一种基于多源地球观测数据的空间鲁棒且可解释的机器学习框架，用于城市PM2.5和PM10的100米网格级别估算

《Remote Sensing Applications: Society and Environment》：A Spatially Robust and Explainable Machine Learning Framework for 100 m Grid-Level Estimation of Urban PM 2. 5 and PM 10 Using Multi-Source Earth Observation Data

　　

**摘要**

对城市颗粒物（PM）进行精确的空间估算，对于暴露评估、环境监测和空气质量管理具有重要意义，尤其在数据匮乏的城市地区更为关键。传统监测网络空间分布稀疏，而依赖随机验证的基于卫星的PM降尺度研究由于空间自相关性会显著高估预测性能。本研究开发了一套可解释的机器学习框架，通过整合多源地球观测数据、气象再分析数据、遥感地表指数以及基于GIS的预测变量，生成了德黑兰夏季PM2.5和PM10的100米网格级别估算结果。采用两种互补的特征选择策略——随机森林（RF）重要性与基于SHAP的可解释人工智能（XAI）——并分别结合随机森林（Random Forest）、XGBoost和LightGBM三种模型进行了评估。模型性能和空间泛化能力通过常规K折交叉验证、留一站交叉验证以及空间块交叉验证（SBCV）进行评估。特征选择使预测变量空间缩减了76–79%，同时保持了相当甚至更优的预测性能（在空间独立验证下）。RF选择的预测变量在PM2.5的空间泛化上表现更为一致，而RF与SHAP选择的配置在PM10预测上表现相当。常规K折交叉验证产生的误差估计比空间独立验证低17–28%，突显了在评估未监测地点性能时空间验证的重要性。基于SHAP的分析确定海拔是PM2.5模型归因中最具影响力的预测变量，而温度、地表气压和边界层高度则是PM10中最重要的预测变量之一。这些归因结果在空间分区和随机种子之间相对稳定，但应被视为模型拟合范围内的关联，而非因果关系。所得100米估算结果揭示了明显的南北梯度，其中最高浓度出现在南部工业化和高交通量区域。总体而言，本研究展示了在发展城市PM估算模型时，联合评估预测性能、特征选择、模型解释性和空间泛化能力的重要性。该框架为数据匮乏城市环境的网格级别空气质量估算提供了方法学基础，但其更广泛的适用性仍需外部验证和本地重新校准。

**引言**

城市空气污染对人类健康和生态系统构成严重风险，其中颗粒物（PM2.5和PM10）尤为引人关注，因其能够深入呼吸系统，导致心血管疾病、呼吸系统疾病、住院和过早死亡（Wang et al., 2022; Meng et al., 2024; Zhu et al., 2022; Mazza et al., 2025）。在大都市地区，人口密集、排放源多样化以及复杂的城市形态加剧了污染水平，健康负担尤为突出。最新全球评估表明，每年有数百万人因长期暴露于环境PM2.5而过早死亡，这凸显了需要更多空间分辨率更高、整合粗尺度大气场与细尺度地表预测变量的空气质量信息（Imani, 2020）。尽管PM2.5一直是许多近期高分辨率制图研究的主要焦点，PM10仍然是城市空气污染的重要组成部分；因此，本研究同时调查PM2.5和PM10，以在城市背景下更完整地刻画颗粒污染。

地面监测站提供可靠的PM测量数据，并仍然是空气质量评估的监管标准（Imani, 2021），但其效用受到稀疏且不均匀的空间分布的制约，特别是在大型、异质性的城市环境中，它们无法捕捉与交通、工业活动和土地利用变异相关的急剧梯度。这些局限性在发展中国家尤为突出：例如，德黑兰的监测站常常包含不完整记录，存在较大的时间缺口（Bagheri et al., 2022; Nabavi et al., 2019），这一约束在其他地方也存在——Ghaffarpasand等人（2026）报告伊朗伊斯法罕的监测覆盖率低至67.8%，而英国伯明翰的覆盖率接近完整（98–100%）。

因此，卫星遥感已成为空气质量评估的必不可少的互补方法，它提供了超越地面监测网络局限性的广泛空间覆盖和时序一致性（Lolli, 2025）。在卫星衍生的气溶胶产品中，气溶胶光学厚度（AOD）——代表大气气溶胶对太阳辐射的柱积分消光——被广泛用作近地表PM浓度的代理指标（Gupta and Christopher, 2009; Zhang et al., 2021）。反演算法的进步，特别是多角度大气校正实现（MAIAC），大幅提高了AOD的空间分辨率（≈1公里）及其在异质地表上的反演性能，使得更详细的城市尺度空气质量研究成为可能（Lyapustin et al., 2011; Di et al., 2016）。

尽管取得了这些进展，将卫星衍生的AOD转化为可靠的表面级PM浓度仍然具有挑战性。早期研究经常依赖线性回归和土地利用回归方法，假设AOD与PM浓度之间存在稳定关系（Zhang et al., 2021; Lolli, 2025）。然而，AOD反映的是垂直集成气溶胶负荷，并受气溶胶垂直分布、边界层动力学、相对湿度和气溶胶组成的影响，而PM2.5和PM10代表近地表质量浓度。因此，AOD-PM关系具有高度非线性和区域依赖性，特别是在排放源异质且气象条件动态变化的复杂城市环境中（Yang et al., 2019; Proietti Pelliccia et al., 2026）。化学传输模型（CTMs）通过显式模拟排放、传输和化学过程提供物理可解释的估算值，但它们计算密集且依赖准确的排放清单，而在发展中地区往往不可用或存在不确定性，从而在城市尺度PM估算中引入显著不确定性（Huang et al., 2021; Gao & Zhou., 2024）。

因此，数据驱动的机器学习（ML）方法已成为传统回归方法和依赖排放清单的CTM的有力替代方案，特别是在排放信息有限或不确定的地区（Wang et al., 2023）。与固有的局限性较大的线性模型和土地利用回归模型相比，后者难以表征控制气溶胶形成、传输和扩散的非线性相互作用（Hoek et al., 2008; Tian et al., 2023），基于树的集成算法——包括随机森林（RF）、极端梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）——可以灵活捕捉气溶胶负荷、气象条件、地表特征和人为活动指标之间的此类非线性关系和相互作用（Breiman, 2001; Chen and Guestrin, 2016; Zamani Joharestani et al., 2019）。

这些集成方法已被广泛应用于高分辨率PM制图，因为它们可以容纳非线性关系、相互作用和异质环境条件（Lolli, 2025; Veysi et al., 2025）。众多研究报告了相较于传统统计方法的改善的预测性能，特别是在复杂城市和受数据限制的环境中（Zhan et al., 2017; He et al., 2022）。

除城市PM降尺度外，近期研究还展示了GIS和人工智能在空气质量风险评估和环境制图中的日益增长的作用，包括应用于PM2.5结合污染物（Ashlin et al., 2026）和气溶胶-气象相互作用分析（Gautam et al., 2021）。

然而，整合多源预测变量会引入高维且经常冗余的特征空间，增加过拟合风险并放大机器学习模型的"黑箱"特性。因此，特征选择和模型解释性已成为空气质量建模不可或缺的组成部分，而非可选的后处理步骤（Liu and Gillies, 2016; Fang et al., 2022）。近期研究表明特征选择可以显著改善PM预测性能（Kalantari et al., 2025），而一项系统综述发现模型可解释性不足是将空气质量预测转化为城市规划和环境决策的主要障碍（Yao et al., 2025）。

需要区分三个相关但不同的问题：（i）模型能否准确预测PM浓度？（ii）哪些预测变量对模型预测贡献最大？以及（iii）这些预测变量是否代表因果性的环境驱动因素？本研究解决前两个问题。预测性能通过与地面观测的对比，使用空间显式验证进行评估。特征贡献使用基于模型的归因方法——RF置换重要性和SHAP——进行量化。然而，这些归因指标反映的是特定拟合模型的行为，不应在没有额外独立验证（例如特征在独立数据集间的一致性、剂量-反应分析或物理基础敏感性实验）的情况下解释为因果关系或机制性关系。这一区分是本文所述框架设计和解释的核心。

据此，本研究中呈现的SHAP和RF重要性结果用于模型诊断、特征选择、空间约束下选择策略的比较，以及与已建立的大气学认知进行合理性检查——而非作为经验证的真实环境重要性度量。

与此趋势一致，近期城市地理人工智能（GeoAI）综述认为，核心方法学挑战已不再是识别最准确的算法，而是开发能够整合有效特征选择与工程、严格空间验证以及可解释模型的工作流，以支持可靠的城市决策（Theodorakopoulos, 2026）。

尽管取得了这些方法学进展，许多现有的城市PM研究仍然依赖传统的随机交叉验证和后验解释。尽管随机K折交叉验证仍被广泛使用，但由于验证样本在空间上靠近训练样本，通过空间自相关导致信息泄漏并违反独立模型评估的假设，它可能显著高估预测性能（Tahooni et al., 2026）——这一局限性已被证明在地理空间预测中尤为突出（Wang et al., 2023）。因此，空间显式验证已被提倡为评估地理空间预测和空气污染制图模型泛化能力更现实框架（Theodorakopoulos, 2026; Wang et al., 2023）。在随机验证下获得的性能估计和预测变量排名可能无法可靠反映模型或特征选择策略向未监测地点泛化的能力。在本研究中，空间泛化通过使用三种具有递进空间独立性的验证框架进行评估：常规K折交叉验证、留一站交叉验证和空间块交叉验证，从而能够量化非空间验证所引入的性能乐观偏差。

可解释人工智能（XAI），特别是SHAP值加性解释（SHAP），通过在全局和局部尺度上量化每个预测变量对特定模型预测的贡献，实现了透明解释（Lundberg and Lee, 2017）。尽管SHAP在大气研究中的应用日益增多（Tahooni et al., 2025），但其应用主要局限于对拟合模型的事后解释。作为在空间约束学习环境中系统性特征工程和诊断框架的潜力仍基本未被探索（Hou et al., 2022; Wang et al., 2023; Wang et al., 2026）。

尽管近期取得了进展，三个方法学挑战仍然限制着更空间真实的城市PM估算框架的发展：（i）缺乏对特征选择和模型评估的空间严格验证框架；（ii）将XAI作为操作性的特征工程工具（而非仅用于事后解释）的应用有限；以及（iii）在空间显式验证条件下缺乏对不同特征选择哲学（例如基于置换的重要性与基于SHAP的重要性）的系统性比较。

伊朗首都及最大都市区德黑兰，为PM2.5和PM10估算提供了一个具有挑战性的案例。快速的城市扩张、密集的交通排放、显著的社会空间差异以及被阿尔博尔兹山脉环绕的盆地状地形共同限制了通风、促进污染物积聚并放大了边界层和气象条件对颗粒物的控制作用（Bazzazpour et al., 2026）。尽管德黑兰人口众多，但其空气质量监测网络相对稀疏且分布不均匀，无法完全捕捉PM浓度的显著空间异质性。以往研究报告了AOD-PM关系较弱且空间变化较大，反映了复杂气溶胶来源、地形和气象动力学的共同影响（Nabavi et al., 2019; Bagheri et al., 2022）。因此，德黑兰不仅是一个关键的本地案例研究，也是中等收入地区型超级城市的代表性案例，在这些城市中，可靠的、具有空间分辨率的空气质量信息仍然稀缺。

多项近期研究已将机器学习应用于德黑兰的PM2.5。Amiri和Zare Shahne（2025）使用MAIAC AOD结合RF，专注于站级预测而未生成空间地图或评估空间泛化。Shakerdonyavi和Yeganeh（2026）使用移动监测和RF/XGBoost生成了10米步行暴露地图，但依赖随机交叉验证而非空间独立验证。更广泛地说，很少有研究系统量化随机验证与空间独立验证框架之间的性能差异，或在空间约束学习条件下比较RF置换重要性与SHAP重要性特征选择策略。尽管PM10对城市空气质量评估很重要，但在德黑兰基于卫星的PM制图文献中仍严重不足。虽然长期分析已确定伊朗各地持续存在的PM2.5热点区域并强调了沙尘、城市化和缓解政策的影响（Yousefi et al., 2025），但这些粗分辨率产品无法解析暴露评估所需的城内部变异性。

本研究聚焦于预测制图和基于模型的归因分析；并不试图建立预测变量与PM浓度之间的因果关系。

在本研究范围内，它通过以下方式弥补了上述不足：(i) 分别开发PM2.5和PM10模型；(ii) 应用三种验证策略——空间块交叉验证（SBCV）、留一站法交叉验证（LOSO-CV）和常规K折交叉验证——以量化空间泛化能力；(iii) 使用SHAP和随机森林置换重要性作为两种互补的基于模型的归因与特征工程方法；(iv) 提供逐像素的年度间变异性分析和Moran's I空间自相关诊断以评估空间稳健性。本研究有三个核心目标。第一，开发并评估一种机器学习框架，通过融合粗尺度大气预测因子（MAIAC AOD、TROPOMI、ERA5）与细尺度地表、地形和GIS衍生的人为预测因子，生成德黑兰夏季100米网格尺度的PM2.5和PM10估计值。第二，在三种空间独立性递增的验证框架下——常规K折、留一站法和空间块交叉验证——严格比较集成机器学习模型（RF、XGBoost、LightGBM），以量化非空间验证所带来的乐观偏差并评估研究区域内的空间泛化能力。第三，评估两种互补的特征选择策略——随机森林置换重要性和基于SHAP的重要性——将其作为空间约束条件下互补的基于模型的归因和特征工程工具，而非识别因果关系环境驱动因子的方法。通过将多源数据融合、双重基于模型的特征选择以及空间显式验证相结合，本研究旨在为数据稀疏的超大城市环境提供一个透明且空间真实的城市PM估算框架，同时清晰地区分预测性能与模型归因，并承认单城市、仅夏季分析的局限性。

**研究区域描述**

德黑兰（图1），伊朗首都及最大都会区，位于阿尔borz山脉南麓，面积约730平方公里（Amiri & Zare Shahne, 2025; Nakhjiri & Kakroodi., 2025）。该市位于北纬35°34′–35°51′、东经51°07′–51°38′之间，划分为22个市政区。南部海拔从900米至1,050米，北部超过1,800米，北界为阿尔Borz山脉，南界为通往伊朗中部沙漠的干旱平原。这种强

**PM2.5特征重要性排序**

图6(a)展示了从空间约束的随机森林特征选择过程中获得的基于置换的特征重要性得分，针对PM2.5。置换重要性在每个空间交叉验证折内独立计算，然后汇总以获得总体重要性估计。在所有候选预测因子中，高程（DEM）是最具影响力的变量，其次是滞后卫星衍生指标，特别是TROPOMI NO2（t?1）和MAIAC AOD

**特征选择策略的有效性**

本研究的一个关键目标是确定特征选择是否能提升城市PM2.5和PM10降尺度分析的预测性能、模型可解释性和空间可推广性。比较了三种特征选择策略：随机森林筛选、SHAP推荐和完整的42个变量预测集。在LOSO和SBCV下，缩减的特征集始终优于完整预测空间，证实了消除冗余和低可迁移预测因子的有效性。

**结论**

本研究开发了一种空间可解释的机器学习框架，通过融合多源地球观测数据（MAIAC AOD、TROPOMI痕量气体、ERA5气象数据、Landsat地表指数和基于GIS的预测因子），生成城市PM2.5和PM10的100米网格尺度估计值。在该框架内系统评估了三种集成学习算法（随机森林、XGBoost和LightGBM），该框架围绕三个核心原则设计：严格的空

**CRediT作者贡献声明**

Amir Tahooni：写作 – 审阅与编辑、写作 – 初稿、可视化、验证、软件、方法论、数据整理、概念构思。Majid Kiavarz：监督指导。A.A. Kakroodi：写作 – 审阅与编辑、监督指导、项目管理。Hossein Mansourian：监督指导

**未引用参考文献**

Wang et al., 2022a; Zhu et al., 2023; Imani, 2019; Shen and Li, 2019; Zhang et al., 2021d; Lyapustin et al., 2011a; Joharestani et al., 2019; Theodorakopoulos et al., 2024; Wang et al., 2023; Tahooni and Kakroodi, 2019; Huber and Steinhage, 2024; Wong, 2015; Hengl et al., 2018; Pugliese Viloria et al., 2024; Aghdam et al., 2024; Lee et al., 2023.

**生成式AI和AI辅助技术在写作过程中的声明**

在撰写本文过程中，作者使用了ChatGPT以改善论文的语言和可读性。使用该工具/服务后，作者对内容进行了审阅和编辑，并对出版物内容承担全部责任。

**利益冲突声明**

作者声明不存在已知的竞争性财务利益或可能影响本文报告工作的个人关系。

Amir Tahooni | A.A. Kakroodi | Majid Kiavarz | Hossein Mansourian
德黑兰大学遥感与地理信息系统系，伊朗德黑兰