE低至3.01 μg/m3，R2达0.88。结合粒子群优化（PSO）的W-BiLSTM-GRU与XGBoost混合框架对六种常规污染物的R2均高于0.94，MAE低于0.02。DeepAir框架集成LightGBM与预训练CNN，实现了稀疏数据下的细粒度PM_2.5估算。然而，混合模型通常面临训练复杂度高、可解释性差及部署成本高等挑战。

3.3 Transformer与注意力机制模型

Transformer通过自注意力机制并行处理序列数据，克服了RNN的串行计算瓶颈。基于稀疏注意力的Transformer网络在台州PM_2.5数据集上R2达0.924，RMSE降至5.79 μg/m3。结合时间分解与卷积稀疏注意力的Transformer模型在长期预测中表现优于循环架构，但需更大规模训练数据与计算资源支持。

3.4 迁移学习与新兴架构

迁移学习通过复用源域知识解决目标域数据匮乏问题。基于两阶段注意力的TL-AdaBiGRU模型在迁移场景下MAE、RMSE与MAPE分别降低14%、13%与4%。图神经网络（GNN）将监测站点建模为图节点，通过图卷积捕捉空间关联，时空图神经网络（STGNN）在马德里空气质量预测中展现出优于传统CNN的精度。自动编码器（AE）及其变体通过无监督特征学习实现降维与去噪，提升下游模型鲁棒性。联邦学习（FL）支持多节点协同训练而不共享原始数据，兼顾隐私保护与模型泛化，但面临通信开销大、数据异质性及收敛困难等挑战。

3.5 深度学习模型演进总结

CNN仍是空间分析与遥感解译的首选，LSTM与GRU主导时序预测，Transformer与混合架构代表当前最高精度水平。未来需在精度、效率与可解释性之间寻求平衡。

4 深度学习空气质量监测的环境数据源

数据质量直接决定模型性能，当前研究已从单一站点数据转向多源异构数据融合。

4.1 地面空气质量监测站

地面站提供法规级高精度数据，是模型训练与验证的基准。LSTM与GRU可直接处理其时序数据，而CNN-LSTM混合模型则结合空间插值结果提升区域预测能力。但地面站建设维护成本高昂，全球分布极不均衡。

4.2 卫星遥感数据

MODIS、Sentinel等卫星提供气溶胶光学厚度（AOD）、地表温度及植被指数等产品，极大拓展了空间覆盖。CNN是卫星影像处理的主流架构，Transformer视觉模型近期亦展现出潜力。但卫星反演为间接测量，受云层干扰显著，需与地面数据融合校正。

4.3 气象数据

温度、湿度、风速、气压等气象变量直接影响污染物扩散与化学反应。几乎所有先进模型均将其作为输入特征，实证表明加入气象变量可使LSTM、GRU及Transformer的预报误差显著降低，泛化能力提升。

4.4 低成本传感器与物联网

物联网传感器网络具备低成本、高密度与实时性优势，适合智慧城市应用。GRU及轻量混合模型可在边缘设备上部署，支持实时预警。但传感器数据噪声较高，需严格校准与预处理。

4.5 多源数据融合

融合地面观测、卫星产品、气象场、GIS及社会经济活动数据的多模态框架已成为主流。CNN-LSTM、Transformer等架构可有效整合异构信息流，显著提升预测精度与鲁棒性。但数据融合面临时空分辨率不匹配、同步困难及缺失值处理等挑战。常用公开数据集包括EPA AQS、CNEMC、EEA、MODIS、Sentinel-5P、ERA5、MERRA-2、OpenAQ及WAQ等，特征选择分析表明历史污染物浓度、气象变量、AOD及多源融合特征依次重要性递增。

4.6 环境数据集相关挑战

数据缺失、发展中国家监测设施不足、极端污染事件样本稀少、时空分辨率不一致、传感器噪声、云污染、标注数据匮乏及数据共享限制是主要痛点，需发展鲁棒的预处理与融合算法应对。

5 深度学习模型性能对比分析

5.1 性能评估指标

回归任务常用MAE、RMSE、MAPE与R2，分类任务则采用Accuracy、Precision、Recall、F1-score及AUC。指标选择需匹配任务类型。

5.2 影响模型性能的因素

数据质量经插值、归一化等预处理后模型性能普遍提升。数据集规模对Transformer至关重要，LSTM/GRU则对中等规模数据适应性更强。特征工程中融入气象与遥感特征可显著降低误差。预测时效方面，1-24小时短时预报精度远高于多日预报。区域特性导致模型跨域泛化困难，需针对性迁移或重训练。

6 研究缺口、挑战与未来方向

6.1 数据可用性与质量挑战

全球监测网络分布不均，发展中国家数据匮乏。卫星数据受云层干扰，地面传感器需校准。未来需发展不确定性感知的学习框架与标准化数据接口。

6.2 跨区域泛化能力有限

模型在特定区域训练后移植他处性能骤降。迁移学习、域适应与元学习是潜在解决方案，需构建跨气候区的基准测试框架。

6.3 模型可解释性与透明度

深度学习“黑箱”特性阻碍其在政策制定中的应用。SHAP、LIME、Grad-CAM等XAI技术正逐步引入，但仍需发展内在可解释的模型架构。

6.4 计算复杂度高

Transformer与混合模型参数量大、训练耗时、能耗高。模型压缩、剪枝、量化及知识蒸馏技术是轻量化的重要路径。

6.5 实时部署挑战

从实验环境到业务化运行需解决数据流稳定性、边缘计算资源约束、模型在线更新、系统扩展性及网络安全问题。边缘AI为实现本地实时推理提供了可能。

6.6 多源数据融合挑战

异构数据在时空尺度、精度与格式上的差异增加了融合难度。基于Transformer的多模态融合架构、GNN与基础模型有望提供更优解决方案。

6.7 基准测试与标准化缺失

缺乏统一的评测数据集、预处理流程与评估协议，导致模型间横向对比困难。建立开放基准平台与开源代码库是推动领域发展的关键。

6.8 新兴研究方向

XAI提升模型可信度；GNN精准建模站点间空间关联；联邦学习保障数据隐私；自监督与半监督学习缓解标注数据依赖；边缘AI赋能实时监测；数字孪生技术支撑智慧城市情景推演与决策。

6.9 未来研究议程

优先发展跨区域泛化模型、边缘端轻量架构、内置可解释性模型、多模态深度融合框架、标准化基准体系、隐私保护学习范式，并加强对低收入国家的研究支持，促进跨学科协作。

7 结论

深度学习已深刻变革空气污染预测领域，CNN、LSTM、GRU、Transformer及混合架构各具优势。多源数据融合显著提升模型性能，但数据质量、模型可解释性、计算效率及标准化缺失仍是主要瓶颈。XAI、GNN、PINN、联邦学习及边缘AI等新兴技术将推动下一代智能空气质量监测系统的发展。持续的多学科交叉合作与技术创新，对构建精准、高效、公平的空气质量管理解决方案至关重要。