阿布扎比多模型NO₂与O₃预测：基于相关性的特征扩展的益处

为何更准确的空气预报很重要

生活在像阿布扎比这样快速增长的城市的人们呼吸的空气持续受交通、工业和气象的影响。两种看不见的气体——二氧化氮和地面臭氧——在烟雾形成和呼吸系统问题中起重要作用。本研究提出了一个关乎现实的实用问题：使用现代人工智能，我们能够在数小时至数天之前多准确地预测这些污染物？如果把两种气体之间的相互影响教给模型，能否取得更好效果？

城市空气中的双重“麻烦制造者”

二氧化氮和臭氧在大气中密切相关。二氧化氮主要来自车辆尾气和其他燃烧源；在阳光下，它参与生成臭氧，而臭氧是烟雾的主要成分。白天臭氧浓度上升时，二氧化氮往往下降；夜间这一模式有时会反转。在阿布扎比，快速的城市化、繁重的交通以及限制自然“空气净化”的沙漠条件，使这些污染物尤为值得关注。准确预测它们的波动能让当局提醒脆弱人群、调整交通流向或规划工业活动，从而降低健康风险。

对阿布扎比空气的丰富观测

研究人员利用了一套异常大且详细的数据集：来自阿布扎比酋长国七个固定监测站的五年逐小时二氧化氮和臭氧观测，监测点分布在沙漠、郊区、沿海地区和工业区。覆盖2018至2022年的这段长时间记录避免了早期研究中受COVID-19封锁影响而产生的异常条件。团队对数据进行了仔细清理：通过对其他年份相似日期和小时的数值取平均来填补偶发缺失，并应用数学方法处理尖峰值，同时保留真实的污染极值。随后他们将时间序列按连续的训练和测试区块划分，模拟真实预报系统如何从过去学习并在未来未见时段上接受评估。

将多种预测方法一一检验

为了找出最有效的工具，研究比较了多种方法。较为简单的方法包括决策树、随机森林和支持向量机，这些方法从过去观测中寻找模式。更先进的深度学习方法包括卷积神经网络，擅长识别时间序列中的局部形态；以及LSTM网络，用于记忆长期模式。研究人员还使用了Prophet模型，它针对日常和季节性周期性变化进行了专门建模；以及Transformer模型，一种较新的架构，使用“注意力”机制来衡量历史不同时间点对当前预测的影响。所有模型都被要求分别预测1小时、2小时、1天和1周后的污染水平，并用多种互补的误差度量来评估表现。

从污染物共同行为中学习

由于二氧化氮与臭氧在化学上相互纠缠，团队探讨了各自的历史能否帮助预测对方。首先他们在每个监测站测量了两种气体的关联强度，并确认总体上存在明显的逆相关关系：一方高时另一方常常偏低。然后为每种模型构建了两个版本。在基础版本中，模型仅看到其要预测的污染物的过去数值；在增强版本中，模型还看到对方污染物的滞后数值，从而实际提供了关于城市空气当前状态的额外提示。这一做法让研究人员能够测试“特征扩展”——加入相关信息——是否能在不引入未来信息的前提下提高预测精度。

哪些模型胜出，以及这为何重要

在几乎所有监测站、污染物和预测时长上，Transformer模型明显优于其他模型，表现出最低的平均误差和最稳健的时间行为。对于二氧化氮，其典型的相对误差大约在四分之一到三分之一之间；对臭氧的表现略有更好。卷积网络在极短期预测上紧随其后，尤其是在前几小时内；而得益于对重复性模式的良好把握，Prophet在一周时段的预测中表现有用。重要的是，向模型提供关于同伴污染物的额外信息，始终能够降低预测误差，尤其明显的是对1小时二氧化氮的改进以及对长达1天的臭氧预测的提升。通俗地说，这项工作表明：基于注意力机制的先进AI、配合多年丰富记录并学会利用关键污染物之间的化学“对话”，能提供更可靠的空气质量预报。这类工具可以帮助阿布扎比及类似地区的城市规划者和卫生机构更早、更精准地采取行动以保护公共健康，尤其是儿童、老年人和患有肺或心脏疾病的人群。

引用: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

关键词: 空气污染预测, 二氧化氮, 地面臭氧, 深度学习模型, 阿布扎比空气质量