物理约束LSTM网络在稀疏观测条件下实现稳健的PM2.5预测:以昆明为例

《City and Environment Interactions》:Physics-constrained LSTM networks enable robust PM2.5 forecasting under sparse observational conditions: a case study from Kunming

【字体: 大 中 小 】 时间:2026年08月07日 来源:City and Environment Interactions 5.3

编辑推荐:

  随着城市化进程的加快,空气污染问题日益突出。PM2.5浓度预测已成为空气质量管理和公共卫生研究中的重要课题。然而,复杂的气象条件和多站点时空耦合使得传统数据驱动模型难以同时充分捕捉预测性能和物理约束。因此,研究人员提出了一种集成双向长短期记忆网络(BiLSTM

  
随着城市化进程的加快,空气污染问题日益突出。PM2.5浓度预测已成为空气质量管理和公共卫生研究中的重要课题。然而,复杂的气象条件和多站点时空耦合使得传统数据驱动模型难以同时充分捕捉预测性能和物理约束。因此,研究人员提出了一种集成双向长短期记忆网络(BiLSTM)和物理信息神经网络(PINN)的多站点混合框架,将风驱动平流输送、扩散和污染物衰减过程嵌入网络训练中,并以有限差分形式构建偏微分方程(PDE)残差约束。该模型整合了多尺度特征,并采用固定的物理损失权重(λPDE = 0.01)。采用物理驱动的损失公式以提高模型在高浓度污染条件下的鲁棒性。在此基础上,构建了混合源项结构,包括CO、NO2、SO2、O3和PM10的线性贡献项,以及CO–NO2和PM10–O3等非线性相互作用项。此外,扩散系数和污染源参数作为可学习的物理参数被联合优化。基于昆明市5个空气质量监测站46,754个观测样本的实验结果表明,所提出的模型在测试集上取得了良好的预测性能。均方根误差(RMSE)为5.95 μg/m3,平均绝对误差(MAE)为4.36 μg/m3,决定系数(R2)达到0.8684,表明该模型能够有效学习PM2.5的时空扩散和污染源贡献特征。该模型为PM2.5预测提供了一种物理约束的时空框架,并通过具有物理意义的参数提高了可解释性。实验结果表明,在1小时提前预测任务中,与简单持续性模型和若干数据驱动基线相比,所提出的模型并未达到最高的数值精度。然而,它提供了改进的物理一致性和可解释性,在预测精度和物理可解释性之间提供了一种权衡。
**论文解读:物理约束LSTM网络在PM2.5预测中的稳健性与可解释性研究**

### 研究背景与问题

随着城市化进程加速,空气污染问题日益严峻,特别是细颗粒物PM2.5(空气动力学直径≤2.5 μm)因其环境持久性和高呼吸道沉积能力,对大气环境和人体健康造成显著影响。大规模流行病学研究表明,长期暴露于PM2.5会显著增加呼吸系统疾病、心血管疾病和过早死亡的风险。PM2.5通过散射和吸收太阳辐射改变地球能量平衡,降低大气能见度,对城市可持续发展和经济活动产生不利影响。因此,准确预测PM2.5浓度对空气质量管理和公共卫生风险控制具有重要意义。

传统统计方法(如ARIMA模型和多元线性回归)主要依赖历史观测数据描述污染物时间变化规律,计算成本低,适用于短期预测,但难以刻画大气演化过程中的复杂非线性和多变量耦合特征。化学传输模型(CTMs)通过显式模拟污染物排放、平流、扩散和化学转化过程来描述污染演化机制,具有强物理解释能力,但高度依赖排放清单、气象边界条件和初始场的准确性,且在高时空分辨率下计算成本极高,难以满足实时预测需求。

随着空气质量监测网络的不断完善,数据驱动的深度学习方法逐渐成为PM2.5预测的重要手段。循环神经网络(RNN)及其变体LSTM和GRU能有效捕捉污染物序列中的长期依赖关系,卷积神经网络(CNN)和图神经网络(GCN)可建模站点间的空间相关性和污染传输路径。然而,纯数据驱动模型在观测稀疏区域泛化能力弱,且在分布偏移情况下性能显著下降。更重要的是,由于缺乏物理约束,其预测结果可能违反质量守恒或大气传输规律,影响模型在实际运行中的可信度和稳定性。

物理信息神经网络(PINN)由Raissi等人于2019年提出,其核心思想是将偏微分方程(PDE)约束直接纳入神经网络训练过程,通过联合最小化数据误差和物理残差,使模型在稀疏观测条件下学习物理一致性的场。近年来,PINN方法被扩展到空气质量建模领域,用于整合对流扩散方程和化学传输机制。然而,现有方法仍存在局限性:许多模型采用简化传输方程,忽略了气象因素和复杂化学反应过程的耦合;数据损失和物理损失之间的平衡难以实现,容易导致训练不稳定或收敛困难;大多数研究仍停留在理想或受控实验条件下,缺乏对复杂真实观测环境和异构监测网络的系统验证。

### 研究内容与结论

针对上述挑战,本研究提出了一种专门用于PM2.5预测的物理约束LSTM-PINN框架。不同于传统PINN空气预测模型主要使用通用物理正则化,该框架明确地将可学习的对流-扩散-反应方程整合到基于LSTM的时间序列预测框架中。该模型具有三个创新贡献:第一,采用基于有限差分的PDE残差公式,在稀疏多站点观测条件下施加物理约束,避免了传统PINN对密集空间观测和连续坐标微分的依赖;第二,控制方程的源项被构建为物理可解释的多污染物耦合过程,涉及CO、NO2、SO2、O3和PM10以及前体污染物之间的非线性相互作用机制;第三,控制传输、衰减和污染物相互作用的关键物理参数被作为可训练变量,使模型能够更显式地捕捉潜在的大气过程,并揭示不同机制在PM2.5形成中的相对贡献,从而增强可解释性和物理一致性。此外,采用加权优化策略增强模型对高浓度污染事件的学习能力,提高其在各种大气条件下的鲁棒性。

研究人员在昆明市选取了5个空气质量监测站,数据时间范围覆盖2024年6月至2025年8月,共生成46,754个有效时间序列样本。数据集包括六种空气污染物指标(PM2.5、PM10、CO、O3、NO2、SO2)以及气象变量(温度、气压、风速、风力、降雨量等)。采用严格按时间顺序划分的数据集(70%训练、15%验证、15%测试),并构建了48小时历史输入窗口预测未来1小时PM2.5浓度的预测任务。模型采用两层堆叠BiLSTM结构,隐藏层维度为256,并引入注意力机制增强关键时间步的特征提取。物理约束模块采用二维对流扩散方程,通过有限差分法计算时空导数,构建PDE残差损失。混合污染源项由线性贡献项(CO、NO2、SO2、O3、PM10)和非线性相互作用项(CO–NO2、PM10–O3)组成。总损失函数结合数据损失和PDE残差损失(固定权重λ=0.005),并采用加权数据损失增强高浓度样本的学习。模型使用AdamW优化器,设置初始学习率0.001,采用早停和梯度裁剪策略。

实验结果表明,所提出的LSTM-PINN模型在测试集上取得了良好的预测性能:RMSE为5.95 μg/m3,MAE为4.36 μg/m3,R2达到0.8684。训练和验证损失曲线平稳下降,PDE残差快速收敛至较低水平(约4.61),表明模型能有效学习数据特征并满足物理约束。残差分析显示残差近似正态分布,无系统偏差,自相关函数快速衰减至非显著区间,Bland-Altman图显示整体预测一致性良好。在基线对比中,LSTM-PINN的R2高于仅LSTM、GRU、仅PINN和随机森林模型,但低于持续性模型(R2=0.9046)。物理参数学习结果显示,α_NO2和α_SO2收敛值较高,表明其作为二次颗粒物形成的重要前体物贡献显著;非线性耦合参数k1和k2光滑单调收敛,验证了物理约束的正则化作用。

### 关键技术方法

本研究采用了以下主要技术方法:(1)双向长短期记忆网络(BiLSTM)用于捕捉时间序列中的长期依赖和双向特征;(2)物理信息神经网络(PINN)模块,通过有限差分法离散二维对流扩散方程,构建PDE残差损失;(3)混合污染源项结构,包含线性贡献和非线性相互作用项;(4)联合优化策略,结合数据损失和物理损失(固定权重λPDE=0.01),并采用加权数据损失增强高浓度样本的学习;(5)可学习物理参数(扩散系数κ、衰减系数β、源项系数)的联合优化。数据来源为昆明市5个空气质量监测站(样本量分别为10,145、9644、8913、9811、8481),时间范围2024年6月至2025年8月。

### 研究结果

**3.1 训练和验证损失收敛**
训练损失、验证损失和PDE损失均随训练轮次快速下降,约50轮后趋于稳定,最佳性能出现在第80轮。训练和验证损失曲线后期无明显差异,表明模型具有良好的泛化性能。PDE约束项对网络训练空间具有正则化作用,防止过拟合。

**3.2 实际值与预测值对比分析**
预测曲线能很好地跟随实测曲线的动态变化,在正常浓度范围(0–50 μg/m3,样本量6547)内表现良好。对于轻度及以上污染范围(>50 μg/m3,样本量434),模型仍保持一定预测能力,但峰值浓度拟合精度有所下降。

**3.3 PDE残差收敛**
PDE残差在训练初期快速下降,最终收敛至约4.61。包含CO–NO2和PM10–O3非线性耦合项的残差下降过程平滑,无振荡或发散,表明模型能稳定学习多污染物间的非线性相互作用。

**3.4 散点图分布与相关性验证**
散点图主要集中在对角线附近,表明预测值与实测值具有良好的线性相关性和一致性。偏离对角线的点主要出现在高浓度区域(>50 μg/m3),与不同浓度区间的性能评估结果一致。

**3.5 测试集残差图与残差直方图及核密度估计**
残差围绕零轴对称分布,均值约为?0.00,中位数接近零,表明无系统偏差。残差直方图和核密度估计曲线显示残差呈单峰近似正态分布,标准差为5.95,与整体RMSE一致。尾部短而稀疏,极端残差值频率较低,模型在异常条件下保持较强鲁棒性。

**3.6 残差QQ图**
残差QQ图显示主要部分近似正态分布,但两尾偏离参考线,表明模型在极端污染事件或特定气象条件下的预测能力不足,存在极端正负残差。

**3.7 实际PM2.5分组的箱线图**
随着实际浓度从2–7 μg/m3增加到36–193 μg/m3,残差中位数呈现系统性负偏,表明模型在高污染条件下存在系统性高估。残差分布范围随浓度增加而扩大,不确定性增大。

**3.8 训练中学习的物理参数图**
线性贡献系数α_NO2和α_SO2收敛值较高,α_CO、α_PM10和α_O3较低,与二次颗粒物形成前体物的角色一致。非线性耦合参数k1和k2光滑单调收敛,表明PDE物理约束有效正则化模型参数。

**3.9 残差自相关函数图**
残差自相关系数快速降至统计非显著置信带内,无短长期自相关模式,表明残差序列接近理想白噪声,模型已捕捉数据中所有主要时间结构。

**3.10 Bland-Altman图**
平均残差线接近零基线,无显著系统偏差。95%一致性界限覆盖大部分样本,但随平均PM2.5浓度增加,残差分散趋势和一致性界限宽度增大,表明高浓度下预测误差波动范围增大。

**3.11 基线对比**
LSTM-PINN的R2(0.8684)高于LSTM-only(0.8516)、GRU(0.8578)、PINN-only(0.8111)和随机森林(0.8462),但RMSE(5.95)和MAE(4.36)略高于持续性模型(RMSE=4.32,MAE=2.68)。持续性模型因PM2.5强时间自相关而表现最佳,但缺乏物理机制描述。

**3.12 稀疏观测下的鲁棒性**
留一站点交叉验证(LOSO)平均RMSE=5.80 μg/m3,MAE=4.22 μg/m3,R2=0.8430,仅略低于全数据基线。分别保留50%和30%观测数据时,模型RMSE分别为7.77和9.33 μg/m3,R2分别为0.7840和0.6965,表明模型在严重观测稀疏下仍保持实质预测能力。

**3.13 跨城市迁移验证**
零样本迁移(昆明→北京)时性能显著下降(RMSE=96.52 μg/m3,R2=?0.447),表明两城市间气象条件、排放结构和污染动态存在显著域差异。使用10%北京数据微调后,RMSE降至47.52 μg/m3,R2升至0.649,表明预训练模型保留了可迁移表示,能通过少量本地数据有效适应新区域。

### 讨论与结论

讨论部分指出,昆明独特的地形和气象条件(低纬高原、平均海拔约1900 m、亚热带高原气候)导致污染物积累和二次气溶胶形成的区域特性。跨城市迁移实验表明模型不能直接应用于其他城市,但可通过少量数据微调实现有效适应。高浓度条件下性能下降主要与训练数据中极端污染样本有限、类别不平衡有关,未来可通过样本重加权、数据增强或区域感知策略改进。稀疏观测实验证明了PDE物理约束有助于在有限观测条件下保持模型稳定性,为监测密度有限或数据不完整的区域提供了实际应用价值。

结论部分总结:本研究构建了整合LSTM和PINN的混合深度学习结构,将对流扩散方程和多污染物耦合纳入网络训练,使模型在捕捉复杂时间动态特性的同时保持污染物传输和扩散的物理特征。主要贡献包括:(1)构建了端到端的物理信息循环神经网络(LSTM-PINN),采用固定物理损失权重(λPDE=0.01)平衡数据误差和PDE约束,在1小时预测任务中精度低于持续性模型和部分数据驱动基线,但满足物理约束并学习污染物时间演化特征,更注重物理一致性和可解释性建模。(2)在线性和非线性污染源项中融入物理约束,源项参数(CO、NO2、SO2、O3、PM10)和耦合系数k1、k2作为可学习参数参与优化并收敛,这些参数反映变量间的统计相关性,应理解为有效参数而非严格物理化学机制。(3)即使观测数据减少,模型仍保持一定稳定性:完整数据集R2=0.8684,LOSO平均R2=0.8430,但短期预测性能仍低于基于时间连续性的持续性方法。在50%和30%数据稀疏度下模型仍具备预测能力,但精度显著下降。物理约束的主要优势在于增强训练稳定性和数据受限条件下的鲁棒性,而非提升预测精度。(4)模型在物理约束下学习表征,能捕捉数据中的统计和结构信息,但在无观测站点或分布变化时性能恶化,更适合作为物理正则化表征学习框架而非严格通用预测模型。

总之,所提出的LSTM-PINN混合建模框架在PM2.5浓度预测中实现了良好的性能和物理可行性,相比传统LSTM和简单PINN具有更高的数值精度、更强的物理可解释性和稳定性。该研究为复杂大气环境中污染物时空演化建模提供了新手段,为基于数据-物理融合的空气质量预测和污染控制提供了理论和方法支持。未来工作可能进一步结合强化学习与自适应损失优化,在更恶劣气象和多污染源条件下实现更稳健的模型性能。
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