RESEARCH HIGHLIGHT · 大气污染与环境健康

全美四分之一世纪百米级逐日 PM2.5 深度学习图谱：从空缺填补到 7.66 亿网格精细暴露评估

跨越 2000 至 2024 年的无缝时空重构：U-Net 与 BiLSTM 协同攻克大面积卫星气溶胶缺失，空间验证决定系数达 0.94

解读论文：A Multi-Stage Deep Learning Framework for Daily PM2.5 Estimation at 100 m Resolution Across the Contiguous United States, 2000–2024 (A Quarter Century of Data), Environmental Science & Technology (2026)

细颗粒物（PM2.5）是全球公认导致心血管疾病、呼吸系统疾病及过早死亡的核心环境危险因素。流行病学研究与环境正义审查对暴露数据的时空分辨率提出了近乎苛刻的要求：既需要覆盖数十年的超长随访队列以捕捉慢性健康效应，又需要精细至百米乃至街道级的超高空间精度，以识别社区内部因交通干道、局部工业及地形遮蔽所导致的环境暴露不平等。然而，传统地面监测站点在地理分布上极度稀疏，而卫星遥感气溶胶光学厚度（AOD）又因云层遮挡、冰雪高地表反射率等物理干扰，长期面临大面积数据缺测（典型日缺测率常高达 50% 至 70%）。如何在长达二十五年的国家尺度时空连续体中，彻底攻克卫星观测缺失并实现百米级逐日细颗粒物高精度解算？

以色列本-古里安大学地理与环境发展系、美国西奈山伊坎医学院环境医学与公共卫生系以及哈佛大学医学院人群医学系等机构的研究团队，在环境科学顶刊《Environmental Science & Technology》（ES&T）上发表了最新突破性研究成果。研究人员构建了一套端到端的多阶段深度学习集成建模框架，创新融合再分析气象驱动的 U-Net 编解码器、双向长短期记忆网络（BiLSTM）以及顾及微地形的超分辨率降尺度算法，首次成功生成了覆盖全美本土（CONUS）跨越 2000 年至 2024 年整整四分之一世纪、空间分辨率达 100 米、包含超过 7.66 亿个网格单元的逐日 PM2.5 无缝暴露表面。

编者按：过去的大气颗粒物高分辨率反演往往受制于算力瓶颈与卫星盲区，多数全国性长序列产品只能停留在 1 公里尺度；局部百米级研究则大多仅覆盖单一城市或数月短时段。本项研究不仅在全美 766 万平方公里陆域上实现了长达 25 年的逐日百米级连续推演，更建立了严格基于独立监测站点的全样本交叉验证标准，为全球环境暴露组学与流行病学界树立了全新的数据标杆。

图 TOC｜研究总体技术路线示意图：涵盖基于 U-Net 与 BiLSTM 的卫星 AOD 协同重构、基于数字高程模型的 100 米地形降尺度、以及融合多源时空协变量的多流深度学习预测网络。图源：Sheidaei et al., ES&T（2026）。

01 · RESEARCH CONTEXT & THE RESOLUTION BOTTLENECK

二十五年跨度与百米级颗粒物暴露评估为何长期受限于卫星观测缺失

在环境流行病学与公共卫生队列分析中，暴露测量误差是削弱因果关联置信度的主要根源之一。传统的定点监测网络（如美国 EPA AQS 与 IMPROVE 网络）虽然观测精度极高，但全美仅有千余个站点，绝大多数乡村地区、偏远原住民保留地乃至城市微观社区均缺乏长期的就地监测数据。为了克服空间代表性缺陷，过去二十年学术界广泛采用卫星反演气溶胶光学厚度（如 MODIS MAIAC 1 公里产品）来驱动统计或机器学习模型。

然而，光学遥感对云雾、积雪和强反光地面具有天然物理局限，导致原始卫星产品存在高达半数以上的空缺。若直接剔除缺失值进行模型拟合，将引入严重的非随机样本选择偏差（Selection Bias），尤其在阴雨天气多发、逆温层聚集或重污染频发的关键时段造成系统性低估。此外，既往全国级模型多止步于 1 公里网格，无法解析相隔数十米至数百米间因道路微环境、城市下垫面建筑峡谷效应所带来的剧烈梯度差异。如何在不损失高频空间纹理的前提下实现“先全量补缺、再超分辨率细化”，构成了环境数据科学亟待攻破的核心瓶颈。

研究核心痛点：全国尺度长序列 PM2.5 评估必须兼顾“时间全覆盖、无缝无缺失”与“空间高分辨率”，但云层积雪导致的卫星反演盲区与 1 公里级粗网格阻碍了微环境暴露精度的跃升。

02 · FOUR-STAGE DEEP LEARNING ARCHITECTURE

四阶段深度学习架构通过协同重构与降尺度实现全美无缝百米网格解算

面对跨越 25 年的超海量多源异构时空数据流，作者团队设计了高度模块化且前后呼应的四阶段建模范式：

METHOD OVERVIEW · 建模技术路线

Step 1 空间重构　引入带跳跃连接的 U-Net 编解码网络，以 MERRA-2 与 CAMS 全球大气再分析连续同化场为先验引导，精准重构 MODIS MAIAC 0.47 μm 缺失 AOD。

Step 2 时序精炼　部署双向长短期记忆网络（BiLSTM），同时融合输入序列的前向与后向时序动力学依赖，显著提升阴云持续数日下的时间连续性。

Step 3 地形降尺度　基于 30 米数字高程模型（DEM）提取坡度、坡向及微地形起伏变量，将 1 公里重构 AOD 经微气象物理标定精细降尺度至 100 米网格。

Step 4 多流集成解算　构建结合卷积特征提取器与全连接网络的多流深度学习架构，融合 ERA5-Land 高精度气象、地理空间、道路与日历变量，解算逐日地面 PM2.5。

该技术方案的关键突破在于第一阶段对 U-Net 跳跃连接的精妙应用。跳跃连接在降采样与升采样层级之间搭建了直接的数据旁路，使得大范围区域背景场信息由再分析先验供给的同时，原始卫星观测中珍贵的局部高频纹理得以完整无损地保留，彻底避免了传统空间插值算法在复杂边缘区域产生的过度平滑伪影。

图 1｜2024 年 6 月 6 日全美本土原始 MODIS MAIAC AOD 与 U-Net 重构 AOD 的空间对比：左图原始观测存在大范围云雾遮蔽盲区，右图重构场在完整填补空缺的同时，精准保留了中西部烟羽传输与东部背景的气溶胶梯度特征。图源：Sheidaei et al., ES&T（2026）。

统计结果显示，AOD 重构模型在 2000 至 2024 年整整 25 年间的年度决定系数（R²）稳定维持在 0.744 至 0.946 之间，全序列总体 R² 达到 0.835（RMSE = 0.055，MAE = 0.032）。即便在 2003 年前仅有单颗 Terra 卫星运行或再分析数据源由 MERRA-2 切换为 CAMS 的不同历史阶段，重构场均展现出极高的一致性与稳定性。

03 · RIGOROUS SITE-LEVEL VALIDATION

严苛站点级跨样本测试证实模型具有高精度空间捕捉力与时空泛化韧性

在时空大数据建模中，若采用常规随机交叉验证（Random CV），由于同一监测站在不同日期的自相关性，验证得分往往被虚假夸大。本研究执行了严苛的站点级固定划分（Site-Level Partitioning）：将全美 1439 个常设监测站严格划分为互不重叠的训练集（1111 站，含 465.6 万条日观测）、验证集（396 站，含 64.2 万条日观测）以及完全独立的测试集。

0.82

总体测试集 R²

0.94

空间成分 R²（RMSE 0.81）

0.78

时序成分 R²（RMSE 2.83）

图 2｜PM2.5 预测模型在训练集、验证集与独立测试集上的散点密度评估：分别展示了总体、空间（多年平均）与时序（距平波动）成分的拟合表现。测试集空间 R² 高达 0.94，证实模型完美解耦了长周期空间格局与日度时间动态。图源：Sheidaei et al., ES&T（2026）。

尤为瞩目的是，空间分解评估显示该模型的空间 R² 高达 0.94，均方根误差（RMSE）仅为 0.81 μg/m³。这一近乎完美的空间外推能力意味着，即便在未设立监测站点的广大区域，模型对多年平均浓度的预测也具备极高可靠性，为长周期慢性流行病学研究提供了稳健的地表暴露基准。

图 3｜测试集四季预测性能分布图：春季（R² = 0.81，RMSE = 2.45 μg/m³）、夏季（R² = 0.82，RMSE = 3.12 μg/m³）、秋季（R² = 0.80，RMSE = 2.91 μg/m³）、冬季（R² = 0.81，RMSE = 2.89 μg/m³）。四季散点分布高度均衡，未发生特定气象季的精度崩塌。图源：Sheidaei et al., ES&T（2026）。

此外，季节子样本检验展现了优异的鲁棒性：四季 R² 稳定在 0.80 至 0.82 之间。针对 2017 至 2023 年发生的六次全美重大特大野火烟霾事件（涵盖 2023 年 6 月席卷美东的加拿大超级野火，期间日均浓度暴增至 24.22 μg/m³），模型在极端烟羽条件下的测试 R² 仍高达 0.811 至 0.938，平均偏差仅在 -0.77 至 1.45 μg/m³ 之间，证实深度网络成功克服了光学饱和与非稳态化学演化的极端扰动。

04 · QUARTER-CENTURY SPATIAL-TEMPORAL DYNAMICS

二十五年历史轨迹清晰勾勒出全美空气质量整体改善与局部极端事件

基于最终训练成熟的深度模型，研究团队全面解算了 2000 年 1 月 1 日至 2024 年 12 月 31 日全美 766,128,491 个 100 米格点的逐日地表浓度。宏观年均值对比清晰映衬出四分之一个世纪以来美国《清洁空气法案》减排政策取得的历史性成效。

图 4｜2000 年与 2024 年全美本土年均 PM2.5 空间分布图：2000 年中东部老工业带及五大湖周边大范围处于 12–16 μg/m³ 以上的高位；而到 2024 年，除加州中央山谷及局地野火通道外，绝大多数区域年均值已压降至 7 μg/m³ 以下。图源：Sheidaei et al., ES&T（2026）。

在 2000 年，俄亥俄河流域、五大湖工业带、大西洋中段各州普遍处于重度污染状态，大范围年均浓度高达 12 至 16 μg/m³。而到 2024 年，由于燃煤电厂脱硫脱硝治理与移动源排放标准收紧，东部地区年均浓度呈现断崖式下降，大面积降至 6 至 8 μg/m³ 以下。然而，在国家整体向好的宏观图景下，百米网格精准揭示了被区域宏观均值掩盖的微观尺度暴露差异与环境不公现象。

图 5｜2024 年 6 月 6 日纽约大都市圈 100 米超高分辨率 PM2.5 细节解算图：生动刻画了曼哈顿高密街区、沿海海陆风锋面、主要州际高速公路走廊以及近郊绿地之间短距离内的剧烈浓度反差。图源：Sheidaei et al., ES&T（2026）。

以纽约大都市区为例，百米模型清晰还原了曼哈顿高密度建筑群与下风向主干道、沿海开阔水域与内陆低洼住宅区在同一天内的细微阶跃。过去 1 公里模型中融为一个平滑像素的区域，在百米分辨率下被拆解为多达 100 个具有鲜明微环境异质性的微地块。这为精准评估弱势族裔居住区与高负荷交通排污源之间的微空间重叠提供了关键实证工具。

05 · INTERPRETABILITY & SENSITIVITY

特征归因与敏感性分析揭示了气象场热力动力学与气溶胶的非线性驱动

为了打破深度学习的“黑箱”顾虑，作者采用 Shapley Additive Explanations（SHAP）框架对输入特征的全局重要性进行了系统量化解析。

图 6｜PM2.5 预测模型的全局特征重要性（SHAP 值）排序分布：地表温度、浅层土壤温度、2 米气温、日历年份、2 米露点温度、边界层高度以及重构 AOD 占据了主导地位。图源：Sheidaei et al., ES&T（2026）。

SHAP 分析表明，模型输出并不盲目依赖单一变量，而是形成了气象热动力学驱动与光学气溶胶耦合的多元机制。地表温度、2 米气温与土壤温度构成了反映大气边界层热力湍流与二次颗粒物生成速率的关键前置条件；边界层高度（BLH）则直接控制了近地表垂直稀释容积；重构 AOD 作为整层气溶胶柱含量的指示物，在高温高湿或突发污染传输事件中展现出强大的敏感性校正效应。敏感性测试进一步证实，重构 AOD 在重污染日对地表颗粒物反演具有决定性的非线性抬升驱动。

LIMITATIONS · 局限

作者在论文中客观指出了该数据集的技术边界：第一，名义上的 100 米分辨率在本质上是融合微地形、地表覆盖与微气象变量后对气溶胶场的统计细化，并非卫星载荷直接观测到的 100 米独立光学物理产品；第二，地面监测站网在全美的空间布局依然存在东密西疏、城密乡稀的不均衡性，尽管站点级拆分验证表现优异，但在复杂地形山区极度缺乏实测校准站的网格上仍可能存在潜在不确定性。

∞ · CLOSING

百米级暴露图谱为高精度环境健康效应与环境正义研究提供了坚实数据基底

这项长达四分之一世纪的 100 米分辨率逐日颗粒物建模工作，不仅代表了环境深度学习在海量时空反演领域的技术飞跃，更为跨越千禧年至今的人群队列健康研究提供了极其珍贵的高精度基底。它使研究人员能够以更细微的微环境颗粒度，重新检验长期微量暴露对阿尔茨海默病、心肌梗死、早产儿低体重等慢性终点事件的脆弱性窗口，并为地方政府制定差异化、穿透至街区的精准环境正义治理规划提供了无可替代的科学证据。