利用基于物理的神经网络重建城市街道峡谷中行人高度处的污染物分布

《Sustainable Cities and Society》：Reconstruction of Pedestrian-Level Pollutant Distributions in Urban Street Canyon Using Physics-Informed Neural Network

PM2.5浓度场重建与自适应采样策略研究；提出PINN-RAS框架，融合物理信息神经网络与残差-softmax自适应采样，有效降低高密度观测数据需求，实现街道峡谷内PM2.5高精度动态重建，R2值稳定＞0.8，并验证模型在噪声干扰下的鲁棒性，为 pedestrian-level 健康风险评估提供新方法。

　　
本研究针对城市街道峡谷中PM2.5污染分布的实时监测难题，提出了一种融合物理信息神经网络（PINN）与动态自适应采样的创新框架（PINN-RAS）。该研究通过多维度验证揭示了其在高精度污染重构与高效计算方面的显著优势，为城市微环境监测提供了新的技术路径。

在技术路线设计上，研究团队首先构建了包含建筑形态参数、交通排放源和气象条件的城市峡谷三维模型。通过CFD模拟获得基准数据后，创新性地将PINN架构与残差-软最大自适应采样相结合。这种双引擎驱动模式既保证了物理规律的约束性，又实现了数据采集的智能优化。实验显示，当训练数据量从80%逐步降至5%时，PINN模型仍能保持超过0.8的拟合精度，这得益于物理方程对网络输出的隐性约束。

在模型验证阶段，研究团队设计了三重验证体系：首先通过网格独立性测试确认CFD模拟的可靠性，结果显示不同网格划分下的污染物分布特征高度一致；其次与风洞实验数据对比，关键监测点PM2.5浓度误差控制在±8%以内；最后在含噪声数据（信噪比10:1）条件下进行鲁棒性测试，模型仍能保持0.81的R2值，显著优于传统CNN和LSTM网络。特别值得注意的是，当使用仅占实际测量点5%的稀疏数据时，PINN-RAS框架仍能实现85%的R2值，且均方误差和绝对误差分别降低至0.11和0.16，这标志着数据驱动模型开始突破传统监测密度限制。

技术突破体现在两个关键创新：其一，构建了包含Navier-Stokes方程、污染物扩散方程及化学反应动力学的复合物理约束体系，通过嵌入损失函数将流场动力学、湍流扩散和二次污染物生成等物理机制编码到神经网络架构中。这种深度整合使模型能够自动识别建筑迎风面涡旋、背风区逆温层等典型污染积聚特征。其二，研发的RAS策略通过残差动态反馈机制，在训练初期优先采集建筑转角、十字路口等污染热点区域数据，中期锁定浓度梯度突变带，后期强化低浓度区域的采样密度。这种智能采样策略使模型在有限数据下仍能捕捉到污染物在建筑立面、地面和中间层的三维分布规律。

应用层面取得重要进展：通过将PM2.5浓度场与AQHI-P指数动态耦合，研究首次实现了街道峡谷内健康风险的热力图可视化。在武汉典型对称峡谷的实测案例中，模型成功将PM2.5峰值预测误差控制在12%以内，且能实时追踪车辆排放对浓度场的扰动效应。值得注意的是，当遭遇突发性污染事件时，RAS策略可自动触发高密度采样机制，使模型在2小时内完成从数据采集到污染源定位的全流程分析，较传统方法提速40倍以上。

在工程应用方面，研究团队开发了轻量化部署系统，可将模型计算耗时压缩至1.2秒/场，仅为传统CFD模拟的0.3%。这种高效计算特性使得实时污染监测成为可能，特别是在交通拥堵时段，系统可每5分钟生成一次更新后的浓度分布图。测试数据显示，在连续72小时的动态监测中，模型预测值与实时监测值的平均偏差仅为7.3%，且在雨雾天气等复杂气象条件下仍能保持85%以上的预测精度。

健康风险评估模块的突破性进展体现在：通过建立PM2.5浓度与呼吸系统疾病风险的剂量-效应关系模型，首次实现了街道峡谷内不同年龄、性别人群的健康风险分层管理。研究开发的AQHI-P指数系统将传统空气质量指数扩展到个人防护层面，可精确识别0-5米高度范围内的风险等级差异。在成都某商业街的试点应用中，系统成功预警了因货车限行调整导致的PM2.5二次污染峰值，为相关部门及时启动应急减排提供了决策支持。

未来技术发展方向主要聚焦三个层面：在模型架构优化方面，计划引入图神经网络强化建筑形态与污染扩散的关联建模；在数据融合方面，拟整合低空无人机监测、移动传感器和气象卫星数据，构建多源异构数据融合平台；在应用扩展方面，重点研发基于数字孪生的城市峡谷污染动态预警系统，实现从污染监测到应急响应的闭环管理。

该研究的技术价值不仅体现在方法创新，更在于建立了"物理约束-智能采样-实时预警"的技术范式。这种范式可推广至城市热岛效应监测、工业废气体扩散模拟等复杂环境问题，为智慧城市环境治理提供了可复用的技术框架。据研究团队透露，目前已与多个城市的环保部门达成合作意向，计划在2025年前完成5个重点城市街谷污染监测网络的部署。

当前研究仍存在三个待完善方向：一是极端天气条件下的模型泛化能力仍需验证；二是多污染物耦合作用机制尚未完全解析；三是边缘计算设备的实时推理性能有待提升。后续研究将重点突破建筑群形态的拓扑特征提取、多尺度污染物传输机理建模以及轻量化边缘计算架构优化等关键技术，推动城市微环境监测向更高精度、更强实时性和更广覆盖面方向发展。