UWMR-net：不确定性感知与风引导的遥感融合用于城市PM2.5和臭氧预报

《Frontiers in Environmental Science》：UWMR-net: uncertainty-aware and wind-guided remote-sensing fusion for urban PM2.5 and ozone forecasting

　　

准确刻画城市空气污染的时空演变及其气象响应仍然具有挑战性，因为公开的多源观测往往异步、不完整且异质。为解决这一问题，本研究提出了UWMR-Net，一种不确定性感知与风引导的时空框架，该框架整合了公开遥感产品、气象再分析、静态地表属性和活动相关代理变量，用于污染物联合预报与气象响应诊断。该模型结合了不确定性感知融合模块（用于质量、滞后和缺失敏感的多模态集成）、风引导动态传播主干（用于定向输送建模）以及反事实响应分支（用于将大气响应与背景排放相关信号分离）。在两个公开研究区域（洛杉矶和波河谷）上的实验表明，UWMR-Net在PM_2.5和O₃的1天前和7天前预报任务中均取得了最佳性能，并以五次随机种子均值±标准差（five-seed mean ± SD）报告结果。UWMR-Net的结果是基于五个独立随机种子清洗后的行级测试预测计算得出。滚动起点回溯检验、宏观区域诊断、极端事件分析和分裂保形预测区间进一步表征了时间稳定性、空间异质性和校准后的预报不确定性。反事实案例研究还揭示了在典型颗粒物和臭氧事件期间，气象增强与缓解模式在空间上的一致性。这些结果表明，不确定性感知融合和风引导响应建模为基于公开多源数据的城市空气污染预报和气象响应分析提供了一种有效且可解释的框架。

### 论文解读：UWMR-Net：面向城市PM_2.5与臭氧预报的不确定性感知与风引导融合框架

#### 研究背景与问题

城市空气污染是影响公共健康、气候互动和城市可持续发展的持久环境挑战。细颗粒物（PM_2.5）和臭氧（O₃）受局地排放与区域大气过程共同影响，其空间分布随气象强迫快速变化。尽管地面监测网络能提供可靠的局地测量，但空间覆盖稀疏，难以解析大都市区域的连续污染场。随着卫星遥感、气象再分析和城市背景信息等公开多源数据的涌现，结合地面观测进行高分辨率空气质量分析成为重要方向。然而，现有研究仍受三方面制约：第一，公开多源观测在时间与质量上难以同步，卫星反演常受云污染、过境时间错位、数据源可靠性不均等影响，将不同质量输入等同对待会引入噪声；第二，许多时空预报模型依赖静态邻接矩阵或通用空间邻域，无法捕捉时变风场下的定向污染物输送，这对中期预报和极端污染事件尤为不利；第三，多数预报框架仅优化预测精度，缺乏对气象条件如何放大或抑制污染水平的诊断能力。因此，需要一种既能准确预报，又能解释气象响应的建模框架。

#### 研究内容与主要贡献

针对上述问题，研究人员提出了UWMR-Net（uncertainty-aware and wind-guided meteorological-response network），一种不确定性感知与风引导的时空网络，用于基于公开数据的城市空气污染分析。该模型首先将遥感、气象、静态地表与活动相关变量统一到逐日网格上；随后通过不确定性感知融合模块，根据数据质量与时间滞后自适应加权各模态；再借助风引导的时空主干显式建模定向输送与时间累积；最后通过反事实响应分支，在保持排放相关表征固定时，用天气型参考状态替换观测气象状态，估算气象对污染物变化的贡献。研究在两个气候与排放特征迥异的公开研究区域——洛杉矶（Los Angeles）与波河谷（Po Valley）上，与12个代表性基线模型进行了对比。实验覆盖PM_2.5与O₃的1天前和7天前预报任务，并采用五次随机种子均值±标准差报告结果，以保证统计稳健性。研究发现，UWMR-Net在所有任务上均取得最佳性能，且滚动起点回测、宏观区域诊断、极端事件分析与分裂保形预测区间进一步表明其时间稳定性、空间异质性和校准后不确定性。该论文发表于《Frontiers in Environmental Science》。

#### 关键技术方法

UWMR-Net的核心技术方法包括：不确定性感知融合模块（构造质量评分、时间滞后和缺失指示向量，通过门控机制自适应加权多模态特征）；风引导动态传播机制（根据格点间距离、风向和风速构建时变传播矩阵，突出下风向输送）；反事实气象响应分支（通过天气型聚类定义参考状态，比较实际与反事实预报差异）；分裂保形校准（基于验证集残差生成校准预测区间）。样本数据来源包括美国EPA AQS和欧洲EEA/ARPA监测网络，以及Sentinel-5P/TROPOMI、MODIS MAIAC、ERA5和静态地理数据，时间跨度为2019—2024年，按2019—2022训练、2023验证、2024测试进行时序划分。

#### 研究结果

**6.1 与最先进方法的总体比较**
通过统一的评估协议，研究人员比较了12种基线方法，涵盖传统机器学习、时间序列模型、图时空模型、注意力/MLP模型和物理引导模型。结果显示，从传统模型到图时空模型、再到注意力与物理引导模型，性能逐步提升，表明显式建模空间输送与气象调制的重要性。UWMR-Net在PM_2.5和O₃的1天前与7天前预报中均取得最佳MAE、RMSE和R2，且五次随机种子标准差很小，说明模型对随机初始化稳定。

**6.2 统计稳健性、空间可靠性与校准不确定性**
通过滚动起点回测评估时间泛化性，显示2024年四个季度的MAE几乎不变；宏观区域诊断揭示了站点/网格单元间的空间变异性，波河谷各宏观区域PM_2.5 MAE在3.63–4.87 μg/m3之间。分裂保形校准得到的90%预测区间覆盖概率（PICP）接近0.90，说明预报不确定性被良好校准。

**6.3 时空演变与代表性空间格局**
季节平均预测图显示，波河谷冬季PM_2.5累积显著，两个区域夏季MDA8 O₃较高，沿海-内陆和盆地尺度梯度明显。针对2024年两个高污染个例（波河谷PM_2.5 2月19日、洛杉矶O₃ 7月10日）的1天前预测显示，预测图保留主要浓度梯度，误差与90%区间宽度呈现空间异质性，峰值事件的PICP90分别达0.95和1.00。

**6.4 极端污染子集性能**
定义超过训练集第90百分位数的测试样本为极端事件，UWMR-Net在PM_2.5极端样本上的MAE为10.20，F1_ext为0.785；O₃极端样本的MAE为16.30，F1_ext为0.764，均优于最强基线Air-DualODE。极端事件时序分析显示，五个随机种子的预测轨迹紧密围绕观测均值，校准区间覆盖了所有洛杉矶峰值日观测和除一个外所有波河谷峰值日观测。

**6.5 消融研究**
在PM_2.5 1天前预报中，移除不确定性感知融合模块（w/o-UAF）导致整体MAE从5.45升至6.25，增幅最大；仅移除质量感知门控（w/o-QA）或滞后感知组件（w/o-Lag）也造成性能下降，说明融合设计同时受益于质量感知与时间对齐。移除风引导图模块（w/o-WindGraph）使极端样本MAE从10.20增至13.40，F1_ext从0.785降至0.655，表明方向性输送对捕捉严重颗粒物事件至关重要。移除解耦约束（w/o-Dis）和反事实分支（w/o-CF）也带来轻微损失，但反事实分支的价值主要体现在科学解释性而非纯误差减少。

**6.6 稳健性分析**
在遥感输入分别掩蔽20%、40%、60%的情况下，UWMR-Net的MAE从5.45增至5.60、5.95和6.80，对应退化率2.7%、9.1%和24.7%，表明不确定性感知融合机制降低了对输入缺失的敏感性。跨域迁移实验中，LA训练→Po测试得到MAE 7.50，Po训练→LA测试得到7.35，说明模型具有一定区域可移植性，但结果被保守解释为基准证据。

**6.7 参数敏感性与计算复杂度**
隐藏特征维度d从32增至64时，验证MAE从6.15降至5.38；继续增至96时，MAE仅微降至5.35，但参数量从3.60M增至6.80M，训练时间从55 s/epoch升至85 s/epoch；d=128时MAE略升至5.42，出现轻微过拟合。因此，d=64被选为默认配置，以平衡精度与效率。

**6.8 气象响应解释**
反事实分支通过比较实际天气与匹配参考天气状态下的预测，生成气象响应场。在波河谷PM_2.5事件中，正响应区域对应实际边界层高度低于参考状态、风异常场显示通风减弱的区域；在洛杉矶O₃事件中，温度与风异常相对于参考天气型产生了空间异质的臭氧增强与减缓。这些模式与盆地滞留、边界层抑制、光化学温度敏感性和海陆风环流等物理机制一致，但属于模型诊断而非严格因果归因。

#### 讨论与结论

讨论部分指出，尽管UWMR-Net取得一致性改进，仍存在局限：反事实分支提供的是数据驱动的气象响应估计，而非等同于完整化学传输模型的因果归因；不确定性感知融合与保形校准改善了输入鲁棒性与输出不确定性报告，但长时间云污染、站点稀疏、突发未观测排放和分布漂移仍可能降低预报可靠性；部分小宏观区域和季度子集在局部方差有限时R2较低，表明聚合域指标无法消除位置和季节特异性不确定性；反事实图依赖于所选天气型参考构造，需在未来检验替代参考定义。未来工作将耦合更强的过程约束与天气型分类、扩展到更多气候区和污染物、比较多种反事实参考方案，并推进基于政策阈值的运行评估。

结论部分翻译如下：本研究提出了UWMR-Net，一种不确定性感知与风引导的时空框架，用于从公开多源数据研究城市空气污染的演变与气象响应。该模型通过不确定性感知融合、风引导传播、共享双表征解码和反事实响应分析，解决了异步多模态观测、定向污染物输送以及纯预测深度模型解释性有限的问题。在洛杉矶和波河谷的实验表明，UWMR-Net在PM_2.5和O₃预报任务中取得了五次随机种子均值±标准差的最佳性能。滚动起点回测和宏观区域诊断显示，性能在聚合层面保持时间稳定，同时保留有意义的空间与季节异质性。分裂保形校准产生的经验区间覆盖率接近标称水平，极端事件分析表明模型能捕捉事件时序并提供有信息量的站点级不确定性。反事实案例进一步表明，实际与参考天气差异在颗粒物和臭氧事件期间产生空间一致的气象增强与减缓模式。这些输出应被解释为面向响应的诊断，而非严格的机制性源归因。未来工作将纳入更强的过程约束、测试替代反事实参考状态、扩展到更多气候区和污染物，并评估前瞻性运行性能。