基于GeoAI的空气污染暴露感知的学校通勤路线优化：两个城市环境的比较研究

《Environments》：GeoAI-Based Air Pollution Exposure-Aware Route Optimization for School Commuting: A Comparative Study in Two Urban Environments

　　

空气污染是一项主要的环境风险因素，尤其对于儿童而言，他们在每日学校通勤过程中会经历反复暴露。暴露感知路由已被提出作为一种减少与环境污染物接触的策略；然而，关于优化机会如何随污染物和城市环境变化的证据仍然有限。本研究提出了一种基于GeoAI的框架，用于污染物感知路线优化，该框架利用OpenStreetMap街道网络和巴斯克政府环境监测网络的空气质量数据。在Donostia-San Sebastián和Bilbao大都市区共生成了约2000条模拟学校通勤轨迹。对于每个起终点对，研究人员将最短路径路线与针对PM10和NOx暴露优化的替代路线进行了比较。结果揭示了污染物和城市之间的显著差异。在Donostia-San Sebastián，NOx优化产生了最大收益，超过10%的路线实现了超过5%的暴露减少，最大减少幅度为54.9%。相比之下，Bilbao在PM10方面表现出最高的优化潜力，最大减少幅度为32.8%，且8.2%的路线实现了超过5%的减少。有意义的减少通常以旅行距离适度增加为代价实现。这些发现表明，暴露感知路由可能有益于部分学校通勤轨迹，且优化潜力强烈依赖于当地环境条件。

**论文解读：基于GeoAI的学校通勤空气污染暴露感知路线优化**

**研究背景与问题**
空气污染是全球公共健康面临的重大环境挑战，世界卫生组织指出，环境空气污染每年导致数百万人过早死亡，尤其在城市环境中，人口密度、交通排放及其他人为源集中。颗粒物（PM₁₀和PM_2.5）及交通相关污染物如氮氧化物（NO_x）和二氧化氮（NO₂）与呼吸系统疾病、肺功能损伤及哮喘加重相关。儿童是特别脆弱的群体，其呼吸系统仍在发育，学校通勤期间的反复暴露可能影响认知发育和呼吸健康。以往研究已证明路线选择可改变个人暴露水平，但多局限于单一城市或单一污染物，缺乏对跨城市、跨污染物优化机会的系统量化。此外，环境收益与额外旅行距离之间的权衡在学校通勤场景中尚未被充分表征。为此，研究人员开展了一项研究，旨在评估基于GeoAI的暴露感知路线优化能否在学校通勤中实现有意义的暴露减少，并分析不同污染物和城市环境下的优化潜力差异。该论文发表在《Environments》。

**关键技术方法**
研究人员采用公开可获取的OpenStreetMap街道网络，提取Donostia-San Sebastián和Bilbao大都市区（合成人口样本来源）的步行路网，并利用巴斯克政府空气质量监测网络获取PM₁₀和NO_x浓度数据（采集时间：2025年9月15日09:00）。通过反距离加权（IDW）插值法将监测站点的污染物浓度分配到路网节点，进而计算各路段累积暴露量。基于NetworkX库实现A*算法，分别计算最短路径和针对PM₁₀、NO_x暴露优化的路径，优化过程约束路线长度不超过最短路径的1.2倍。

**研究结果**
**4.1 暴露减少潜力**
通过对比约2000条模拟学校通勤路线（每城市1000条），研究人员发现优化潜力在污染物和城市间呈现显著差异。在Donostia-San Sebastián，NO_x优化效果最佳：10.65%的路线实现超过5%的暴露减少，最大减少幅度达54.9%（额外步行距离855 m）。PM₁₀优化潜力较低，仅1.01%的路线超过5%减少，最大减少13.27%。在Bilbao，PM₁₀优化潜力最高：8.18%的路线实现超过5%减少，最大减少32.8%（额外步行距离281 m）；NO_x优化仅2.36%的路线超过5%减少，最大减少31.91%。结果表明，有意义的暴露减少通常伴随适度增加的步行距离（约100–600 m）。

**4.2 暴露减少与距离的权衡**
图2（原文图示）显示，相当比例的有利路线集中在低距离增加（<10%）和有意义暴露减少（>5–15%）区域，表明这些路线最适宜实际部署。总体而言，Donostia的NO_x优化和Bilbao的PM₁₀优化表现出最高的优化潜力，而优化机会并非均匀分布，而是集中于部分轨迹子集。

**4.3 最佳优化场景示例**
研究人员选取了代表性路线进行可视化分析。在Donostia，图4展示了NO_x暴露减少54.9%的路线，通过绕行南部低污染区域实现，额外步行距离15.4%。在Bilbao，图5展示了PM₁₀暴露减少32.8%的路线，通过避开中央走廊、选择替代路径实现，额外步行距离15.5%。此外，部分场景中PM₁₀和NO_x优化路径重叠，表明两污染物可能存在相似空间分布；而另一些场景中优化目标冲突，显示污染物特异性优化的重要性。正高程增益在代表性案例中变化不等，未呈现一致趋势。

**讨论与结论**
**讨论**：本研究在以往单一城市或有限轨迹的可行性研究基础上，通过约2000条路线、两个城市、两种污染物的系统比较，扩展了暴露感知路由的实证证据。优化机会高度依赖于当地环境条件，Bilbao的PM₁₀优化潜力高可能与其工业历史和复杂地形导致的颗粒物空间梯度有关。尽管优化收益集中于部分轨迹，但对受益儿童而言，累积暴露减少可能具有公共卫生意义。额外步行距离普遍较小（最大<1 km），但需考虑年龄和个体步行能力。研究局限性包括：使用模拟轨迹而非实测数据、暴露减少未通过个人传感器验证、未纳入臭氧（O₃）等污染物。未来研究应整合更高时空分辨率的感知网络、真实移动轨迹及多环境因素（如噪声、热舒适度）。

**结论**：本研究提出了一个基于GeoAI的框架，用于根据空气污染暴露估算和优化步行学校通勤路线。通过结合公开环境信息、OpenStreetMap路网、空间插值技术和路线优化算法，该方法能够识别减少累积污染物暴露同时保持可接受步行距离的替代路线。结果表明，暴露感知路由的有效性强烈依赖于考虑的具体污染物和城市环境特征。在Donostia-San Sebastián，NO_x优化潜力最大（减少>50%），而在Bilbao，PM₁₀优化潜力最大（减少>30%）。这些改进以相对适度的额外步行距离实现，表明对于部分每日学校通勤路线，有意义的暴露减少是可行的。该框架的可扩展性和可转移性使其能够适应其他城市，为城市规划、公共卫生倡议和个性化暴露感知导航系统提供实用工具。