利用无人机测量与机器学习进行按高度解析的路边空气污染预测

为什么高速公路附近的污染很重要

许多人在繁忙的高速公路附近居住、工作或锻炼，交通尾气会在不知不觉中影响他们的健康。然而，大多数空气质量监测仪固定在地面上的点位，无法显示离地面几米或远离车道时污染如何变化。本研究结合无人机和先进的计算模型，构建了路边空气污染的三维图景，帮助城市规划者和健康研究人员了解谁在何时受到最大暴露。

用会飞的传感器绘制污染地图

研究人员聚焦于连接首尔和釜山的一条主要韩国高速公路，该路段交通量极大。他们在路边站安装了一个紧凑型空气传感器，并将第二个相同的传感器挂在四旋翼无人机上。这些仪器测量了四种关键污染物：来自尾气的一氧化碳、由燃料燃烧产生的二氧化氮、在阳光下形成的近地面臭氧，以及称为PM2.5的细颗粒物。夏季和冬季的几天内，无人机在路边上方以10到60米的高度上下飞行，冬季还横向移动到离路最多60米的范围，在每个点暂停取样空气。

无人机在路上方观测到什么

测量显示出污染随高度、距离、时段和季节变化的清晰规律。二氧化氮和臭氧在近地面处最高，并随着高度和离高速公路的距离增加而下降，表明车辆是主要的近源排放源。二氧化氮在早上7点左右出现峰值，与早高峰交通相吻合，而臭氧在此时最低，在阳光充足的下午较高，这是由于阳光驱动的大气化学反应所致。冬季二氧化氮总体上更高，受寒冷、静稳的大气层约束，排放易被困在近地面。令人意外的是，细颗粒物夏季高于冬季；通过追溯48小时的气团路径，研究团队发现夏季气团常自中国东部的工业区而来，提示长距离传输对本地交通污染有附加贡献。

从零散读数到三维污染图

由于无人机飞行时间有限且需遵循安全航线，其测量在空间和时间上是零散的。为填补空白，团队训练了若干机器学习模型，预测高空污染与地面路边测量的关系。研究并非直接预测原始浓度，而是关注每种污染物无人机读数与地面读数之间的比值。模型使用了五类输入：地面污染水平、交通流量与速度、气象（风、温度、湿度）、无人机的高度与离路距离，以及季节与时段。在多种候选算法中，一种称为CatBoost的方法表现最佳，能解释这些比值中大约三分之二到几乎全部的变异，具体取决于污染物与季节。

是什么驱动街道上方的污染模式

通过分析训练好的模型，研究人员能看出哪些现实世界因素最强烈地塑造了各污染物的垂直和水平分布。对于一氧化碳，交通速度影响显著：慢速或停走的车辆与路边附近较高的相对污染有关，反映更强的尾气排放。对于二氧化氮和细颗粒物，地面状况与局地气象共同起关键作用——较暖的条件和较高的地面浓度往往会提高高空浓度。臭氧的模式更多受气象和季节影响，而非地面臭氧读数本身，这与其由阳光驱动的化学生成一致。当团队使用模型在高度、距离、时间和季节上生成连续的污染比值地图时，得到的分布与既有理解吻合：二氧化氮在道路两侧浓度较高、臭氧随白天积累、颗粒物逐步向上和远离车道混合。

这如何帮助人们更容易呼吸

简而言之，研究表明，无人机在高速公路上方的观测可以从地面监测、交通计数和气象仪器的观测中可靠地重建。通过将短时的无人机飞行与机器学习结合，研究人员生成了用测量手段难以单独获得的高分辨率三维路边空气质量图。这些地图可改进对居民、通勤者和行人在不同高度与距离、不同时间和季节下交通污染暴露程度的估计。从长远看，这种无人机与模型结合的方法可指导新道路、隔音屏障和绿色缓冲带的布局，并帮助城市管理者评估交通管控政策如何改善人们实际呼吸的空气质量。

引用: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

关键词: 路边空气污染, 无人机, 机器学习, 高速公路, 细颗粒物