超越时空建模：机器学习在交通相关空气污染及非尾气排放研究中的应用综述

为什么道路扬尘依然重要

许多城市正在减少汽车尾气排放，但交通仍然是有害空气污染的重要来源。本文综述解释了现代计算方法（即机器学习）如何被用于更好地追踪和理解交通相关空气污染，尤其是那些来自制动、轮胎和路面扬尘的微小颗粒，而非尾气排放。这些见解能帮助城市规划者与公共卫生专家设计更明智的政策，以保护在繁忙道路附近生活、工作和活动的人群。

从尾气到看不见的路面磨损

交通相关空气污染既包括气体也包括颗粒物。多年来，关注点主要集中在燃烧燃料产生的尾气，例如损害肺和心脏的氮氧化物和细颗粒物。法规与更清洁的发动机持续降低了这些尾气排放。但来自制动磨损、轮胎磨损、路面磨蚀以及重新悬浮尘土的颗粒，如今在道路附近人群吸入的污染中占比不断上升。这些非尾气来源更难测量和控制，且常含有与哮喘、心脏病相关的金属和其他物质，并可能与儿童自闭症和帕金森等疾病有关。

教计算机绘制污染地图

由于无法在每个街角都布置空气监测器，研究人员使用机器学习来填补空白。通过将交通流量、土地利用、气象以及固定与移动传感器的观测数据输入模型，他们可以绘制出城市内细颗粒物、金属与交通气体等污染物的精细地图。基于树的算法和深度学习常能捕捉数据中的复杂模式，而更新的图网络方法则把监测点和道路视为互联网络。这些技术能揭示人们何时何地最易暴露，但也面临数据零散、输入不一致以及在一座城市上训练的模型难以直接迁移到另一座城市等挑战。

找出道路上最重要的因素

除了绘图，机器学习还能突出哪些因子对污染水平影响最大。通过观察当驾驶行为、车辆类型、制动强度或天气等输入变化时模型预测的响应，研究人员可以推断出哪些模式值得进一步关注。研究表明，例如急刹车、老旧车辆和某些制动片材料会增加细颗粒物排放。然而，这类重要性排名并不证明因果关系，且可能被变量间的隐含关联扭曲。作者强调，这类结果必须与物理学理解相核对，并在不同城市进行验证后，方可用于制定政策。

聚焦制动与轮胎颗粒

一些最具创新性的工作利用机器学习对路尘和空气样本中的单个颗粒进行分类。强力显微镜和化学传感器为成千上万个颗粒生成大量图像与成分数据集。算法学习区分轮胎磨损、制动磨损、路面矿物及其他颗粒类型，而这些工作用人工分类既繁琐又易出错。对制动与轮胎系统的实验室研究也使用类似模型，将设计选择（如制动片金属含量或制动模式）与释放的颗粒物量关联起来。这些方法开始将非尾气污染与其他来源分离，为更有针对性的毒性测试和更清洁材料的开发打开了大门。

追踪污染源头

了解污染中有多少来自何种来源对于制定合理监管至关重要。传统统计工具估算出测得颗粒中可归因于交通、工业或其他贡献者的比例。机器学习现在提供了新的方法来按化学指纹对样本分组，并使用磁性等属性对可能来源进行分类。早期研究表明，这些工具可以与旧方法相匹配或互为补充，同时处理更复杂的数据，尽管它们仍需专家谨慎解读以避免误标来源。

对城市空气与健康的意义

总体而言，综述认为机器学习已成为研究交通相关空气污染的强大伙伴，尤其是在日益凸显的非尾气排放问题上。它有助于构建更细致的暴露地图，揭示提高或降低排放的驾驶与车辆设计模式，并理清沿路飞扬颗粒的混合来源。与此同时，数据有限、模型选择不透明以及模型跨地迁移能力弱仍是主要障碍。作者主张，进展将依赖于更好的传感器、共享数据集以及将人类专业知识与透明算法相结合的方法。通过这些步骤，可以支持削减交通有害颗粒的政策，保护在机动车化日益加剧的城市中的公共健康。

引用: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

关键词: 交通空气污染, 非尾气排放, 机器学习, 制动与轮胎磨损, 城市空气质量