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(duì)人體有害的UFPs因其極高的比表面積和獨(dú)特的理化特性，能夠深入人體呼吸道及血液循環(huán)，對(duì)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(cè)量，難以有效表征UFPs的暴露水平和對(duì)人體健康的影響，高精度、低成本、高時(shí)空分辨率的UFPs監(jiān)測(cè)評(píng)估方法長(zhǎng)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(píng)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(cè)需要高精度、昂貴的儀器設(shè)備，目前全球范圍內(nèi)長(zhǎng)期、大規(guī)模的UFPs暴露評(píng)估研究仍較為有限。
針對(duì)上述挑戰(zhàn)，清華大學(xué)安全學(xué)院袁宏永、張小樂(lè)團(tuán)隊(duì)提出了一種堆疊式集成機(jī)器學(xué)習(xí)（Stacking-based Ensemble Machine Learning）高時(shí)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(dòng)模型與物理化學(xué)模型，在區(qū)域尺度上實(shí)現(xiàn)了高空間（1 km）和高時(shí)間（1小時(shí)）分辨率的UFPs暴露評(píng)估，為超細(xì)顆粒物的暴露水平和健康風(fēng)險(xiǎn)評(píng)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(cè)精度。傳統(tǒng)土地利用回歸（Land Use Regression, LUR）模型主要依賴(lài)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(cè)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(cè)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(cè)的精度。
圖2. Stem-PNC逐小時(shí)、逐天、逐周、逐月預(yù)測(cè)效果
構(gòu)建高精度AI模型，實(shí)現(xiàn)低成本、高效UFPs暴露評(píng)估。傳統(tǒng)UFPs監(jiān)測(cè)成本高昂，覆蓋范圍有限。本研究利用瑞士長(zhǎng)期標(biāo)準(zhǔn)化顆粒數(shù)濃度監(jiān)測(cè)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(píng)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(dòng)與物理化學(xué)模型，提升預(yù)測(cè)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(dòng)方法的計(jì)算效率。采用哥白尼監(jiān)測(cè)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(bào)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(cè)點(diǎn)預(yù)訓(xùn)練的降尺度多源數(shù)據(jù)融合方法，構(gòu)建高時(shí)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(guó)家尺度上實(shí)現(xiàn)了高精度超細(xì)顆粒物暴露評(píng)估，研究發(fā)現(xiàn)，約20%（170萬(wàn)）瑞士人口的UFPs年均暴露水平超過(guò)10? 顆粒/cm3，表明高濃度UFPs污染對(duì)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(guó)平均約（9.3±4.7）×103 顆粒/cm3。
WHO推薦的日均和時(shí)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(shí)數(shù)（每小時(shí)PNC超標(biāo)的小時(shí)數(shù)）之間存在顯著的非線(xiàn)性關(guān)系，說(shuō)明簡(jiǎn)單地使用某一個(gè)暴露限值無(wú)法全面評(píng)估UFPs的健康安全風(fēng)險(xiǎn)。這一發(fā)現(xiàn)對(duì)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(shí)空分布更加不均勻，單一固定監(jiān)測(cè)站難以準(zhǔn)確反映實(shí)際暴露水平，更需高精度的時(shí)空建模方法進(jìn)行補(bǔ)充。
圖3. WHO日均和時(shí)均UFPs暴露限值存在顯著非線(xiàn)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(píng)估的精度和空間覆蓋范圍，為未來(lái)安全健康效應(yīng)評(píng)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(cè)數(shù)據(jù)較少的國(guó)家和地區(qū)，填補(bǔ)UFPs暴露評(píng)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(dòng)低成本UFPs監(jiān)測(cè)技術(shù)在發(fā)展中國(guó)家的落地應(yīng)用，助力健康安全研究，為公眾健康風(fēng)險(xiǎn)評(píng)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(píng)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(jí)博士生蹇姚宇蝶、袁宏永教授為論文共同第一作者，張小樂(lè)助理教授為通訊作者。安全學(xué)院蘇國(guó)鋒教授、翁文國(guó)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(guó)家重點(diǎn)研發(fā)計(jì)劃、國(guó)際合作與交流項(xiàng)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(cè)、圖示與評(píng)價(jià)”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
