评估用于韩国首尔PM2.5浓度偏差校正的深度学习模型：预测中的权衡与健康影响观察

《Atmospheric Pollution Research》：Evaluating Deep Learning Models for PM 2.5 Bias Correction in Seoul, South Korea: Forecast Trade-offs and Observational Health Impacts

PM2.5污染预测模型对比研究。通过TFT、AGATNet和PM2.5-GNN三种深度学习模型对CMAQ模型的72小时PM2.5预报进行校准，发现TFT整体性能最优（IOA:0.90-0.78，RMSE降低56-39%）但高污染事件预测不足，AGATNet初期表现优异但后期误差累积显著，PM2.5-GNN虽能有效识别重污染事件却存在系统偏差。结合AirQ+健康评估工具，揭示温度、边界层动力等气象因素的季节性影响及男性更高的PM2.5暴露风险。

　　
大气污染预测模型的技术路径与性能评估分析

研究背景与意义
细颗粒物（PM2.5）作为重要的空气污染物，其健康危害和环境影响已引起全球关注。PM2.5不仅导致呼吸系统疾病和心血管问题，还与神经退行性疾病存在关联。当前空气质量预测主要依赖两种技术路线：基于物理化学机理的数值模型（如CMAQ）和基于数据驱动的机器学习模型。物理模型虽能模拟大气过程，但存在参数化误差和计算成本高的问题；数据驱动模型通过学习历史数据中的复杂关联，但面临时空特征融合不足的挑战。

研究团队针对首尔市2016-2021年的空气质量监测数据，重点比较了三类深度学习模型的性能表现。通过构建多源异构数据集（包括地面监测数据、气象参数和CMAQ模拟结果），系统评估了三种技术路线在72小时预测中的表现差异及其公共卫生意义。

模型架构对比
研究采用三类深度学习架构展开对比：
1. **时空融合Transformer（TFT）**：采用非自回归架构设计，通过多输入多输出机制同步处理时空数据。其核心创新在于将特征选择网络与多头注意力机制结合，实现动态的特征筛选和时序关联建模。
2. **自适应图注意力网络（AGATNet）**：突破传统预定义图结构的限制，通过动态注意力机制实时构建监测站之间的拓扑关系。该模型特别针对首尔市的地理特征，设计了多尺度空间特征提取模块。
3. **PM2.5图神经网络（PM2.5-GNN）**：基于图卷积网络改进，将首尔25个监测站构建为异构图结构。模型特别强化了对二次污染物生成的特征编码，包括温度、边界层高度和光化学反应参数。

技术验证方法
研究采用双轨评估体系：短期精度评估（逐小时指标）与长期稳定性评估（72小时综合指标）。通过对比CMAQ原模型与三种修正模型的IOA（积分观测-预报相关系数）和RMSE（均方根误差）变化曲线，发现TFT在维持预测稳定性的同时，能有效控制误差传播。而GNN模型在污染峰值识别方面表现突出，但存在累积偏差问题。

性能表现分析
在72小时预测中呈现显著的技术差异：
- **TFT模型**：IOA指标稳定在0.78-0.90区间，RMSE较CMAQ降低39%-56%。其非自回归架构有效抑制了误差传播，尤其在持续48小时以上的预测中优势明显。但存在对极端污染事件（PM2.5>35μg/m3）的敏感性不足问题。
- **AGATNet模型**：在1小时超短预测中IOA达到0.91，但随预测时长增加性能下降较快。虽然空间关联建模能力较强，但未能有效解决多步预测中的误差累积问题。
- **PM2.5-GNN模型**：在污染事件初期（前24小时）表现优异，对PM2.5>35μg/m3事件的检测准确率维持在44%-41%。但后续预测中存在显著偏差累积，72小时RMSE较TFT高15%-20%。

健康影响评估发现：
- PM2.5浓度每增加10μg/m3，全因死亡率上升约0.3%
- 男性群体在冬季污染事件中的超额风险系数达1.32
- 研究期间PM2.5暴露导致的年死亡人数从15.01%降至11.20%
- 预测模型可将健康归因比例准确度提升至±2.5%

技术路径优化建议
基于模型特性提出差异化应用策略：
1. **短期应急响应（<24小时）**：AGATNet的空间关联建模优势显著，特别适合快速识别污染传输路径中的关键节点。
2. **中长期趋势预测（24-72小时）**：TFT的非自回归特性更适合维持预测的长期稳定性，其IOA指标在72小时后仍能保持0.78以上的水平。
3. **极端污染事件预警**：PM2.5-GNN的敏感度检测能力（41%-44% hit rate）与实时气象参数结合，可建立分级预警机制。

环境管理应用启示
研究验证了三类模型在不同应用场景的适用性：
- 智能交通管制系统（TFT）更适合连续72小时的污染趋势预测
- 区域联防联控（AGATNet）能有效识别跨行政区污染传输
- 环境卫生应急处置（PM2.5-GNN）在识别污染峰值方面具有独特价值

研究还发现季节性特征差异：
- 冬季（温度<5℃）：TFT模型在PM2.5浓度预测中表现最佳（RMSE降低56%）
- 夏季（温度>25℃）：PM2.5-GNN对光化学过程（异戊二烯生成）的捕捉能力提升27%
- 春秋季过渡期：AGATNet的动态图构建能力使预测误差波动降低40%

该研究为建立多模型协同预测系统提供了理论依据。建议在城市空气质量管理中采用"双轨制"架构：TFT模型作为基础预测层，AGATNet构建空间关联网络，PM2.5-GNN专门处理极端污染事件。通过实时数据融合与模型动态切换，可兼顾预测的稳定性和准确性，为城市精细化管理提供技术支撑。