大数据和AI技术如何为城市可持续规划破局？基于人工智能的城市PM2.5研究丨城市数据派

项目基本信息

资助类别：青年科学基金项目(C类)[原青年科学基金项目]

项目名称：基于人工智能的城市PM2.5时空格局、影响机制与规划响应研究

项目负责人：刘超

依托单位：同济大学

项目结题摘要

随着全球空气污染对公众健康的日益威胁，精细化治理空气污染已成为提升城市环境质量和居民生活水平的关键举措。在众多空气污染物中，PM2.5因其对人类健康的长期和直接影响，成为了研究的重点。上海作为中国的经济和人口重心，其PM2.5的时空分布特征及相关影响因素的研究，不仅具有学术价值，也对上海及其他大城市的空气污染治理提供了重要参考。

本文深入分析了上海市PM2.5的时空分布特征及其变化规律。研究发现，上海市PM2.5的时空变化具有显著的日变化和季节变化特征。在时间上，PM2.5的浓度在一天之内保持相对稳定，但周末和工作日之间存在较大差异，周末的PM2.5浓度显著上升，反映出休闲活动和交通流量的变化对空气质量的影响。而在空间上，PM2.5的浓度主要集中在城市中心区和交通繁忙的地带，如商业区和工业区。与此相对的是，绿地面积较大、远离市中心的区域PM2.5浓度较低，表明城市绿化在改善空气质量方面的积极作用。为了进一步理解PM2.5浓度的空间分布，本文深入探讨了多种城市要素对PM2.5的影响，特别是土地利用模式、交通网络、建筑密度以及蓝绿空间等因素。

研究表明，交通网络密集的地区，特别是主要道路和交叉口，PM2.5浓度较高；而在绿地丰富的区域，如公园和水域附近，PM2.5浓度则较低。土地利用模式与PM2.5浓度之间也呈现出较强的空间相关性，城市的高建筑密度和缺乏绿色空间的区域往往是PM2.5的热点区域。还探讨了人工智能技术在PM2.5时空分布预测中的应用，尤其是机器学习方法在高精度空间尺度下的优势。为了评估不同方法的效果，本文比较了随机森林（Random Forest）与传统的土地利用回归模型（LUR）在上海市PM2.5浓度预测中的表现。

结果表明，随机森林模型在解释PM2.5的空间变化特征时，具有显著更高的精度，其解释方差为78.1%，明显优于LUR模型的49.3%。此外，随机森林模型能够更好地处理多源数据，提供更加精细的时空预测。基于这一技术优势，本文提出了结合人工智能模型的精细化城市规划建议。项目成果对于上海市和其他大城市的城市可持续规划治理具有实践指导意义。

关键词: 城镇可持续规划 ;规划方法 ;人工智能 ;生态城市。

项目结题成果报告

以下研究成果内容摘自项目结题成果报告。该项目成果报告主体内容共计50页，加下方客服二维码，发送 26313 给客服，即可获得报告主体内容PDF的下载方式。

发送26313给客服

2.研究工作主要进展、结果和影响。

(1)主要研究内容

AI识别城市高时空分辨率PM2.5污染的特征分析与源图谱空间解析

评估与可视化城市高分辨率的污染时空格局特征是本项目的首要研究内容，具体包括:

(1)AI识别PM2.5在不同空间和时间尺度上的高精度分布特征和演变规律，不同时间(如交通高峰、平峰、夜间)和不同空间(如市区、市郊)的PM2.5浓度分布的空间水平分布、均衡性、自相关性等进行测度，并归纳出结构模式和聚类特征。

(2)通过PM2.5时空格局的可视化与热点统计分析，掌握重污染区域在不同时空维度的分布情况。

(3)绘制基于排放源清单的城市污染物源空间图谱，结合排放源地理区位建立时空污染物源空间图谱的可视地图，直观展现PM2.5的时空分布与来源。这既是揭示PM2.5在世界和空间规律的需要，又是进一步探索影响机制的前提。

AI判定城市PM2.5浓度空间分布的影响因子与关联机制

在厘清PM2.5时空规律的基础上，利用统计与AI模型遴选城市PM2.5浓度空间分布主要影响要素，如土地格局、交通网络、排放源分布、蓝绿开放空间和气象因子等，且研判不同时段不同地区的关联机制，以精准指导规划设计和管理。此部分内容探讨影响污染水平的主控要素及要素作用的交互机制，这不仅需要识别评估要素中的主控要素指标及其作用强度，并对其作用机理进行定性判断，而且需要分析不同类型要素间、不同时空要素间的相互作用，特别是城市土地利用类型、蓝绿生态空间和各类用地的空间组合格局及交通路网结构、动态交通流量对污染浓度空间分布的复合影响特性。通过循环验证不同决策的效果，对决策进行评估和优化。

优化城市空间结构与精细化分时分区管理策略

构建城市PM2.5浓度高分辨率时空格局，不仅是为了获得城市空气污染的特征机制，还着眼于获得精准有效的规划导控应对:识别高污染风险时区进行针对性减排策略，估算重点排放源对城市的辐射范围来指导产业重构与空间土地优化，认知高峰时段的污染物扩散辅助交通出行的管控和形态优化，指导蓝绿生态空间格局和通风廊道设计，分时分区给出最有效的城市规划提升策略。

(2)取得的主要研究进展、重要结果、关键数据等及其科学意义或应用前景。

本研究旨在通过结合多源大数据和AI技术，精细化分析城市与区域尺度的空气污染物时空格局，并深入研判PM2.5与城市时空演化的关系。研究过程涵盖了多源数据采集与预处理、基于传统土地利用回归(LUR)与AI方法的PM2.5时空格局分析、时空人群暴露评估，以及通风廊道规划模拟与评估等多个环节。

通过丰富的数据资源和分析方法，本研究揭示了上海市PM2.5浓度的时空分布特征及其影响因素，发现其具有显著的季节性变化且空间分布不均，呈现出西高东低、内陆高于沿海的特点。为了更准确地预测PM2.5浓度，本研究采用了传统的LUR模型及先进的AI算法(如随机森林、BP神经网络)，并通过逐步回归分析优化LUR模型，引入其他空气污染物变量，显著提升了模型性能。这一预测模型的建立为城市规划中的污染防控策略制定提供有力支持。

同时，为了全面评估上海市民对PM2.5的暴露水平，研究建立了时空LUR模型，结合交通时段划分和手机信号数据，精准地描绘了污染物浓度的时间变化特性及人口动态分布情况。这为城市规划中的交通组织、绿地布局等提供了科学依据，有助于降低市民的暴露风险。此外，本研究还创建了通风廊道情景，并利用WRF-UCM和CMAQ模型进行了中宏观气候和大气污染的模拟分析。

结果表明，通风廊道通过改变城市形态及风速等气象条件对PM2.5浓度产生显著影响。这一发现为城市规划中的通风廊道设计、城市形态优化提供了有力支持，有助于改善城市空气质量。最后，本研究构建实时可视化平台，用于城市PM2.5的监测、分析、预警及规划治理。该平台集成了多源城市数据，实现了大规模分析与精细化研判的协同作用，为城市综合管理和空气质量改善提供了有力工具。这一平台的建立将为城市规划与管理部门提供实时，谁确的数据支持，有助于提升城市治理的精细化水平。

5 研究方案

5.1.技术路线

本项目基于研究目标的方案路线设计如图4所示。本研究以上海市为例，构建PM2.5时空分布模型，综合利用多源数据及人工智能算法，为城市污染管理和规划提供科学支撑。研究方法分为以下四个阶段:

(1)数据收集与预处理，本研究收集了多种数据源，包括市域内50余个监测站的PM2.5分时浓度数据、移动交通源监测数据、重点工业区监测数据、不同缓冲区内建成环境因子数据、通讯基站的人流活动数据、气象监测数据、监测站及城市污染源的地理位置信息与排放量数据等。对上述数据进行标准化预处理，以确保其一致性与适用性，为建模提供高质量输入;

(2)AI建模方法的优化选择，在传统土地利用回归(LUR)建模的基础上，本研究引入三种人工智能算法:BP神经网络、随机森林(RF)和贝叶斯网络(BN)。为最大限度捕捉影响因子的时段差异，研究将数据划分为全天数据、早高峰数据和晚高峰数据分别建模，以揭示不同时段交通活动对PM2.5分布的影响特性;

(3)模型验证与结果分析，所有模型均通过交叉验证及决定系数(R2)进行有效性与解释度评估。在模型检验的基础上，选取性能最佳的AI模型，并进一步分析其输出的显著建成环境影响因子。基于模型结果，完成对长三角区域的污染物时空分布模拟与可视化分析;

(4)空间规划与策略制定，识别出的显著环境影响因子将用于指导空间规划优化，并结合最优模型进行模拟规划与敏感性分析。通过可视化分析与模型输出，制定包括风险区域评估、交通规划优化、污染源管控、空间布局调整及精细化管理在内的多维策略，同时探索公共污染卫生事件的应对路径。

5.2.案例研究一上海

本项目采用案例研究的方法，案例城市选择上海市。上海市是我国人口第一、机动车保有量前五的城市，且毗邻江苏、浙江等工业发达地区。故从环境保护及城市可持续发展角度而言，上海地区环境污染物浓度时空特征亟待进一步研究。研究区域为上海主城区(除崇明区)中的16个行政区。崇明区作为长江入海口的独立岛屿，在天气上与大陆板块的城区有很大差异性遂排除在外。2012年起，上海市开始系统地监测PM2.5浓度，监测点的数量在过去七年中持续增加。截至2018年底，上海共有10个国家级监测站及超过50多个区域级监测，这些监测站点持续地监测和记录每分钟PM2.5污染数据。如图5所示，这些监测点覆盖了上海所有的行政区，但在地理位置上更集中于城区。因此需要更为精细尺度上的污染物浓度来反映城市的环境水平。

与此同时，申请人在过去五年中对上海的土地利用、污染格局等方面已进行了深入调研，积累了丰富的气象、污染、土地、人口等数据资源，在依托单位(同济大学)、合作单位(如上海市环境监测中心)的支持下，可以支撑模拟对数据规模和质量的要求。

5.3.多源大数据采集与预处理

本项目开展中国上海市近地面PM2.5浓度的时空分布以及显著影响因子的识别研究，所使用的数据包括应变量和自变量两大类(表3)。自变量采集主要包括固定站点的监测仪器布置与手持移动监测仪的数据收集，目的是为了在城市整体模型外对特别地点进一步解析与验证。对数据进行融合预处理解决项目数据复杂多模态、异构碎片化的问题。空间上，所有位置类数据对标CGCS2000国土空间地理坐标体系进行统一编码与计算，所有空间类数据尽可能使用插值法或均值法满足1km²分辨率要求以辅助AI模型运算，所有动态数据通过均值法统一到每小时分辨率，并根据高峰、非高峰时段进行区分。在预处理具体数据时，采用Python语言建立数据分类自动提取、分析和归并以及清洗模块，去除错误和特别数据，并且开发可视化效果，为后续数据挖掘和AI机器学习提供海量而高质量的基础数据。

5.3.1.基于时空分类器的环境多源大数据采集与处理技术

环境污染物浓度因多种因素的综合作用呈现显著的时空波动性，数据结构复杂，具有多模态、异构性和碎片化的特征。针对这一问题，本研究提出了基于智能数据分析和归并技术的多源大数据采集与处理框架。该框架通过自动提取、分析和整合内外部相关数据(如大气污染物浓度监测数据、人口分布、交通流量与通信数据)，并对其进行空间转换与标准化处理，为后续建模提供一致性和准确性的基础数据集。为提升数据的质量与有效性，本研究结合自然囊嘉咎理(NLP)与深度学习技术，对提取的环境数据进行二次清洗，系统去除潜在的大误差或异常值，确保数据的可靠性。在此基础上，空间分类器以人工神经网络(ANN)为核心，将空间特征变量(如路网长度与密度等)作为输入，以优化空间数据的精度。同时，时间分类器基于线性链条件随机场(CRF)，充分利用时间序列相关特征(如日均变化趋势或高峰时段特征)，对数据进行时间维度的分类与处理。通过将空间分类器与时间分类器相结合，本研究实现了对复杂环境数据的高精度分类与整合，为后续数据挖掘与机器学习建模提供了高质量、海量的数据支持。这一方法显著增强了数据的时空分辨能力，为复杂环境问题的深入分析提供了坚实的技术保障。

5.3.2.基于GIS平台的环境污染物数据时空特征可视化技术

传统的监测站数据按不同站点和不同时间分散排列，大量数据的呈现形式使得难以分辨污染物浓度的时空变化情况和数值高低程度，缺乏直观性。通过运用GIS等平台对城市地理信息进行处理，并在城市地图上相应地插入与空气污染物浓度时空分布相关的影响因子数据，自动生成如土地利用分布图、工业污染源点位示意图、交通量沿道路分布图、人口密度热力图和气象数据分布图等一系列可视化的精确图表。结合污染物浓度的时空分布情况，可以将环境数据的规律特征和影响成因直观地反映在图表中，从单一数字到多源图像，形成科学有效的污染物时空特征可视化平台。

5.4.研究方法

5.4.1.空间统计与人工智能方法分析高分辨率的污染物格局识别与源类型

在数据处理完毕后，所得的多源数据在空间精度和时间精度上都可以支撑构建起高分辨率的污染物时空格局图。同时根据污染物格局识别，结合城市土地利用参数与污染源坐标位置，可以有效地定时定点地对污染源源类型进行量化分析，有利于城市环境规划与治理，具体步骤如下:

a.LUR/AI识别时空间融合的城市PM2.5浓度格局特征分析

基于上海市PM.5监测站点数据和AI算法的城市空气污染物浓度时空分布模拟，这一部分研究的主要目的是将三种AI算法:BP神经网络、RF随机森林和BN贝叶斯网络，引入城市空气污染物浓度时空分布研究领域，并将其预测结果和模型性能与传统的土地利用母归模型进行比较。最终进行模型的性能分析并提出改进策略，使得AI算法能够更好地应用于该领域。

b.可视分析典型季节交通高峰、平峰和夜晚城市PM2.5浓度时空演变特征

以上海市PM2.5监测站点实测数据和所建模型的输出结果为基础，分析在典型季节城市交通高峰(早高峰、晚高峰)、平峰和夜晚这四个时段中城市PM2.5浓度时空演变特征，建立不同间段PM2.5浓度的时空格局与典型影响因素之间的非线性统计模型，确定不同时间下影响PM2.5分布的关键因素，为城市规划评价奠定基础。

c.关联分析1km2分辨率的城市PM2.5浓度分布与源空间图谱类型

利用上海市环境监测中心提供的上海市各标准监测站的空气污染物监测数据，建立LUR和AI模型，并将模型应用到全市范围，计算得到1km²分辨率的城市PM2.5。浓度分布地图。同时，结合上海市的自然环境和社会经济概况，查明城区排放源的主要分布与对应的排放量数值，结合区位要素与关联分析手段定时定点分析空气污染物空间分布的特征和成因，建立各空间区位上的排放清单。根据点-线-面各排放源的强度和区位，与污染监测数据进行要素对比，推演排放源对PM2.5浓度城市时空演化特征的影响，依据可视化平台定量绘制城市污染物源空间图谱。

5.4.2.AI研判PM2.5时空格局与多要素关联度

在应用AI技术前首先建立传统统计模型为基准。LUR作为已经证明筛选关联空气污染的基准方法首先用来处理数据，以便与人工智能方法进行比较。在LUR模型的构建中，以地面各个监测点的PM2.5浓度值作为模型的因变量，以监测点周边城市影响因素作为自变量。本项目使用多元逐步回归的分析方法和三种AI方法来对时空格局与所选择的各个输入因素进行评估。后续模型分析各个因素的空间差异性，并与LUR模型输出结果进行比较。在排除所有不显著的变量后，研究确定显著变量并得到多元线性方程。同时拟使用R²和残差等参数对模型的拟合度进行评估，分析要素显著性与敏感性，主要步骤如下:

a.判定城市建成环境、交通和行为及其他影响要素

城市PM2.5时空格局的影响要素主要有两大类:区域型变量和距离型变量。区域型变量包括用地类型(住宅、商业、工业、绿地、水体、未分类)，移动人口密度、主干路密度，道路密度、车速车流量等。以监测点为中心建立不同半径的缓冲区，区域型变量通过对缓冲区内数据进行相关分析计算得出。距离型变量主要包含监测点与海面、主要空气污染源的距离及监测点经纬度等信息。通过AI算法判定各要素对PM2.5;时空格局的影响特征和关联作用，并基于此构建模型支撑城市环境规划管理。

b.解析要素影响特征、敏感性与理论

分析影响PM2.5浓度空间分布的建成环境因素和重要度、敏感度，特别是城市土地利用类型、建筑密度和各类用地的空间组合格局及交通路网结构、动态交通流量对污染浓度空间分布的影响特性。本项目将采用传统土地回归模型(LUR)和高级AI模型对比筛选不同城市空间环境与交通人流活动与污染浓度空间分布的关系，进行案例城市的实证研究，对不同时段的显著影响污染浓度的因子进行筛选、排序和敏感性分析。关联机制是后续定量化和精细化空间规划基础。

c.导控推演降低空气污染目标下的精细规划

确定城市用地结构、交通状态和行为、开放空间等因素对PM2.5空间格局的影响后，可以提出适应性的城市设计和优化方法来增强减少PM2.5的浓度。根据不同用地类型与2.5。浓度的关联情况，定性与定量结合提出合理的、精细化的城市规划应对决策，改善用地结构页结合交通行为对PM2.5。浓度的影响，对交通设施规划建设和交通政策提出优化建议，例如外环线重型卡车是平日PM2.5最高污染浓度的重要影响因子，将建议提高卡车排放标准并制定分时分区通行政策;分析绿地、水体、通风廊道等城市开放空间对PM2.5浓度的影响，根据模型结果提出规划建议，例如模型结果显示开放水面有效降低周边300米范围内的PM2.5浓度，将建议重污染地区300米内增加水体面积。最后，结合精细化城市治理的经验和要求，提出具有针对性的精细规划导控。针对高频度、大范围的公共污染卫生事件，如上海国际进口博览会期前的空气污染紧急情况，提出特别时期的严控政策。从城市建成环境角度平灾结合、韧性应对以空气污染为主，兼顾其他卫生风险尤其是新冠病毒风险的公共卫生事件。

6.研究结果

6.1.污染物浓度的时空分布

6.1.1.PM2.5浓度

LUR模型的结果表明，污染物浓度可视为空气污染排放强度与环境自净能力之间的动态博弈结果。因此，空气质量改善不仅需要关注控制污染源，如倡导低碳出行、优先发展公共交通、提高排放标准等，还应充分利用环境的自净能力。例如，在选择工业园区位置或设计烟囱高度时，应考虑气象要素(风速、风向、降水量等);此外，考虑到植物净化能力，增加工业用地、商业用地和住宅用地的绿化率，有助于改善空气质量。

6.2.暴露差异与不平等变化

6.2.1.PM2.5和NO2时间变化

通过对PM2.5和NO2暴露的月均值进行评估，并结合人口加权暴露水平(表6)，研究了二者的时空变化特征。PM2.5暴露的日变化不显著，而NO2暴露则表现出双峰变化，且这一现象与污染物在一天中的浓度变化一致。

2019年11月PM2.5暴露的日均值如9所示，其中蓝色阴影区域表示因第二届中国国际进口博览会而放假的时间，灰色阴影区域表示周末。根据图示，PM2.5暴露在工作日(周一至周五)保持稳定，而在周末(周六至周日)有所上升，并在周六达到了最高值。这可能是因为周末居民的休闲出行比例增加，导致更多人聚集在住宅区和商业区，而这些区域与PM2.5浓度呈正相关。此外，可以看出第二届中国国际进口博览会对PM2.5暴露产生了负面影响，暴露水平在11月2日至5日期间降至工作日和周末水平之间。总体而言，上海的PM2.5暴露更受人口流动的影响，且在白天保持稳定。

2019年11月，上海每周NO2暴露的波动与PM2.5暴露呈现出完全相反的趋势，如10所示。NO2暴露在工作日保持稳定，而在周末则显著下降。这一变化与交通流量的周变化相符，即由于通勤需求，工作日的出行量高于周末。然而，在夜间，NO2暴露的变化不明显，主要是由于货运交通的波动较小。此外，第2届中国国际进口博览会也对NO2暴露产生了负面影响。与PM2.5暴露不同，NO2暴露主要受到污染物浓度变化和人口动态的双重影响。

还有更多研究成果……

还有更多成果内容，详见项目结题成果报告。该项目成果报告主体内容共计50页，加下方客服二维码，发送 26313 给客服，即可获得报告主体内容PDF的下载方式。

原文始发于微信公众号（城市数据派）：大数据和AI技术如何为城市可持续规划破局？基于人工智能的城市PM2.5研究丨城市数据派