近日，清华大学环境学院张少君副教授课题组与斯坦福大学王元（Yuan Wang）助理教授课题组合作开发了基于动态交通大数据和机器学习算法的特大城市大气污染浓度高分辨率预测方法，并对美国洛杉矶地区不同社会族群空气污染暴露的环境公平性开展了深入研究。该研究以美国洛杉矶地区为对象，开发了一种基于机器学习的高分辨率空气质量模拟方法，实现了美国洛杉矶地区连续整年的公里-小时级空气质量动态模拟，揭示了美国洛杉矶地区不同人种和收入群体污染物暴露的不公性。研究首次将动态交通数据引入基于机器学习的空气质量模拟方法中，并揭示了其在优化城市空气质量时空分布特征方面的重要作用，进而能够更准确评估社区层面人口污染暴露差异及环境公平性。

图1.研究成果入选《环境科学与技术》（Environmental Science & Technology）补充封面

空气污染在全球特大城市中造成了重要的公共健康威胁。对于洛杉矶这样的特大城市，其污染源、人群和社群分布存在显著的空间差异，不同族裔、收入群体的空气污染暴露水平也并不相同。因此，空气污染暴露的环境公平性成为研究的焦点。受实验资源、数据准备及计算效率的制约，仅仅依靠实际观测或物理/化学传输模型难以实现特大城市空间范围下街区尺度空气污染暴露高精度、持续性的动态评估。数据驱动的地理统计模型大多停留在利用静态路网分布代表交通排放特征的层面，缺乏对交通活动高度流动性和时空特异性的考虑。因此，亟需耦合机器学习方法和动态交通流数据构建城市人群空气污染暴露精细化评估方法，以充分体现道路交通对人群暴露空间异质性的影响。

针对上述难题，研究团队开发了一种融合动态交通数据的机器学习方法，实现了美国洛杉矶地区连续一整年公里级空气质量逐时模拟。研究发现，在模型中引入真实动态交通数据使二氧化氮（NO₂）、日最大8小时平均臭氧（MDA8 O₃）和细颗粒物（PM_2.5）模拟的空间保真度分别提高了47%、4%和15%。该方法成功捕获了由于交通活动导致的PM_2.5浓度超标的情况，并提供了一个“超标地图”工具，以识别高污染社区内的暴露差异。相比之下，没有引入实际动态交通数据的模型缺乏捕捉交通引起的暴露差异的能力，并且严重低估了居民对PM_2.5的暴露。对于有色人种和低收入群体这样的弱势社区，这种PM_2.5暴露浓度低估更为严重。研究揭示了将实时交通数据纳入社区尺度污染物暴露差异及环境不公性评估的重要性。

图2.引入动态交通数据前后PM_2.5浓度及不同种族/族裔暴露情况模拟结果对比

相关研究成果以“机器学习空气质量模拟中引入动态交通数据改善了环境正义评估”（Dynamic Traffic Data in Machine-Learning Air Quality Mapping Improves Environmental Justice Assessment）为题，近日在线发表于《环境科学与技术》（Environmental Science & Technology）期刊上。

环境学院博士后温轶凡为论文第一作者，张少君与王元为论文通讯作者。研究得到国家重点研发计划、国家自然科学基金、博士后创新人才支持计划和清华大学“水木学者”计划等的资助。