基于多源数据融合与物理引导机器学习的可靠性感知机场环境噪声预测

《Frontiers in Environmental Science》：Reliability-aware airport environmental noise prediction through multi-source data fusion and physics-guided machine learning

　　

基于物联网（Internet of Things, IoT）的机场环境噪声监测不仅需要准确的短期预测，还需要对异构环境感知数据带来的预测不确定性进行可靠评估。固定噪声观测、广播式自动相关监视（Automatic Dependent Surveillance-Broadcast, ADS-B）轨迹、气象记录和监测站属性在时间分辨率、空间参考对象和数据结构上存在差异，使得站点级可靠预测困难。本研究提出一种基于多源环境数据融合与物理引导机器学习的可靠性感知机场噪声监测框架。固定噪声监测站作为声学感知节点，ADS-B轨迹、气象观测和站点空间信息被整合到统一的站点-分钟样本中。构建物理引导的源-接收器特征，以表示基于轨迹点的飞机活动代理、飞机轨迹与监测站之间的水平距离和斜距、高度、速度、距离衰减以及传播延迟。然后使用物理引导的XGBoost模型进行确定性LAeq预测，同时引入残差不确定性估计和保形校准以生成预测区间和误差风险等级。使用重庆江北国际机场2026年1月30个固定噪声站的监测数据进行的实验表明，所提出模型在166,641个测试样本上取得了1.74 dB的MAE、2.36 dB的RMSE和3.20%的MAPE。90%和95%预测区间的经验覆盖率分别为90.42%和95.13%。误差风险分组和空间分析进一步表明，预测不确定性在不同站点之间存在差异，并有助于识别需要进一步检查的监测位置和时间段。所提出的框架将机场噪声监测从确定性点预测扩展到可靠性感知的环境信息支持，为机场周边的短期噪声评估、异常筛查和环境管理提供了实用基础。

机场环境噪声是影响机场周边区域声环境质量的重要因素，不仅可能导致听觉损伤，还会引发睡眠障碍、心血管风险、认知影响等非听觉健康效应。随着航空运输需求增长，机场噪声已成为城市声环境治理和机场环境管理的重点问题。与一般城市环境噪声相比，机场噪声具有明显的事件驱动和时空特征，受航空器起降、滑行、地面运行、飞行轨迹、气象条件、传播距离和监测点空间位置等多因素影响。传统评估方法主要依赖物理模型、半经验模型和噪声地图，适用于长期暴露评估，但难以满足实时监测、短期预测、异常识别和可靠性评估的需求。物联网（Internet of Things, IoT）技术为机场噪声监测提供了多源高频数据，但固定噪声观测、广播式自动相关监视（Automatic Dependent Surveillance-Broadcast, ADS-B）轨迹、气象记录和监测站属性在时间分辨率、空间参考对象和数据结构上存在显著差异，导致站点级可靠预测困难。现有数据驱动研究多聚焦于确定性预测精度，缺乏对个体预测可靠