使用移动传感与变换器学习街区尺度的空气污染、气象与地表覆盖的交叉依赖关系

为什么你街道的空气不等同于邻居那条街的空气

城市空气质量常常被用单一数值来描述一个整片街区甚至整座城镇。但事实是，污染在几十米的尺度上就会发生剧烈变化——在繁忙道路与宁静庭院之间，或在施工工地与公园之间都可能大相径庭。本研究展示了如何将一辆布满传感器的电动小车与最先进的人工智能相结合，揭示这些隐藏的格局，以及这些知识如何促成更聪明的空气监测与管理方式。

校园环路上的流动实验室

研究人员把一辆电动高尔夫车改装成移动空气实验室，在以色列魏茨曼科学研究所（Weizmann Institute of Science）约1.1平方公里的校园内重复巡航。车上装有测量二氧化氮（与交通相关的气体）、臭氧、细颗粒物（PM1 与 PM2.5）、温度、湿度、气压和风速等仪器。2024年跨越三个季节，他们沿固定路线完成了66次巡测，设有17个计划停点，在路径上大约每5米记录一次，总计约18万条测量数据。随后他们将这些读数与显示建筑、道路、植被与裸地位置的高分辨率航拍影像结合，构建出一个对污染与其所作用地表具有高度解析力的“地图”。

隐蔽的热点与日常节律

这些地图显示污染物浓度在短距内可以发生巨大变化。某些校园区域的二氧化氮浓度比其他地方高出最多两倍，尤其靠近主干道、邻近高速公路与水泥厂的地带。施工现场在干燥条件下是粗颗粒物的强烈来源，但在潮湿的清晨，湿润的沙土产生的扬尘明显减少。研究团队还观察到明显的日变化：二氧化氮和细颗粒物常在早高峰随交通攀升，随后随着阳光促成的臭氧在中午前后升高而下降。臭氧在空间上的分布出人意料地较为均匀，但在一天内波动强烈。这些发现强调，“平均”城市读数会遗漏就几条街之外、强烈且短暂的暴露斑块。

教人工智能填补空白

由于无法同时在所有地点测量，团队转向了一类现代人工智能——变换器（transformer），其精神与驱动先进语言工具的模型类似。他们训练了基于变换器的掩码自编码器，从非常有限的一组测量（仅为所有地图点与变量的四分之一）重建缺失的其余四分之三。为弥补实测数据量相对较小的问题，研究者先在模拟的、计算机生成的场域上进行预训练，这些合成场域模仿复杂但现实的模式。经过在校园数据上微调后，AI能够高精度再现详细的污染与气象地图，捕捉约89%的真实变异性，并能将从低到极端的水平划分为十个类别且分类可靠性强。

模型“关注”什么

与许多黑箱AI系统不同，变换器通过其“注意力”模式——数值化表示哪些输入影响每个预测——提供了洞见。通过追踪这些注意力，研究人员可以看到，例如模型常依赖邻近的颗粒物数据来估计二氧化氮，而且风与地表覆盖信息（道路、建筑与植被的位置）尽管与单变量的简单相关性较弱，却起着不成比例的重要作用。植被与建筑在预测二氧化氮与PM2.5时尤为关键，凸显出树木与墙体如何在极小尺度上塑造气流与污染物累积。即便在移动观测中风数据较为嘈杂，它仍然提供了有关污染羽流如何扩散与稀释的有价值线索。

用更少测量设计更聪明的监测

由于变换器能够处理灵活的输入点集合，团队测试了仅使用注意力图识别出的最“信息量大”的位置。他们发现，与随机抽样25%地点相比，可以选择少数关键点——有时在整个地点上仅15个点——仍能比标准统计方法更好地重建主要污染与气象模式。这表明一种新的监测路线与传感器布置规划方式：让基于既往巡测训练出的AI高亮出每次新测量能带来最多信息的地点，从而在降低成本的同时保留科学价值。

这对呼吸这些空气的人意味着什么

对非专业读者来说，核心信息很简单：你在自家街区行走时所经历的空气质量，可能与远处某个监测站报告的数值大不相同，而这些差异取决于近邻的交通、建筑、树木，甚至施工时机。本研究表明，一支由可移动传感器组成的小型车队，在可解释的AI的引导与解读下，能以惊人的细节绘制出街区尺度的变化。长期来看，这类方法可帮助城市规划者决定在哪里种树或绕行交通、指导更能反映真实暴露的健康研究，并促成更精简、更聪明的监测网络，更贴近门到门地追踪我们实际呼吸的空气。

引用: Nissenbaum, D., Bagon, S., Sarafian, R. et al. Learning neighborhood-scale cross-dependencies among air pollutants, meteorology and land cover using mobile sensing and transformers. npj Clean Air 2, 13 (2026). https://doi.org/10.1038/s44407-026-00054-9

关键词: 城市空气污染, 移动感测, 变换器模型, 街区尺度制图, 空气质量监测