环境监测展了解到，2025年8月31日，国际环境领域顶级期刊《Environment International》（影响因子9.7）发表了武汉理工大学研究团队在空气污染监测领域的重要研究成果。该研究首次成功将手机信令数据与深度学习技术相结合，构建出时空分辨率高达250米/小时的城市NO₂浓度动态监测模型，这一突破为高精度空气污染暴露评估提供了全新的技术范式。

在城市空气污染治理中，氮氧化物（NO₂）作为主要污染物之一，其浓度分布具有显著的时空异质性特征。传统监测方法受限于固定站点的空间覆盖不足、卫星遥感的时空分辨率有限以及排放清单更新滞后等问题，难以精准捕捉城市内部尤其是交通高峰时段形成的"瞬态污染热点"。这一技术瓶颈不仅导致人群暴露评估存在偏差，也制约了精准化环境治理政策的制定。

武汉理工大学研究团队创新性地采用多源数据融合技术路线，基于中国联通加密手机信令数据，研发了人口流动动态算法，将个体移动轨迹数据转化为250米网格单元的每小时人口流量指标。团队还设计了具有空间注意力机制的距离加权深度网络（DW-Net），通过双卷积残差结构增强模型的空间泛化能力，同时整合了TROPOMI卫星遥感数据、CAMS再分析资料和地面监测站观测数据构建训练数据集，并应用SHAP可解释性人工智能技术解析各影响因子的贡献度。

通过手机信令数据，研究精准捕捉到宁波市人口流动呈现典型的"双峰"模式：早高峰时段平均网格流量达13.8人，晚高峰为11.4人。空间分布上，经济活跃的鄞州区夜间流量显著高于宁海等区域，准确反映了人类活动的时空分异规律。DW-Net模型在五折交叉验证中表现出色，性能显著优于随机森林和深度神经网络等传统模型。特别值得注意的是，在空间外推测试中，DW-Net模型的精度仅下降4%，而传统模型下降幅度高达47-53%，证明其距离加权模块有效提升了空间泛化能力。

SHAP可解释性分析显示，各影响因子对NO₂浓度的贡献度排序为：人口流动（22.59%）>风速（16.45%）>边界层高度（9.07%）>降雨（7.24%）。研究发现当风速超过1m/s时，其对NO₂浓度的影响由正转负，证实了气象扩散作用的临界效应。工业区核密度贡献度则提示固定污染源的辅助影响。高分辨率监测图谱显示，城市核心区NO₂浓度昼夜差异高达1.9倍，早高峰极值出现在主要交通枢纽周边。与TROPOMI卫星数据对比表明，新模型能够解析出道路尺度的浓度梯度特征，而5.5公里分辨率的卫星数据则平滑了这些关键细节。

环境监测展注意到，该研究在方法学层面首次验证了手机信令数据驱动的高精度空气污染建模可行性，DW-Net架构为环境变量建模提供了新范式；在应用层面，250米/小时分辨率的输出能力可精准识别"污染微热点"，支持差异化管控政策的制定；在科学认知层面，量化了动态交通排放对NO₂污染的主导性贡献，弥补了传统静态土地利用回归模型的局限性。研究团队同时指出，当前人口流动数据尚未区分交通方式，可能在一定程度上高估排放强度；工业排放仍依赖静态POI数据，需要开发动态表征方法。这些技术突破有望推动"数字孪生城市"在环境治理中的深度应用，为智慧环保开辟新的技术路径。

来源：Environment International 9.7

如果有侵权行为，请联系删除。