一种基于物理信息感知图学习的PM2.5浓度空间推断方法与流程

本发明属于大气环境时空建模和应用，涉及一种基于物理信息感知图学习的 pm2.5浓度空间推断方法。

背景技术：

1、大气环境是一个跨区域、多尺度、多因素耦合的复杂动态系统。随着城市化、工业化和交通活动持续发展，pm2.5等大气污染物的排放来源日益复杂，并在气象及地形等因素共同作用下，发生扩散、输送、沉降和累积等演变过程。pm2.5浓度的空间分布不仅具有显著的时变性，而且具有较强的局地差异性。因此，实时、准确地获得区域pm2.5空间分布，对于空气污染防控、环境治理决策和居民健康风险评估具有重要意义。然而，受限于监测站空间布设稀疏及覆盖不均等因素，现有监测网络难以全面反映目标区域内各位置的真实污染状况。

2、在此背景下，利用有限监测站点数据对未监测区域污染物浓度进行空间推断，已成为本领域的重要研究方向。现有方法主要包括基于物理机理的建模方法和基于数据驱动的建模方法。物理建模方法基于扩散、平流和沉降等过程建立控制方程，虽具有较强的物理可解释性，但由于求解过程复杂、计算代价较高，难以直接满足细粒度和快速推断需求。数据驱动方法主要利用统计学习、机器学习、深度学习及多源数据融合等手段，从历史数据中学习污染物与相关因素之间的关系，具有较高的灵活性和效率。然而，这类方法通常较为依赖训练数据，在监测站分布稀疏、数据存在缺失或环境条件复杂时，其泛化能力和稳定性往往会受到影响。因此，如何在稀疏观测条件下充分融合污染物时空传播规律、气象驱动因素和地形异质性特征，实现对目标区域pm2.5浓度的准确、稳定和精细推断，仍是本领域亟待解决的关键技术问题。例如：

3、中国发明专利cn111209537b公开了一种基于高斯回归的空间细粒度污染推断方法。该方法通过定义监测区域内各监测点位数据，利用高斯回归模型对未知点位的pm2.5浓度进行训练和推断，在一定程度上提高了pm2.5空间推断的准确性和稳定性。然而，该方法主要基于监测点位数据的统计回归关系进行建模，对污染物扩散、输送和累积过程中的气象驱动作用考虑不足，同时对地形异质性因素缺乏有效表征，因而在复杂气象和地理条件下对pm2.5空间分布特征的表达能力有限。

4、中国发明专利cn121188671b公开了一种基于多源数据融合的大气污染智能监测方法及系统。该方法通过对原始异构数据进行预处理与多模态融合，提取污染物空间特征，并结合循环神经网络、图模型和空间映射处理，实现对污染物时序演变、扩散趋势及实时污染分布的动态监测，在一定程度上提高了污染监测的实时性。然而，该方法更侧重于多源数据融合和时序分析，对气象驱动因素及地形异质性特征的刻画不够充分，因而在复杂气象和地理条件下，对污染物空间分布规律的表征仍存在局限。

5、中国发明专利cn120257231a公开了一种基于大气污染浓度数据的污染空间分析方法及系统。该方法结合污染物扩散特性、地理信息和实时气象数据，构建高精度污染物浓度空间分布模型，分析污染源排放模式与时空演变趋势，并实现污染热点识别与未来污染预测。然而，该方法在建模过程中主要依赖历史浓度数据和已知排放清单，对监测数据覆盖不均和采样稀疏等问题考虑不足，导致其在缺失监测区域或低密度监测区域的预测精度与可靠性仍受到一定限制。

6、中国发明专利cn114511087b公开了一种基于双模型的空气质量空间推断方法及系统。该方法通过网格划分、特征选择和模型训练，实现对全局空间各时空单元空气质量数据的推断，在一定程度上提高了推断的鲁棒性和准确性。然而，该方法对影响污染物扩散、输送和累积的关键气象条件考虑不够充分，未能有效体现风速、风向、温度、湿度及气压等因素对空气质量时空演变的作用。同时，其对地形起伏、下垫面差异等地形异质性的刻画也较为有限，因此在复杂地理环境下，仍难以准确反映污染物的传输和分布特征，从而影响推断结果的精度与稳定性。

7、中国发明专利cn117909931b提出了一种空气质量空间推断方法通过获取固定式及移动式传感器的实测空气质量数据，结合城市基础环境特征及动态时间特征，进行特征工程处理，并将处理后的特征输入基于深度神经网络特征提取与lightgbm回归预测的混合模型，从而实现空气质量指标的空间推断。然而，该方法对空气污染物时空连续传播特性的考虑仍不充分，建模时主要将pm2.5浓度作为单点变量进行预测，缺乏对时空依赖关系的有效刻画，因此在复杂城市环境下难以准确表征污染物的时空分布规律，进而制约了推断精度与稳定性。

8、中国发明专利cn120106214a提出了一种基于污染物时空传播原理的大气污染推断方法。该方法首先利用研究区域内监测站点的污染物观测数据和气象数据构建数据集，然后基于未知点位与周边监测点位的空间关系，对监测信息进行加权汇总，得到目标点位的空间推断结果。在此基础上，进一步结合污染物扩散与对流过程，对各点位进行时空传播分析，得到下一时刻的时空推断结果，并将时空推断结果与空间推断结果通过多层感知机进行融合，输出对应时刻的pm2.5推断值。通过遍历完整时间序列并构建目标函数对模型参数进行迭代优化，训练完成后可用于在线污染推断。该方法结合了物理传播机制与数据驱动建模，具有一定可解释性。然而，该方法主要关注污染物在时间和空间上的传播过程，对区域内地形起伏、下垫面差异等地形异质性因素考虑不足，难以充分刻画复杂地形条件下污染物传输与分布的局地差异，从而影响推断结果的精度与稳定性。

9、中国发明专利cn118761041a公开了一种基于多源数据的交通污染物空间分布推断方法。该方法通过采集研究区域污染物逐小时数据，结合地理位置、气象要素、土地利用、道路密度、poi兴趣点及其他污染物等多源信息，利用lur模型筛选重要变量，并结合xgboost模型实现网格尺度的污染物浓度预测，从而在一定程度上提高了交通污染物空间分布推断的精细化水平。然而，该方法主要基于静态或经验性特征进行监督回归建模，对交通污染物在不同时段、不同区域间动态传输关系的刻画仍显不足。尤其对复杂交通活动作用下污染物的局地扩散、累积及跨区域传播影响反映不够充分，因此在快速变化交通场景下，对污染物空间分布规律的表达仍存在局限。

10、中国发明专利cn118607374a公开了一种基于有效全局算法优化的污染物浓度空间分布kriging插值反演方法。该方法利用已有污染空间点位数据，通过目标函数预测优化、ego全局及关键区域最优值搜索和kriging插值反演，获得目标场地污染物浓度分布极值点位，并构建优化后的初始浓度分布数据集，以实现目标场地污染物浓度的精细刻画，在一定程度上提升了空间非均质条件下的插值精度。然而，该方法主要依赖空间统计插值建模，对污染物浓度与影响因素之间复杂非线性关系的表达仍显不足，在反映污染物时空演变规律方面仍存在一定局限。

11、中国发明专利cn116662935a公开了一种基于空气质量监测网络的大气污染物空间分布预测方法。该方法以各空气质量监测站为中心建立缓冲区，提取与大气污染相关的特征变量，经筛选后构建pm2.5数据集，并通过模型训练、调参与测试，实现pm2.5空间分布预测。该方法纳入了随时间变化的特征变量，在一定程度上提高了特征表征的全面性和预测效率。然而，该方法主要基于单点预测思路，结合站点周边特征进行回归建模，虽能反映一定的非线性关系，但对污染物传播过程中的时空依赖特征及区域传输作用刻画不足，因此在复杂环境条件下，对pm2.5空间分布规律的表达仍存在局限。

12、中国发明专利cn116188270b公开了一种基于srgan的污染物空间降尺度方法。该方法依次通过基于核函数对原始数据进行密集化转换、基于srgan模型生成高分辨率图像，以及基于高分辨率图像反向生成同化数据，实现污染物浓度数据的降尺度与同化。该方法在一定程度上简化了传统同化过程对计算资源和计算时间的高要求，提高了污染物数据同化效率，并可在普通计算机上完成计算，降低使用门槛。然而，该方法主要依赖模拟或再分析数据进行建模和生成，对实际观测数据有限或稀缺的场景适应性不足，缺乏对局地污染物形成与传输的真实观测约束，因而在复杂城市环境或监测网络覆盖不足的区域，对污染物空间分布的刻画精度仍存在局限。

13、中国发明专利cn111220549b公开了一种测算待测区域污染物排放面浓度的测算方法。该方法通过获取最优化空间浓度分布模型的排放面，并基于预先构建的污染物空间浓度分布模型以及排放面内污染物浓度的实际分布建立最优化空间浓度分布模型，进而通过对所述排放面进行积分计算，实现待测区域污染物排放面浓度的测算，在一定程度上提高了排放面浓度测算的准确性。然而，该方法主要面向特定排放面的浓度分布建模与积分测算，更侧重局部区域的浓度表征，对大范围区域内污染物扩散输送过程中的时空关联刻画不足，同时对风场变化、气象条件及复杂下垫面对污染物分布的影响考虑不够充分，因此在复杂开放环境下对污染物空间分布及演变规律的反映仍存在局限。

14、中国发明专利cn103336093b公开了一种区域空间质量分析方法。该方法通过对区域进行网格划分，确定各网格中心点坐标，并基于单个时间片上的大气环境监测数据，设定各插值点的影响点搜索范围，以搜索范围内监测站点作为影响样本点，结合各影响样本点的权重值对插值点进行浓度插值计算，从而获得区域内各网格中心点的污染物浓度分布结果。该方法适用于中小尺度区域空气质量空间分析，在一定程度上兼顾了计算效率与插值精度。然而，该方法主要基于单时刻监测数据和空间加权插值开展分析，对污染物跨区域传播过程中的时空依赖关系刻画不足。同时，该方法对气象条件、地形起伏及下垫面差异等影响因素考虑不够全面，因此在复杂环境条件下，对污染物空间分布规律的表达仍存在局限。

15、目前，针对pm2.5等大气污染物空间推断、空间分布预测、污染分析与降尺度重建，已提出多种技术方案，涵盖高斯回归、随机森林、lightgbm、xgboost、kriging 插值、循环神经网络、图模型、多源数据融合、生成对抗网络及物理传播建模等多种方法，并在一定程度上提高了污染物空间推断的精度、效率和适用范围。然而，现有方法仍然存在以下不足：

16、1、对气象驱动机制考虑不足，难以充分反映污染物传播演变过程：

17、部分现有方法虽然能够利用监测数据、多源特征或统计关系实现污染物空间推断，但对污染物扩散、输送和累积过程中的关键气象驱动作用考虑不足，未能充分引入风速、风向、温度、湿度及气压等因素对污染物时空演变的调制作用。例如，cn111209537b基于高斯回归进行细粒度污染推断，cn121188671b基于多源数据融合开展污染智能监测，cn114511087b 基于双模型进行空气质量空间推断，均存在对关键气象要素考虑不足的问题，因而在复杂气象条件下对pm2.5空间分布特征的表达能力有限。

18、2、对地形异质性和下垫面差异刻画不足，难以表征复杂地理环境下的局地差异：

19、现有部分方法主要关注数据驱动建模、时空传播分析或空间插值过程，但对地形起伏、下垫面差异等地形异质性因素缺乏有效表征，难以充分刻画复杂地形条件下污染物传输与分布的局地差异。例如，cn111209537b、cn121188671b、cn114511087b以及cn120106214a，均在不同程度上存在对复杂地理环境适应性不足的问题，从而影响污染物空间推断结果的精度与稳定性。

20、3、缺乏对污染物时空依赖性和连续传播特性的充分建模：

21、部分现有技术虽然引入时间特征或空间特征，但在建模过程中仍将pm2.5浓度视为相对独立的单点或单时刻变量进行预测，缺乏对污染物在空间和时间上的连续传播特性的系统刻画，难以准确反映复杂环境中污染物的时空关联规律。例如，cn117909931b将处理后的特征输入深度神经网络与lightgbm混合模型进行空间推断，但未充分考虑空气污染物在空间和时间上的连续传播特性；cn116662935a基于监测站缓冲区特征和随机森林模型进行预测，对污染物传播过程中的时空依赖性和区域传输作用刻画不足；cn103336093b主要基于单时刻监测数据和空间加权插值进行分析，同样难以反映污染物跨区域传播过程中的时空依赖关系。

22、4、对复杂非线性关系、非平稳性及动态变化特征表达能力有限：

23、部分现有技术主要基于统计回归或空间插值原理建模，虽然能够表征一定的空间相关性，但对污染物浓度与多种影响因素之间复杂非线性关系的表达能力有限，也难以刻画复杂环境条件下污染物分布的非平稳性和动态变化特征。例如，cn118607374a基于ego优化和 kriging插值反演方法开展污染物浓度精细刻画，但其本质上仍属于空间统计插值方法，对复杂非线性关系和动态演变特征的表达不足，因此对污染物时空演变规律的反映仍不够充分。

24、5、对监测数据稀疏、不均匀覆盖及低密度观测场景适应性不足：

25、在现实应用中，空气质量监测站点通常存在空间分布不均、局部区域观测稀缺甚至缺失的问题，而部分现有技术主要依赖历史浓度数据、已知排放清单、模拟数据或再分析数据进行建模，对实际低密度监测场景的适应性仍有限。例如，cn120257231a主要依赖历史浓度数据与已知排放清单，对于缺失或低密度监测区域的预测精度和可靠性仍有限；cn116188270b主要依赖模拟或再分析数据进行建模和生成，缺乏对局地污染物形成与传输的真实观测约束，因此在复杂城市环境或监测网络覆盖不足区域，对污染物空间分布的刻画精度仍存在局限。

26、6、对局地扩散、跨区域传输及复杂场景下动态污染过程的表征仍不充分：

27、部分现有技术虽然结合道路、土地利用、poi、地理信息或污染源信息开展建模，但主要依赖静态或经验性特征与监督回归分析，对污染物在不同时段、不同区域间的动态传输关联刻画不足，尤其难以充分表征复杂活动场景作用下污染物的局地扩散、累积及跨区域影响。例如，cn118761041a针对交通污染物空间分布进行推断，但对复杂交通活动作用下污染物的动态传输规律反映不足；cn111220549b主要针对排放面浓度进行局部建模与积分测算，对更大空间范围内污染物扩散输送过程中的时空关联刻画不足，因此在复杂开放环境下的适用性仍受限制。

技术实现思路

1、有鉴于此，本发明为了解决现有pm2.5空间推断方法在监测站点稀疏条件下存在的气象驱动机制考虑不足，难以充分反映污染物传播演变过程、地形异质性和下垫面差异刻画不足，难以表征复杂地理环境下的局地差异、缺乏对污染物时空依赖性和连续传播特性的充分建模、复杂非线性关系、非平稳性及动态变化特征表达能力有限、监测数据稀疏、不均匀覆盖及低密度观测场景适应性不足以及局地扩散、跨区域传输及复杂场景下动态污染过程的表征仍不充分问题，提供一种基于物理信息感知图学习的 pm2.5浓度空间推断方法。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于物理信息感知图学习的 pm2.5浓度空间推断方法，该方法将空气污染物传播中的风驱平流、距离扩散及源汇调节过程作为可微物理结构先验嵌入图神经网络，同时融合气象、地形、遥感等多源辅助数据，由空间模式提取模块、时间动态增强模块和风感知图传播模块三部分协调作用，提升复杂地理与气象条件下的推断精度与泛化能力，包括以下步骤：

4、s1、数据采集与预处理：采集目标研究区域内监测站点的pm2.5浓度观测数据、多源气象数据、遥感数据以及高分辨率地形数据，并对上述多源异构数据进行统一预处理，得到用于后续空间图结构构建的标准化输入数据集；

5、s2、构建pm2.5时空推断问题并建立基础图结构：定义了在稀疏监测站点条件下，对任意位置和时间进行pm2.5浓度推断的问题；构建监测站点与目标点位的空间图结构，监测站点pm2.5观测序列为，并引入基于球面距离的高斯加权邻接矩阵，以及时间周期特征矩阵；

6、s3、构建统一时空嵌入表示：引入统一时空嵌入机制，根据高斯加权邻接矩阵构建归一化图拉普拉斯矩阵；通过图拉普拉斯矩阵的谱分解提取拓扑嵌入，拓扑嵌入与步骤s1中的观测序列和时间周期特征矩阵融合，生成共享时空表示；

7、s4、空间模式提取模块：包括步骤s41模式提取块和步骤s42多尺度模式融合块，模式提取块融合低分辨率辅助变量特征与高分辨率辅助变量特征，得到统一表征；多尺度模式融合块通过多尺度卷积和通道注意力机制得到精炼的空间表征；

8、s5、时间动态增强模块：通过节点连接强弱识别稀疏节点；将步骤s3中的共享时空表示与步骤s4中空间表征拼接，得到初始化节点级表示，再通过多尺度一维时间卷积和门控残差连接，对稀疏节点进行布局时间增强，并结合多头自注意力机制建模长时序动态依赖关系，得到时间一致、全局对齐的时序表示 ；

9、s6、风感知图传播模块：基于实时风场构建动态平流图，并结合静态扩展图进行双分支图传播，并引入源汇残差项，得到无监测区域的pm2.5空间分别结果；

10、s7、模型训练策略：采用归纳式训练协议，随机遮盖部分监测点数据，迫使模型利用周边节点信息和辅助变量进行重建；仅在被掩蔽的节点上计算预测误差，训练完成后模型可直接泛化到未见目标节点。

11、本发明的有益效果在于：

12、1、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，pm2.5空间推断精度提升：将污染物传播中的物理机理与图学习模型相结合，在数据驱动框架中显式引入风驱平流、距离扩散和源汇调节等过程，突破了传统方法仅依赖统计相关关系或静态空间拓扑建模的局限。通过构建风感知图传播模块，能够更加准确地表征污染物在不同区域之间的动态输送和扩散过程，从而提升无监测区域pm2.5浓度推断的准确性，尤其提高了复杂环境和高污染情形下的推断能力。

13、2、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，对复杂气象条件的适应性增强：将风速、风向等气象信息直接引入图结构构建过程，使图中节点间的传播关系能够随气象条件动态变化。与传统静态图或单点回归方法相比，本发明能够更真实地反映不同时间条件下污染物传输方向和传播强度的变化规律，增强模型对复杂气象背景、突发污染过程及季节性变化条件下pm2.5时空演变的适应能力。

14、3、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，地形异质性刻画能力增强：设置空间模式提取模块，对高分辨率地形数据和低分辨率环境背景数据进行双分支建模和统一融合。其中，低分辨率分支提取粗尺度环境语义信息，高分辨率分支保留地形纹理和局地异质性特征，从而使模型能够充分考虑地形起伏、下垫面差异等因素对污染物扩散、累积和输送的调制作用。相比未显式考虑地形约束的方法，本发明能够更准确地刻画复杂地理条件下pm2.5的局地分布差异。

15、4、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，时空依赖性表达能力提升：通过统一时空嵌入和时间动态增强模块，将节点拓扑结构、时间周期特征及历史浓度演变信息进行联合建模，并针对弱连接节点引入稀疏节点增强机制。该设计能够有效增强模型对污染物时空连续演变过程的表达能力，改善传统方法将pm2.5作为单点或单时刻变量处理所带来的局限，提高对污染过程持续性、滞后性和跨区域传播特征的刻画能力。

16、5、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，稀疏监测场景下的泛化能力和稳定性提升：采用归纳式图学习框架，以有限监测站点观测为基础，对无监测目标位置进行直接推断，无需为新增目标点重新训练模型。同时，通过引入多源辅助变量和物理先验约束，本发明在监测站点分布稀疏、区域覆盖不均或观测存在缺失的条件下，仍能够保持较高的推断精度和较强的结果稳定性，从而更适用于实际空气质量监测网络稀疏分布场景。

17、6、本发明所公开的基于物理信息感知图学习的 pm2.5浓度空间推断方法，模型可解释性增强：与纯数据驱动方法相比，本发明在模型结构中显式嵌入污染物扩散、平流和源汇调节等物理过程，使各模块具有明确的大气环境意义。空间模式提取模块对应地形与环境背景约束，时间动态增强模块对应污染演变的时间连续性，风感知图传播模块对应污染物传输机理。因此，本发明不仅能够提高推断性能，还能够增强模型结果的物理合理性和可解释性，便于后续在空气污染防控、环境管理和健康风险评估中的应用。

18、本发明在有限监测站点观测条件下，实现对目标区域pm2.5浓度的准确、稳定的空间推断。为此，本发明通过构建融合空间图结构、时间周期特征及多源辅助变量的统一建模框架，将污染物传播中的扩散、平流和源汇调节过程作为物理先验引入图学习过程，以增强模型对污染物时空连续演变规律的表达能力。同时，通过引入风速、风向等气象信息对节点间传播关系进行动态调节，使模型能够更合理地表征气象条件变化对污染物输送过程的影响。

19、此外，本发明通过设置空间模式提取模块，对低分辨率环境背景数据和高分辨率地形数据进行联合建模，以提高模型对地形起伏、下垫面差异等地理异质性特征的刻画能力；通过设置时间动态增强模块，加强对历史浓度演变、时间依赖关系及稀疏节点特征的提取能力，从而提升模型在观测稀疏区域和复杂环境条件下的推断性能。

20、通过上述技术方案，本发明力求提高无监测区域或缺测区域pm2.5空间推断的准确性、稳定性和泛化能力，使推断结果能够更好地反映复杂气象和地理条件下污染物的时空分布规律，为空气污染监测、环境治理和健康风险评估提供技术支持。

21、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。