清華新聞網(wǎng)2月9日電 空氣中的超細(xì)顆粒物（Ultrafine Particles, UFPs）指粒徑小于100納米的顆粒,，大量對人體有害的UFPs因其極高的比表面積和獨特的理化特性,，能夠深入人體呼吸道及血液循環(huán)，對健康構(gòu)成潛在威脅,。然而,，傳統(tǒng)空氣污染指標(biāo)（如PM2.5、PM10）主要基于質(zhì)量濃度測量,，難以有效表征UFPs的暴露水平和對人體健康的影響,，高精度、低成本,、高時空分辨率的UFPs監(jiān)測評估方法長期未能得到解決,。
世界衛(wèi)生組織（WHO）2021年《全球空氣質(zhì)量指南》（Global Air Quality Guidelines, AQG）強(qiáng)調(diào)，UFPs的暴露評估應(yīng)基于顆粒數(shù)濃度（Particle Number Concentration, PNC）,，而非質(zhì)量濃度,。然而，由于UFPs監(jiān)測需要高精度,、昂貴的儀器設(shè)備,，目前全球范圍內(nèi)長期、大規(guī)模的UFPs暴露評估研究仍較為有限,。
針對上述挑戰(zhàn),，清華大學(xué)安全學(xué)院袁宏永、張小樂團(tuán)隊提出了一種堆疊式集成機(jī)器學(xué)習(xí)（Stacking-based Ensemble Machine Learning）高時空分辨率顆粒數(shù)濃度模擬方法（Stem-PNC）,，融合數(shù)據(jù)驅(qū)動模型與物理化學(xué)模型,，在區(qū)域尺度上實現(xiàn)了高空間（1 km）和高時間（1小時）分辨率的UFPs暴露評估，為超細(xì)顆粒物的暴露水平和健康風(fēng)險評估提供了新的思路。
圖1. 堆疊式集成機(jī)器學(xué)習(xí)顆粒物數(shù)量濃度模擬方法（Stem-PNC）框架圖
突破傳統(tǒng)地理回歸模型（LUR）的局限,，利用多源數(shù)據(jù)提升預(yù)測精度,。傳統(tǒng)土地利用回歸（Land Use Regression, LUR）模型主要依賴地理信息（如土地利用、交通流量,、人口密度等）,，但未充分利用現(xiàn)有的空氣污染監(jiān)測數(shù)據(jù)。本研究首次整合已監(jiān)管污染物（NOx,、O?,、PM2.5、PM10等）監(jiān)測數(shù)據(jù),，結(jié)合人工智能方法,，挖掘其與UFPs的復(fù)雜關(guān)系，從而提高暴露預(yù)測的精度,。
圖2. Stem-PNC逐小時,、逐天、逐周,、逐月預(yù)測效果
構(gòu)建高精度AI模型,，實現(xiàn)低成本、高效UFPs暴露評估,。傳統(tǒng)UFPs監(jiān)測成本高昂,，覆蓋范圍有限。本研究利用瑞士長期標(biāo)準(zhǔn)化顆粒數(shù)濃度監(jiān)測數(shù)據(jù),，結(jié)合多源數(shù)據(jù)（如空氣質(zhì)量再分析,、氣象數(shù)據(jù)、交通流量等）,，構(gòu)建高精度AI模型,，有效降低評估成本，并提升模型的穩(wěn)定性和泛化能力,。
融合數(shù)據(jù)驅(qū)動與物理化學(xué)模型,，提升預(yù)測精度與空間覆蓋,。研究采用人工智能與物理化學(xué)模型相結(jié)合的方式,，既保持了物理機(jī)制的合理性，又充分利用了數(shù)據(jù)驅(qū)動方法的計算效率,。采用哥白尼監(jiān)測服務(wù)（CAMS）空氣質(zhì)量再分析數(shù)據(jù),、歐洲中期天氣預(yù)報中心氣象再分析數(shù)據(jù)（ERA5）及100m分辨率交通流量數(shù)據(jù)（OTM），并提出基于監(jiān)測點預(yù)訓(xùn)練的降尺度多源數(shù)據(jù)融合方法,，構(gòu)建高時空分辨率模型,。
揭示超細(xì)顆粒物暴露的空間分布特征。研究以瑞士為例，首次在國家尺度上實現(xiàn)了高精度超細(xì)顆粒物暴露評估,，研究發(fā)現(xiàn),，約20%（170萬）瑞士人口的UFPs年均暴露水平超過10? 顆粒/cm3，表明高濃度UFPs污染對健康的潛在威脅不容忽視,。在不同地區(qū),，UFPs的暴露水平存在顯著差異：農(nóng)村地區(qū)平均（5.5±2.3）×103顆粒/cm3，城市地區(qū)平均（1.4±0.5）×10?顆粒/cm3,，全國平均約（9.3±4.7）×103 顆粒/cm3,。
WHO推薦的日均和時均UFPs暴露限值并非可互換。研究發(fā)現(xiàn),，超標(biāo)天數(shù)（每日平均PNC超標(biāo)的天數(shù)）與超標(biāo)小時數(shù)（每小時PNC超標(biāo)的小時數(shù)）之間存在顯著的非線性關(guān)系,，說明簡單地使用某一個暴露限值無法全面評估UFPs的健康安全風(fēng)險。這一發(fā)現(xiàn)對UFPs空氣質(zhì)量標(biāo)準(zhǔn)的制定具有重要意義,。
UFPs的空間變異顯著高于PM2.5,。研究量化了UFPs的空間異質(zhì)性，發(fā)現(xiàn)其在城市中心的UFPs變異系數(shù)為PM2.5的4.7±4.2倍,，而在農(nóng)村地區(qū)UFPs變異系數(shù)高達(dá)PM2.5的13.8±15.1倍,。這一結(jié)果表明，相較于PM2.5,，UFPs的時空分布更加不均勻,，單一固定監(jiān)測站難以準(zhǔn)確反映實際暴露水平，更需高精度的時空建模方法進(jìn)行補(bǔ)充,。
圖3. WHO日均和時均UFPs暴露限值存在顯著非線性關(guān)系以及UFP顯著空間變異
本研究表明,，人工智能結(jié)合傳統(tǒng)物理化學(xué)方法能夠有效提升UFPs暴露評估的精度和空間覆蓋范圍，為未來安全健康效應(yīng)評估提供更精準(zhǔn)的數(shù)據(jù)支持,。該方法不僅適用于瑞士,，還可推廣至監(jiān)測數(shù)據(jù)較少的國家和地區(qū)，填補(bǔ)UFPs暴露評估的關(guān)鍵空白,。為制定UFPs空氣質(zhì)量標(biāo)準(zhǔn)提供科學(xué)依據(jù),，推動低成本UFPs監(jiān)測技術(shù)在發(fā)展中國家的落地應(yīng)用，助力健康安全研究,，為公眾健康風(fēng)險評估提供更精準(zhǔn)的數(shù)據(jù)支持,。
相關(guān)成果以“機(jī)器學(xué)習(xí)增強(qiáng)的超細(xì)顆粒高分辨率暴露評估”（Machine Learning-Enhanced High-Resolution Exposure Assessment of Ultrafine Particles）為題，于1月31日發(fā)表在學(xué)術(shù)期刊《自然·通訊》（Nature Communications）上,。
清華大學(xué)安全學(xué)院2021級博士生蹇姚宇蝶,、袁宏永教授為論文共同第一作者，張小樂助理教授為通訊作者,。安全學(xué)院蘇國鋒教授,、翁文國教授為本研究提供了重要幫助,，瑞士蘇黎世聯(lián)邦理工學(xué)院（ETH Zurich）王靜教授為本研究的數(shù)據(jù)和方法提供了關(guān)鍵支持。研究得到了國家重點研發(fā)計劃,、國際合作與交流項目“MASSEV—面向城市社區(qū)環(huán)境可持續(xù)發(fā)展的空氣質(zhì)量監(jiān)測,、圖示與評價”等的資助。
論文鏈接：
https://doi.org/10.1038/s41467-025-56581-8
供稿：安全科學(xué)學(xué)院
編輯：李華山
審核：周襄楠
