基于堆叠学习框架的寒冷季节露天煤矿粉尘浓度多点预测与可解释性分析

《Atmospheric Pollution Research》：Multi-Point Prediction and Interpretable Analysis of Dust Concentration in Open-Pit Coal Mine During the Cold Season Using a Stacking Learning Framework

　　

• •
  提出了一种露天煤矿寒冷季节TSP预测的多点框架。
• •
  七点模型展现了可靠的预测性能，并揭示了空间异质性。
• •
  该框架能够实现寒冷地区针对性的粉尘风险评估与控制。

引言

煤炭是中国重要的能源，2025年占全国能源消费总量的51.4%。中国煤炭开采包括井工开采和露天开采，其中大多数大型露天煤矿位于北方寒冷且生态脆弱的地区。粉尘污染已成为这些地区亟待解决的问题，尤其是在冬季，污染已严重影响矿区能见度（图S1）。然而，在寒冷条件下实施洒水降尘等措施较为困难。露天煤矿在钻孔、爆破、装载、运输、卸载和道路运输等各个环节中，都会从裸露表面和机械扰动物料中释放大量颗粒物（Du等，2022；Huang等，2019；Liu等，2023；Lu等，2024）。这些粉尘排放不仅降低局部空气质量和能见度，还对矿工及附近居民构成潜在风险（Gautam等，2018；Han等，2024；Huertas等，2012；Kok等，2023）。颗粒物已被广泛认为是与呼吸系统和心血管系统健康相关的主要空气污染物（Leshukov等，2022；Patra等，2016），世界卫生组织已充分记录了PM_2.5和PM₁₀等可吸入颗粒物的健康风险。

因此，准确预测粉尘浓度对于智能防粉尘和绿色矿山管理至关重要（Hosseini等，2021；Wang等，2023；Xu等，2026；Yang等，2024）。粉尘浓度预测可以为洒水、运输道路清扫、生产调度以及通风或作业调整等降尘措施提供预警信息。以往研究已展示了机器学习方法在露天开采环境粉尘浓度预测中的潜力。Qi等（2020）开发了一种混合机器学习估计方法，用于预测露天煤矿中PM_2.5、PM₁₀和TSP浓度。其他研究探讨了露天矿山粉尘估计的改进机器学习方法，包括基于随机森林的模型、基于马尔可夫链的改进方法、神经网络参数优化以及用于粉尘监测和预测的深度学习算法（Kamran等，2024；Lu等，2023；Lu等，2021；Yang等，2024）。这些研究共同表明，机器学习能够有效捕捉粉尘浓度与风速、温度、湿度和大气压等环境变量的非线性关系。

然而，大多数现有研究仅关注单一监测点的预测（Lu等，2023；Lu等，2021；Qi等，2020；Yang等，2024）。在实际露天煤矿中，粉尘污染具有空间异质性。不同监测点可能受到运输道路排放、卸料区、采掘面、局地风况、地形和短期作业扰动的不同组合影响。因此，在一个监测点训练的模型可能无法完全代表整个矿区整体的粉尘变化规律。此外，许多以往的预测研究强调模型精度，但对控制粉尘浓度的因素解释有限。对于实际粉尘控制而言，仅仅知道模型预测是否准确是不够的，还需要了解哪些变量主导预测、关键变量如何影响TSP浓度，以及气象因素之间是否存在交互作用。模型可解释性有助于将预测结果转化为可操作的环境管理知识（Xu等，2026）。

为解决上述不足，本研究提出了一种露天煤矿的可解释多点粉尘预测框架。利用七个粉尘监测点的数据构建两类数据集：一个用于整个矿区整体预测的综合多点数据集，以及七个用于各点特定预测的独立数据集。此外，采用模型无关的可解释性分析来识别全局特征重要性、单因素影响、双因素气象交互作用以及影响因子的整体交互网络。本研究的主要贡献如下。第一，本研究同时开发了整体七点预测模型和各点独立模型，实现了矿区级别与监测点级别预测的系统对比。第二，本研究采用堆叠集成框架来提高粉尘浓度预测的鲁棒性。第三，本研究将模型可解释性整合到预测流程中，揭示了历史粉尘浓度和气象因素在短期粉尘变化中的作用。所提出的框架可支持露天煤矿的实时粉尘预警、针对性降尘和智能环境管理。

各节摘要

监测数据

哈尔乌苏露天煤矿是中国最大的煤矿之一，年产能高达3500万吨。本研究使用的监测数据来自哈尔乌苏露天煤矿的七个TSP监测点（图1）。由于冬季环境恶劣以及露天煤矿开采速度快，共设置了七个监测点。其中1#至6#远离作业区域，而7#靠近作业区域。连续

原始监测数据特征

在模型训练之前，对七个监测点的原始监测记录进行了检查，以表征TSP及相关环境指标的时间变化、空间异质性和分布特征。如图S2所示，在寒冷季节监测期间，TSP浓度呈现出明显的短期波动。综合平均趋势捕捉了监测网络的总体变化，而各点曲线和每日热力图

结论与启示

本研究开发了一种基于堆叠的机器学习框架，利用多点监测数据预测露天煤矿TSP浓度。输入变量包括当前噪声、温度、湿度、风速、大气压和当前TSP浓度，输出变量为未来TSP浓度。

综合七点模型取得了良好的预测性能，测试集R²为0.891，MAE为13.71 μg/m³，RMSE为25.95 μg/m³。大多数

作者贡献声明

Lu Xiang：撰写——初稿、可视化、方法论、资金获取。Zhou Wei：资源、资金获取、正式分析。Wang Zhiming：撰写——审阅与编辑、验证、项目管理、概念设计。Luo Huaiting：监督、资源、数据整理。Lei Shaogang：监督、软件、调研。

数据与材料可用性

支持本研究结果的数据可在向第一作者提出要求后获得。

利益冲突

作者声明不存在利益冲突。

利益冲突声明

? 作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本研究得到了国家自然科学基金（编号：52394193）、国家重点研发计划（编号：2023YFF1306001）、西南科技大学优秀人才培育基金（项目编号：25zx7123）以及国家自然科学基金（编号：52374145）的资助。

Xiang Lu|Zhiming Wang|Wei Zhou|Shaogang Lei|Huaiting Luo