一种混合仿生模型：使用深度学习预测城市空气污染

为何更清洁的城市空气与你息息相关

城市空气由看不见的气体和微小颗粒组成，长期暴露会悄然损害肺、心脏和大脑。然而，许多城市居民只有在新闻上出现雾霾预警时才会注意到空气问题。本研究提出了一种更智能的城市空气污染预报方法，旨在为管理部门和居民提供更早、更可靠的预警，帮助他们更有把握地安排通勤、户外运动和公共卫生应对。

预测明天的空气为何如此棘手

城市空气质量预测比看起来更难。污染来自交通、工业、气象模式，甚至街道布局和绿地分布。细颗粒、臭氧和二氧化氮等有害污染物的浓度可在街区之间、小时尺度内发生显著变化。现有计算模型常受噪声传感器读数、缺失数据以及不同污染物与气象条件之间复杂相互关系的影响。许多模型在某个城市表现良好，但迁移到交通或气候不同的城市就失效。

一种学习空气“规律”的新工具

作者提出了一种混合模型，名字虽长但思路简单：将数据驱动的学习与空气实际行为的知识结合起来。首先，他们使用了2015年至2025年间主要城市的日常空气质量与气象全球数据集。一个专门的数据清洗步骤在保留靠近繁忙道路或污染源处急剧变化的同时对数据进行平滑处理。接着，特征提取阶段将每个污染信号分解为代表总体水平、污染物间相互作用和突发峰值的部分。这些处理过的信号输入到一个“物理知情”的神经网络中，意味着该网络在训练时受到污染物在大气中扩散和反应的基本原理的温和约束。

让自然启发优化过程

即便结构良好的神经网络也需要调优内部参数才能发挥出色。研究者没有依赖传统方法，而是借鉴了蝠鲼在海洋中觅食的方式。他们的优化算法模仿群体搜索和回旋运动，有效地探索大量可能的参数组合，然后聚焦于最有前景的解。这种仿生搜索帮助模型在紧跟数据与遵守物理限制之间找到平衡，例如避免出现负的污染值或不可能的浓度跳变。

在真实城市中的表现如何

为检验方法，团队将他们的模型与若干流行的深度学习和机器学习空气质量预测系统进行了比较。他们在一组城市的数据上训练模型，然后在不同、未见过且气候与街区模式各异的城市上检验其表现。该混合模型对细颗粒、一氧化碳、二氧化氮、臭氧和二氧化硫等关键污染物的预测达到了约99%的准确率，并且误差指标低于竞争方法。在极端事件处理方面也更优：在类似野火的测试案例中，标准模型产生了不现实的负污染值和夸大的峰值，而该物理知情系统将预测维持在合理范围内，且更接近日常实测。

这对日常生活与规划意味着什么

简而言之，研究表明同时从数据中学习并尊重基本物理规律的模型，能比仅寻找模式的模型更可靠地预测城市空气。由于其在多城市间有良好泛化能力，并在数据稀疏或嘈杂时仍保持稳定，它可用于支持实时空气质量预警、更智能的城市规划与健康风险绘图。尽管该框架仍简化了一些局部细节，如细尺度街道峡谷和小气候，但它迈出了向居民与决策者都能信赖的空气预报更进一步的一步，帮助决定在哪里建设、如何管理交通以及何时限制户外活动。

引用: Chaudhary, D., Vats, P., Vats, S. et al. A hybrid bio-inspired model for predicting urban air pollution using deep learning. Sci Rep 16, 15697 (2026). https://doi.org/10.1038/s41598-026-40726-w

关键词: 城市空气污染, 空气质量预测, 深度学习, 物理启发模型, 环境监测