模拟城市道路灰尘及空气中交通相关金属的暴露情况：基于AERMOD与支持向量机的混合框架进行蒙特卡洛健康风险评估

《Atmospheric Pollution Research》：Modelling Urban Roads Dust and Airborne Traffic Related Metals Exposure: AERMOD-Support Vector Machine Hybrid Framework for Monte Carlo Health Risk Assessment

PM2.5与道路扬尘中重金属污染对健康风险影响评估及机器学习预测模型构建。通过AERMOD模型模拟和SVM机器学习算法，研究巴基斯坦费萨拉巴德市道路周边PM2.5及沉积粉尘中砷、镉、铬、镍、铅、锌等重金属浓度分布特征及健康风险，发现Cr(VI)具有显著非癌性和致癌性风险，PM2.5总癌症风险值≤10??，扬尘风险更低（HI<1）。研究存在道路数据不全和缺乏本地排放标准局限。

　　

穆罕默德·哈桑·巴希尔 | 阿萨德·阿巴斯 | 哈马德·拉扎·艾哈迈德 | 穆罕默德·塔希尔·谢赫扎德

费萨拉巴德农业大学土壤与环境科学研究所，巴基斯坦38040

摘要

城市道路上的细颗粒物（PM_2.5）空气污染是一个重大的环境问题。与PM_2.5相关的有毒金属对健康构成威胁，但在巴基斯坦相关研究仍十分有限。在本研究中，通过连续的实地测量、扩散建模和机器学习方法，评估了灰尘和PM_2.5中的金属污染及其对健康的影响。为此，我们从太阳能电池板上收集了灰尘，并使用低容量采样器在两个季节（6月和12月）采集了空气中的PM_2.5。利用AERMOD高斯扩散模型模拟了车辆活动产生的PM_2.5扩散情况。随后，结合AERMOD的输出数据和Wheater的数据，训练支持向量机（SVM）模型来预测灰尘和PM_2.5中的金属（砷、镉、铬、镍、铅和锌）浓度。研究发现，PM_2.5和沉积灰尘中的锌、铜和镉浓度较高，AERMOD模拟的PM_2.5质量浓度峰值达到了115.7 μg/m³，超过了相关法规限制。SVM方法在预测金属浓度方面表现出较高的准确性（砷、镉和铅的R²分别为0.75、0.81、0.85）。从健康风险角度来看，六价铬（Cr (VI) 在两个季节都存在显著的非致癌和致癌风险。PM_2.5和灰尘的总癌症风险（TCR）分别为≤10^-4和<10^-6，PM_2.5的危害指数（HI）大于1，而灰尘的危害指数小于1。由于数据有限且缺乏当地排放标准，本研究存在局限性；未来的研究应包括更详细的本地建模和更全面的交通排放数据库。

引言

空气污染，尤其是颗粒物污染，已成为一个严重的生态问题，对全球人类的健康造成了严重威胁（Pryor等人，2021年；Milojevi?等人，2024年）。有证据表明，PM_2.5和灰尘中的金属通过心血管疾病、呼吸系统疾病和过早死亡等方式对人体健康产生负面影响（Simatupang等人，2025年）。由于多种因素，颗粒物（PM_2.5）在人口密集的城市中成为一个主要问题，其中之一是来自车辆（包括尾气和非尾气排放）的污染物（Zhao等人，2018年；Fang等人，2023年）。这些污染物对肺部和心血管系统有害，并可能在脆弱区域积累（Tomar等人，2022年）。现有研究主要集中在尾气排放上，而对非尾气排放（如路边灰尘和轮胎磨损）的关注较少，而这些在城市地区可能更为严重。

AERMOD扩散模型被广泛用于评估空气质量，以确定PM_2.5的扩散情况（Farivar等人，2021年；Basso等人，2024年；Parmar等人，2025年）。美国环境保护局的AERMOD模型通过结合非尾气排放和尾气排放，有效模拟了道路交通污染的扩散（Madiraju和Kumar，2021年；Nath等人，2024年）。该模型利用交通模式、气象数据和机动车排放统计数据来预测PM_2.5的时间和空间分布。本研究通过将非尾气排放（特别是道路灰尘和轮胎磨损）纳入扩散建模，填补了现有研究中的空白（Fussell等人，2022年；Costagliola等人，2024年）。

实验数据的收集为建模提供了支持，使用太阳能光伏电池板作为污染物沉积的测量指标，并采用低容量空气采样技术来识别PM_2.5中的金属（Correa等人，2023年；Nirmalkar等人，2023年）。这种结合预测建模和直接测量的方法提高了对颗粒物传输、沉积和来源的预测准确性。支持向量机（SVM）回归模型被用来增强预测能力（Salazar等人，2022年；Wang等人，2022年）。该模型利用AERMOD输出数据、实验分析和气象数据来预测PM_2.5中的金属浓度，并提供了复杂的暴露风险评估。支持向量机（SVM）模型能够模拟输入变量（包括污染物浓度、排放率和气象条件）之间的复杂关系（Leng等人，2018年）。机器学习在金属预测中的应用是一个前沿研究领域，本研究进一步推动了相关研究进展（Zhao等人，2023年；Proshad等人，2024年）。

道路上的灰尘颗粒和空气中的物质具有很强的重金属吸附能力，这引起了人们的关注。吸入、皮肤接触以及直接或间接的口腔摄入是人体暴露的主要途径（Zhang等人，2021年；Shukla等人，2024年）。这些有毒金属可通过这些途径进入人体，对健康造成严重危害，包括功能障碍、大脑异常、生殖器官损伤以及消化系统问题（Lawal等人，2021年；Jomova等人，2025年）。人体皮肤表面会直接接触到空气中的灰尘颗粒，这些颗粒随后被摄入体内。汗水可能穿透灰尘颗粒，通过皮肤毛孔进入血液（Bashir等人，2024年）。接触镉（Cd）和铜（Cu）等有毒金属与肺癌有关（Leal等人，2023年），而过量的铅（Pb）和锌（Zn）会损害中枢神经系统（Huang等人，2024年），镍（Ni）可能诱发呼吸系统癌症（Du等人，2025年）。砷暴露可能导致行为和认知障碍（Wang等人，2021年）。

本研究旨在深入评估与金属（尤其是PM_2.5）及沉积在太阳能电池板上的灰尘相关的人类健康风险。通过结合AERMOD和支持向量机学习模型的综合方法，本研究全面评估了多种暴露途径（包括口腔、皮肤和吸入），对人类健康和政策制定具有启示意义。研究结果通过改进特定地点的风险评估，为减少或改善城市空气污染提供了有针对性的缓解措施。

研究区域和地点描述

本研究在巴基斯坦旁遮普省费萨拉巴德的城市地区进行，地理位置为北纬31° 31′ 2″，东经73° 16′ 0″，平均海拔178米（584英尺）。该地区以纺织厂闻名，通过生产各种纺织品为国民经济做出了重要贡献（Sajjad等人，2022年）。年降水量为408毫米。夏季风速为10-15公里/小时，冬季为5-10公里/小时，最高记录温度为

道路上移动源对PM_2.5的贡献

使用AERMOD扩散模型，根据表1中的排放率作为输入数据，重新计算了五条道路上的颗粒物（PM）浓度。该模型用于评估大都市区道路上不同类型车辆排放产生的PM_2.5浓度的月度地理分布（图4）。12月份，PM_2.5浓度范围为16.8至115.7 μg/m³；1月份则介于8.7至63.8 μg/m³之间。

结论

研究表明，车辆排放是费萨拉巴德市道路上PM_2.5浓度升高和有毒金属污染的主要来源。AERMOD结果显示，拉合尔路和萨戈达路的PM_2.5浓度最高，而纳尔瓦拉路的浓度最低；所有研究地点的金属污染分布趋势相似。测量结果显示，空气中的PM_2.5和沉积在太阳能电池板上的灰尘中的金属浓度

作者贡献声明

穆罕默德·塔希尔·谢赫扎德：撰写、审稿和编辑。穆罕默德·哈桑·巴希尔：撰写初稿、可视化处理、验证、软件开发和概念构建。哈马德·拉扎·艾哈迈德：监督和方法论指导。阿萨德·阿巴斯：方法论设计和数据整理

未引用参考文献

Fox等人，2024年；Pryor等人，2022年；Salazar-Rojas等人，2022年；Syed等人，2021年；Vlasov等人，2022年；世界卫生组织。

利益冲突声明

作者声明没有已知的财务利益冲突。

参与同意

不适用

发表同意

作者们均无冲突，同意在本文中发表他们的研究成果。

数据可用性

不适用

利益冲突声明

? 作者声明没有可能影响本文研究的已知财务利益或个人关系。

致谢

研究人员感谢费萨拉巴德农业大学的支持与合作。同时感谢编辑和审稿人对稿件表述的改进。