通过大规模移动监测数据和机器学习技术，提高城市PM2.5地图的时空分辨率

《Atmospheric Pollution Research》：Enhancing the spatio-temporal resolution of urban PM 2.5 mapping via large-scale mobile monitoring data and machine learning

本研究整合320辆出租车车载低 cost 传感器与52个固定监测站数据，构建XGBoost模型生成500米×5分钟高精度PM2.5时空分布图，有效解决传统监测站点稀疏及移动传感器不稳定问题，提升污染动态追踪能力，为精准环境治理提供数据支撑。

　　

徐瑞|姚大文|曹如辉|傅一欣|甘婷|刘永红

中山大学智能系统工程学院，中国广东省深圳市518107

摘要

准确、高分辨率的城市PM_2.5地图对于有效的环境治理和公共卫生至关重要。当前的监测方法受到固定站点覆盖范围有限以及低成本移动传感器固有不稳定性的限制，严重缺乏动态城市环境所需的微时间分辨率。为了解决这些限制，本研究整合了来自320个出租车安装的移动低成本传感器和52个固定监测站的大量PM_2.5数据。开发了一种基于XGBoost的强大机器学习模型，显著提高了传感器校准的准确性（MAE降低了5.87 μg/m³），并建立了移动和固定观测之间的精确映射关系。这种新颖的方法生成了前所未有的500米空间分辨率和5分钟时间分辨率的PM_2.5地图。这些改进的地图展现了更优的细粒度空间变异性，并显著提高了时间稳定性（1.01±0.65%），与固定监测数据（1.12±0.73%）高度吻合，有效捕捉了快速的城市污染动态。我们的发现强调了大规模移动低成本传感器网络在生成高精度、微时间级空气质量地图方面的变革潜力，为精确识别污染热点和更响应式的城市环境管理提供了关键数据。

引言

随着快速的城市化和密集的人类活动，细颗粒物（PM_2.5）已成为全球主要的城市空气污染物（Lian等人，2025年；Sicard等人，2023年；Zhang等人，2022年）。虽然高PM_2.5水平会导致呼吸问题并增加发病率和死亡率，但全球99%的人口生活在PM_2.5水平超过24小时限值15 μg/m³的地区（“环境（室外）空气污染”，无日期）。由于排放源多样、城市景观复杂和气象条件多变，城市污染分布差异显著（Chen等人，2020年；Han等人，2020年）。在密集的城市地区对PM_2.5浓度进行高时空分辨率的绘图，可以识别出超局部区域的污染分布和变化，从而便于进行人口暴露评估和精细化的空气污染管理。

最近的研究越来越多地关注开发高时空分辨率的城市空气质量地图（Apte和Manchanda，2024年；de la Cruz Libardi等人，2024年）。常见的城市范围PM_2.5绘图方法包括数值模拟（Jurado等人，2020年；Lopes等人，2024年；Martín等人，2024年）、遥感（Chen等人，2021年；Meng等人，2024年；Zhang等人，2021年；Zhou等人，2023年）和空间建模（Correia等人，2023年；Gong等人，2024年；Kaivonen和Ngai，2020年）。数值模拟在复杂现实条件下难以准确再现超局部区域的污染扩散，并且需要极高的计算资源来完成城市规模的模拟（Zhong等人，2016年；Tominaga等人，2023年）。卫星遥感可以覆盖大面积区域，但其空间和时间分辨率有限（Ma等人，2022年；Bai等人，2023年）。相比之下，空间建模可以通过一系列方法（如土地利用模型或机器学习方法）建立观测到的污染物浓度与整个城市区域污染水平之间的关系。然而，空间建模的准确性和覆盖范围往往受到稀疏地面监测数据的限制（Kaivonen和Ngai，2020年；Shukla等人，2020年；Correia等人，2023年）。

为了提高污染地图的时空分辨率和准确性，研究人员采用了结合广泛监测数据的各种方法（Geng等人，2021年；Iyer等人，2022年；Ding等人，2024年）。随着车载移动监测方法和低成本传感器（LCS）的发展，在城市地区收集实时空间分辨的污染物数据变得可行，从而能够连续跟踪大范围空间区域的污染物浓度（Wonohardjo和Kusuma，2019年）。一些研究探索了移动监测数据在小范围内构建高分辨率污染地图的潜力，这显著增强了了对超局部区域污染分布的理解（Kim等人，2020年；Tong等人，2021年）。学者们进一步探索了利用大规模移动监测数据绘制城市级污染地图的潜力（Fu等人，2023年；Zhao等人，2025年）。通过结合固定和移动传感器数据，PM_2.5浓度的空间推断达到了1公里×1公里和1小时的空间-时间分辨率。结合空气质量传感器网络的机器学习方法也被用于重建济南城市区域的PM_2.5地图，分辨率更高，达到500米和1小时（Li等人，2025年）。尽管这些研究成功地使用移动监测数据生成了城市级污染地图，但目前得到的时间分辨率仍限于每小时级别，缺乏细粒度的分钟级表示。鉴于城市排放源和气象条件的快速动态，开发分钟级污染地图对于以更精细的分辨率理解空气污染物分布至关重要。因此，有效利用移动监测数据在城市区域生成分钟级污染地图非常重要。

因此，为了解决这些限制，本研究旨在通过整合大规模移动监测数据和固定监测及城市特征数据来开发高分辨率的PM_2.5污染地图。预计空气污染绘图的准确性将得到提升，为支持个人健康暴露评估和环境治理提供可靠的数据。首先，通过将移动监测结果与固定监测数据进行比较来评估其可靠性。然后，通过分析不同空间和时间条件下移动和固定监测数据之间的相关性，确定了构建污染地图的最佳分辨率。考虑到城市的实际情景，从监测数据中构建了不同的污染地图，并系统地分析了它们的空间和时间特征。

研究区域

位于中国粤港澳大湾区的广州市是一个拥有超过1883万居民的特大城市。研究重点关注了广州市的六个中心城区，包括荔湾、越秀、海珠、天河、白云和黄埔。该区域总面积为1559.59平方公里，仅占广州市陆地面积的20.98%，但却居住着大约1113万居民，占全市总人口的59.11%

不同推断模型的评估

表2总结了不同基于机器学习的模型在从移动LCS数据推断PM_2.5浓度方面的性能。网格内的平均PM_2.5浓度被用作基准。结果表明，所有训练模型的性能都优于仅依赖平均移动监测浓度进行空间绘图的基准方法。在评估的模型中，基于XGBoost的推断模型表现最佳（MAE：5.94 μg/m³；RMSE：

讨论与启示

本研究利用大规模移动监测数据成功构建了具有前所未有5分钟时间分辨率和500米空间分辨率的城市PM_2.5污染地图，为精细化的城市空气质量管理提供了一种新的技术范式。这项工作不仅证实了LCS移动监测网络在数据采集方面的巨大潜力，还强调了机器学习模型在整合多源数据中的核心作用

结论

本研究成功开发了一种创新方法，通过机器学习有效整合了大规模移动LCS和固定AQMS数据，实现了前所未有的500米空间分辨率和5分钟时间分辨率的城市PM_2.5浓度绘图。这种方法不仅缓解了分散分布的固定监测点固有的集中监测偏差，还纠正了基于出租车的移动监测的测量偏差。我们的发现表明

CRediT作者贡献声明

徐瑞：写作——审阅与编辑，撰写——初稿，方法论，数据管理，概念化。姚大文：写作——审阅与编辑，方法论，调查。曹如辉：写作——审阅与编辑，调查。傅一欣：方法论，概念化。甘婷：数据管理。刘永红：写作——审阅与编辑，监督，资源获取，资金筹集，概念化

未引用参考文献

环境空气污染；OpenStreetMap贡献者，2017年。

利益冲突声明

所有作者声明没有已知的财务或非财务利益冲突。

数据可用性

如需用于科学研究，可提供浓度监测数据集。

利益冲突声明

? 作者声明他们没有已知的可能会影响本文所述工作的财务或个人关系。

致谢

本工作得到了广州市生态环境局（编号K22-76160-026）的财政支持。