一种混合迁移学习方法用于低中等收入国家环境PM2.5暴露建模：以秘鲁利马为例

《ACS ES&T Air》：A Hybrid Transfer Learning Approach for Ambient PM2.5 Exposure Modeling in LMIC Contexts: A Case Study from Lima, Peru

　　

暴露于细颗粒物（PM_2.5）每年导致全球数百万人过早死亡。虽然流行病学研究越来越依赖地理空间技术，如卫星遥感、低成本传感器和化学传输模型，来量化空气污染暴露，但许多低中等收入国家的稀疏监测经常引入采样偏差，可能扭曲暴露估计。研究人员在秘鲁利马开发了一种混合迁移学习方法，整合了多种地理空间技术和机器学习，以减轻采样偏差并改善PM_2.5预测。该方法整合了来自参考级和低成本监测仪的地面PM_2.5观测、卫星反演的气溶胶光学厚度（AOD）、天气研究与预报模型耦合化学（WRF-Chem）的模拟以及额外的污染相关变量。研究人员通过基于地理环境相似性的迁移学习来考虑采样偏差，利用来自数据丰富区域（美国）的训练数据来指导数据贫乏的目标区域（利马）。然后构建了一个实例加权随机森林模型，用于预测2010年至2023年利马每日PM_2.5浓度。该模型实现了交叉验证R²为0.76，并减少了山区潜在的高估（平均PM_2.5从34.19 μg/m³降低到29.23 μg/m³）。该方法提供了一种可扩展的解决方案，以支持数据稀缺环境下的稳健流行病学研究和公共卫生规划。

**论文解读文章**

**研究背景与问题**
细颗粒物（PM_2.5）暴露是全球过早死亡和疾病负担的主要健康风险因素，尤其在低中等收入国家（LMICs）中，负担不成比例地高。然而，LMICs的监管监测网络因仪器运行和维护成本高昂而极为稀疏，甚至缺失，导致准确的PM_2.5暴露评估面临重大挑战。现有地理空间技术，如卫星遥感（提供气溶胶光学厚度，AOD）、低成本传感器（LCS）和化学传输模型（CTM），各有局限：卫星AOD受云层和地表反射影响存在非随机缺失；CTM受排放清单和参数化不确定性限制；LCS需校准才能保证数据质量。在利马等LMICs城市，监测点主要集中于低海拔城市中心，高海拔山区缺乏监测，导致基于有限地面数据的模型在未监测区域产生显著采样偏差，例如先前研究在利马发现模型对山区PM_2.5的高估。因此，亟需一种方法能够纠正这种因监测网络环境代表性不足引起的采样偏差，以支撑可靠的流行病学研究和公共卫生规划。

**研究内容与结论**
为应对上述问题，研究人员在秘鲁利马开发了一种混合迁移学习（TL）建模方法，用于2010至2023年利马都市区每日PM_2.5浓度预测。该方法整合了来自参考级监测站（SENAMHI、美国大使馆）、JHU移动监测站和PurpleAir低成本传感器的地面观测，卫星MAIAC AOD数据，WRF-Chem模拟输出，以及土地覆盖、人口、道路、高程等辅助变量。通过基于地理环境相似性的迁移学习，首先从数据丰富的源域（美国高海拔地区）筛选出与利马高海拔区域环境最相似的样本，再通过TrAdaBoostR2进行域适应，最后构建实例加权随机森林（TL_RF）模型。模型在10折交叉验证中达到R²=0.76，均方根误差（RMSE）为6.85 μg/m³，并显著降低了山区的高估（平均PM_2.5从34.19降至29.23 μg/m³）。与未使用迁移学习的常规模型（Regular_RF）相比，TL_RF在高海拔区域预测值更低，且空间梯度与WRF-Chem和GAINS模拟结果更一致，表明预测更符合大气扩散原理。该研究发表在《ACS ES》。

**主要关键技术方法**
1. **地理环境相似性量化**：对气象变量、高程、土地覆盖和AOD等协变量进行主成分分析（PCA）降维，保留解释≥75%方差的成分；采用k近邻引导的DBSCAN（kNN-DBSCAN）对利马高海拔网格单元进行聚类，形成环境邻域；通过马氏距离（Mahalanobis distance）计算源域（美国）样本与目标域（利马）邻域之间的相似性得分，保留前1%高相似样本作为迁移集。
2. **域适应与权重分配**：利用TrAdaBoostR2模型对迁移样本进行域适应，以纠正源域与目标域之间的分布差异；为每个迁移样本分配相似性得分作为权重，目标域样本权重为1，构建加权训练数据集。
3. **实例加权随机森林模型**：基于上述加权数据集，训练随机森林（RF）模型，预测利马每个1 km²网格每日PM_2.5浓度。使用10折交叉验证评估性能，并采用SHAP（TreeSHAP）解释变量重要性。

**研究结果**
**3.1 地面PM_2.5测量描述**：通过整合利马多源地面观测（SENAMHI 20,609天、美国大使馆1,693天、JHU 2,081天、PurpleAir 4,023天），共获得26,713个日观测值，但总体数据覆盖率为29.7%，存在高缺失和时空不平衡。监测点全部位于海拔25–375 m的低海拔区域，而利马都市区海拔跨度0–2,727 m，高海拔地区无监测，导致采样偏差。SENAMHI站点平均PM_2.5浓度为27.2 μg/m³，高于JHU（18.9 μg/m³）和PurpleAir（21.2 μg/m³），可能因选址和仪器差异。所有网络年均PM_2.5为22.2 μg/m³，超过WHO年指导值（5 μg/m³）四倍以上。

**3.2 迁移样本的选择与代表性**：从美国筛选出6,552个地理环境相似的高海拔样本，占最终训练数据的19.6%，覆盖海拔370–2,658 m，每月平均546个样本，时空覆盖均衡。通过TrAdaBoostR2进行域适应后，相比无监督方法CORAL（R²=0.03），TrAdaBoostR2达到R²=0.64，显著降低预测误差。迁移样本的日均PM_2.5为7.5 μg/m³，与利马高海拔区域典型污染状况一致。

**3.3 模型性能与长期PM_2.5预测**：TL_RF模型10折交叉验证R²=0.76，RMSE=6.85 μg/m³，在高污染日存在轻微低估。SHAP变量重要性显示，行星边界层高度（PBLH）和WRF-Chem模拟PM_2.5是最重要预测因子，其次为气象变量、人口、MAIAC AOD、土地覆盖和道路长度。WRF-Chem单独性能较差（日R²=0.06），但与其他变量结合提升了整体预测能力。模型预测与PurpleAir观测的R²=0.54，表现一致。2010–2023年预测显示，PM_2.5空间格局稳定：最高污染沿城市中心交通工业带（25–41 μg/m³），向安第斯山麓递减（14–29 μg/m³）；时间上，2010年较高，2011–2013年下降，2014–2018年上升至峰值（25.0 μg/m³），2020年因COVID-19限制下降，2021–2022年反弹。多数城市区年均值仍超WHO指导值5倍以上。

**3.4 迁移学习对PM_2.5预测的影响**：对比TL_RF与未使用迁移学习的Regular_RF，两者在SENAMHI站点交叉验证中表现相近（R²分别为0.72和0.70），但空间预测差异显著。Regular_RF在高海拔区域平均高估12.7 μg/m³，而TL_RF预测值（22.6 μg/m³）远低于Regular_RF（42.8 μg/m³）。由于缺乏高海拔地面监测，通过对比WRF-Chem和GAINS模拟，TL_RF的空间梯度更符合大气扩散原理，间接支持其合理性。在区级人口加权浓度上，TL_RF平均为23.0 μg/m³，Regular_RF为25.1 μg/m³，高估差异在0.28–15.76 μg/m³之间，主要影响中心西部低人口密度区。

**讨论与结论**
讨论部分指出，该迁移学习方法是首个在LMICs数据稀缺场景中应用地理环境相似性引导迁移进行PM_2.5时空建模的实践之一。通过纠正采样偏差，模型在高海拔区域的预测更符合物理原理，并与排放驱动模型一致。尽管缺乏地面实测验证，但该策略为LMICs中监测网络扩展受限地区提供了可行解决方案。研究强调，方法的可扩展性得益于使用广泛可得的卫星产品和计算高效的算法，如PCA、TrAdaBoostR2和随机森林。局限性包括：马氏距离在混合大气状态或非线性关系下可能不足；缺乏高海拔地面数据限制直接验证；未考虑极端污染事件（如严重停滞）导致高浓度时轻微低估。未来可通过部署低成本校准传感器和引入更先进的情境学习（如AlphaEarth）来改进。

**研究结论**：研究人员引入了一种基于地理环境相似性的迁移学习方法，以解决环境PM_2.5建模中的空间采样偏差问题，以利马作为LMIC情境的代表案例。首先在目标域（利马）数据稀疏的高海拔区域与源域（美国）之间进行逐日相似性量化，然后将源域中地理环境最相似的样本迁移至利马未监测/高海拔区域以补充训练数据。随后构建了一个实例加权随机森林模型，用于预测利马2010至2023年的每日PM_2.5浓度。与常规建模相比，该方法在未监测高海拔区域产生了显著更低的PM_2.5预测，空间模式与大气扩散原理和过程模拟更一致，同时保持了存在地面实测数据区域的预测准确性。所得暴露估计将支持该研究不足地区下游的流行病学调查。研究人员还认为，该方法灵活且可扩展，为其他面临稀疏和不均匀监测的LMIC区域提供了一种实用的PM_2.5建模方法。