基于图拓扑与几何特征的城市污染物扩散预测：从供水管网水力瞬变到风洞浓度场的跨域方法迁移

《Computation》：Graph-Derived and Geometric Drivers of Pollutant Dispersion in Urban Environments: Learning from Water Distribution Networks

　　

摘要专业翻译 预测复杂城市环境中的空气污染物扩散，传统上依赖计算密集的流体动力学（CFD）模拟或经验性高斯模型。本研究探讨了源自管网流体流动概念的拓扑网络属性，是否能够直接解释城市冠层中的空间浓度变化。研究人员利用代表性城市布局的风洞测量数据，基于局部速度场构建有向流动图，并计算关键拓扑指标，包括节点度、介数中心性（betweenness centrality）和拓扑距离。随后评估乘性回归模型，以检验这些指标对多个排放位置实测浓度分布的预测能力。结果表明，图派生指标与几何预测因子共同解释了浓度方差的相当大一部分（R2最高达0.83，均值0.57），其中地理距离、节点度和介数中心性为主要驱动因子。由于地理距离本身并非拓扑指标，所报告的解释力归因于几何与图派生预测因子的组合，而非仅凭图拓扑。这些发现提供了初步证据，表明传感器空间邻近图的图派生与几何描述符与该数据集中的浓度具有统计关联。由于地理距离是几何而非拓扑预测因子，解释力归因于组合预测因子集，而非单独归因于图拓扑。研究结果具有源依赖性，不应被解读为CFD的运行替代方案或直接设计指导。未来工作需要以仅距离基线模型和独立验证作进一步研究。

论文解读

一、研究背景与问题

城市空气污染是21世纪最紧迫的环境与公共健康挑战之一。快速城市化导致交通、工业与住宅供暖排放增加，使数百万人暴露于升高的污染物浓度之中。准确预测建成环境中的污染物扩散，对于风险评估、应急响应和可持续城市规划至关重要。

城市污染物扩散的时空动态受湍流混合、大气稳定度、建筑诱导回流和风场变化等多尺度复杂过程控制。传统预测方法依赖计算流体动力学（CFD）模拟、现场实验或风洞测量。这些方法虽然精度高，但计算成本高、耗时长，且需要详细的几何与气象输入。与之并行，另一条研究路线致力于发展降阶模型，利用城市街道网络的几何特征。SIRANE和MUNICH等运行性街道网络模型通过将街道表示为相互连接的通道来参数化污染物扩散，提供了比CFD更高效的替代方案，但仍依赖对城市冠层简化后的物理参数化。

近年来，复杂网络理论（CNT）作为分析互联系统拓扑结构与功能行为关系的强大框架而兴起。在供水管网领域，已有研究证明拓扑指标可预测高达96%的水力瞬变压力波动。这一成功引发了一个根本性问题：类似的拓扑描述符能否预测城市区域的污染物扩散模式？此问题受到水力瞬变与大气扩散之间多重物理类比的驱动：两种系统中，扰动（压力波或污染物羽流）都通过网络化路径传播，在节点处相互作用，并受系统整体连通性和冗余度影响；两者均表现出非线性行为且对局部几何特征敏感。

尽管已有研究探索了城市扩散的网络方法，例如引入中心性指标评估城市对有毒空气释放的脆弱性，或分析街道网络在失效场景下的鲁棒性，但这些研究均未系统地将乘性回归框架应用于仅凭拓扑指标预测浓度量级。水力网络与城市扩散中拓扑预测因子之间的直接定量比较在文献中仍然缺失。

二、研究内容与结论概述

为填补上述空白，研究人员分析了COST Action ES1006框架内开发的Michel-Stadt风洞数据集。该数据集提供了在0°平均风向条件下，三个地面源（S2、S4、S5）连续释放的高分辨率浓度测量，包含全尺度浓度值（Cmean，ppmV）、详细空间坐标和不确定性估计。

研究人员基于风向（0°）和最大连接距离500 m、角度容差60°构建有向风场图，其中节点对应风洞测量传感器的空间坐标而非街道交叉口或建筑中心线，边仅依据几何邻近性和与背景风向的夹角分配。对每个测量点计算局部度、介数中心性、聚类系数、距源地理距离、距源拓扑距离、下风可达性和方向连通性等指标，然后应用乘性回归模型预测各测量点的平均污染物浓度，分别对每个源使用带交叉验证的岭回归（Ridge regression）拟合。

研究得出以下主要结论：传感器邻近风场图派生的指标解释了污染物浓度变异的相当大部分，R²从S2的0.398到S4的0.834，三源平均0.565；预测性能具有源依赖性，S4位于城市域中心，有向图建立了明确的下游路径（出度=4，可达节点=4），性能最佳，而S2位于城市边界，图构建参数未能建立下风连接（出度=0，可达节点=0），性能最低；地理距离、节点度和介数中心性为三个最稳定的预测因子，其中地理距离和节点度系数为负反映稀释效应，介数中心性系数为正表明处于传输瓶颈的节点浓度升高；平均R²低于均质水力网络的0.96但与非均质网络的0.81相当；该方法提供了CFD全模拟的计算高效替代方案。

三、关键技术与方法

本研究采用以下主要技术方法：其一，构建方向性传感器邻近图，以节点代表风洞测量传感器坐标，以有向边代表下风连通性，边的建立需同时满足节点位于下风方向、欧氏距离小于交互半径（500 m）且与风向夹角小于角度容差（60°）三个条件；其二，计算每节点拓扑指标，包括拓扑距离、测地距离、入度、出度、局部聚类系数、介数中心性和下风距离；其三，采用乘性回归模型C_mean = α₀·d^α₁·deg^α₂·B^α₃，经自然对数线性化后使用带L2惩罚的岭回归拟合，正则化参数λ在每次留一交叉验证（LOOCV）迭代内通过对数网格搜索优化，所有变换在训练折内完成以避免数据泄漏。数据集来源为COST Action ES1006框架下汉堡大学环境风洞实验室的Michel-Stadt城市构型实验，包含S2（57个测点）、S4（25个测点）、S5（22个测点）共104个独立浓度观测。

四、研究结果

5.1 源S2的模型性能。 对位于城市域西缘的S2，乘性回归模型解释了约40%的浓度变异性，岭回归R²=0.398，OLS等效R²=0.535，Pearson相关系数0.456。模型倾向于低估源附近最高浓度并高估远处受体的最低浓度。关键限制在于该源的定向图产生零可达节点和零出度，图构建参数无法从边界位置建立任何定向下风连接，因此S2模型实际为基于欧氏距离、无向度和无向介数的几何回归，其R²反映空间邻近性本身的解释力。

5.2 源S4的模型性能。 对位于城市构型中心附近的S4，岭回归R²=0.834，OLS模型R²=0.838，Pearson相关系数0.654。散点图中数据点紧密围绕1:1参考线，模型准确再现低值和高值浓度。所有拓扑预测因子与S2相同，但地理距离负系数绝对值更大，反映更强的随距离稀释效应，介数正系数也更显著。

5.3 源S5的模型性能。 对位于坐标系原点的S5，岭回归R²=0.463，OLS模型R²=0.596，Pearson相关系数0.431。预测在中间浓度水平出现较大离散，可能因附近建筑障碍产生复杂流动模式未被图连通性完全反映。三个预测因子的系数符号与物理预期一致，量级介于S2和S4之间。

5.4 跨源模型性能比较。 最高预测精度为S4（R²=0.834），其次S5（R²=0.463）和S2（R²=0.398），平均R²=0.565。所有指标均来自折外LOOCV预测，R²在对数空间计算，RMSE和MAE在反变换后的原始浓度单位中报告，Pearson相关系数在原始空间中报告。S4的R²=0.834与r=0.654的组合并不矛盾：对数空间中R²=0.834对应log预测与log实测浓度间约0.913的相关性，较低的原始空间相关性反映指数反变换对对数正态分布浓度场的影响。

5.5 关键拓扑预测因子的识别。 逐步回归程序在全部三个源模型中一致识别出地理距离、节点度和介数中心性为最有影响力的预测因子。地理距离系数均为负，范围?0.3至?2.2；节点度系数也一致为负；介数中心性系数为正。聚类系数、拓扑距离和方向连通性指标在某些模型中被选中但重要性较低。

5.6 回归系数的物理解释。 地理距离负系数反映羽流扩散的稀释效应，S4稀释效应最强（α≈?2.2），S2最弱（α≈?0.3）。节点度负系数表明位于高度连通区域的受体浓度较低，污染物被分配到多条传输路径。介数正系数表明处于许多最短路径上的节点趋向于更高浓度，可能对应污染物从多个上游路径汇聚的街道交叉口或狭窄通道。

5.7 残差分析。 三个源的残差均以零为中心分布，无随浓度量级的系统趋势。S4残差离散度最小，S2和S5残差变异性较大。最大预测误差出现在建筑障碍附近或街道几何复杂区域。

5.8 报告性能的范围。 模型分别对每个源拟合，R²描述源特定的浓度场拟合而非对新源位置的泛化。地理距离非拓扑指标，报告的解释力归因于几何与图派生预测因子的组合而非单独归因于图拓扑。

五、讨论与结论

讨论部分指出，S4的优越性能不应被解读为图拓扑单独解释浓度变异性，该模型包含地理距离作为预测因子，图描述符是附加的。与水力网络的比较显示，大气扩散受湍流混合、热分层、建筑诱导回流和风变率等更广泛因素影响，这些机制引入的变异性无法仅靠网络连通结构捕获。三个保留预测因子中仅节点度和介数中心性为图派生指标，地理距离为几何量。节点度负系数反映采样网格的空间分布而非街道交叉口的波分裂，介数正系数描述测量阵列几何的中心位置而非物理传输瓶颈。对城市规划的启示包括：促进街道网络良好连通可能通过促进扩散降低浓度，针对高介数位置的干预措施可能有效减少人群暴露。

研究结论部分可翻译概括为：本研究证明了传感器邻近风场图派生的指标可解释城市污染物浓度变异的相当大部分，乘性回归模型R²范围为S2的0.398至S4的0.834，平均0.565；预测性能具有源依赖性并受局部城市拓扑强烈影响；地理距离、节点度和介数中心性为最有影响力的预测因子，系数提供物理上合理的解释；平均性能与非均质水力网络相当；该方法提供了CFD全模拟的计算高效替代方案，适用于筛选研究、应急响应规划和城市设计方案评估；每节点拓扑指标比全局网络统计提供更物理上有意义的表示。研究明确强调，图中的节点代表实验采样位置而非街道网络交叉口或建筑轴线，派生的网络反映隐含编码周围城市几何气动效应的传感器空间流动拓扑，而非建成环境的结构拓扑。报告性能来自折外LOOCV预测，模型分别对每个源拟合，结果描述源特定拟合而非对新源位置的泛化。未来工作需建立正式的距离仅基线模型和统一源-受体公式，并将网络节点直接映射到结构化GIS街道峡谷网络或连续空间网格，以解耦传感器布局对分析的影响。