清華大學袁宏永、張小樂團隊在超細顆粒物危害人員安全評估研究取得重要進展

空氣中的超細顆粒物（Ultrafine Particles, UFPs）指粒徑小於100納米的顆粒，大量對人體有害的UFPs因其極高的比表面積和獨特的理化特性，能夠深入人體呼吸道及血液循環，對健康構成潛在威脅。然而，傳統空氣污染指標（如PM2.5、PM10）主要基於質量濃度測量，難以有效表徵UFPs的暴露水平和對人體健康的影響，高精度、低成本、高時空分辨率的UFPs監測評估方法長期未能得到解決。

世界衛生組織（WHO）2021年《全球空氣質量指南》（Global Air Quality Guidelines, AQG）強調，UFPs的暴露評估應基於顆粒數濃度（Particle Number Concentration, PNC），而非質量濃度。然而，由於UFPs監測需要高精度、昂貴的儀器設備，目前全球範圍內長期、大規模的UFPs暴露評估研究仍較爲有限。

針對上述挑戰，清華大學安全學院袁宏永、張小樂團隊提出了一種堆疊式集成機器學習（Stacking-based Ensemble Machine Learning）高時空分辨率顆粒數濃度模擬方法（Stem-PNC），融合數據驅動模型與物理化學模型，在區域尺度上實現了高空間（1 km）和高時間（1小時）分辨率的UFPs暴露評估，爲超細顆粒物的暴露水平和健康風險評估提供了新的思路。

突破傳統地理迴歸模型（LUR）的侷限，利用多源數據提升預測精度。傳統土地利用迴歸（Land Use Regression, LUR）模型主要依賴地理信息（如土地利用、交通流量、人口密度等），但未充分利用現有的空氣污染監測數據。本研究首次整合已監管污染物（NOx、O₃、PM2.5、PM10等）監測數據，結合人工智能方法，挖掘其與UFPs的複雜關係，從而提高暴露預測的精度。

構建高精度AI模型，實現低成本、高效UFPs暴露評估。傳統UFPs監測成本高昂，覆蓋範圍有限。本研究利用瑞士長期標準化顆粒數濃度監測數據，結合多源數據（如空氣質量再分析、氣象數據、交通流量等），構建高精度AI模型，有效降低評估成本，並提升模型的穩定性和泛化能力。

融合數據驅動與物理化學模型，提升預測精度與空間覆蓋。研究採用人工智能與物理化學模型相結合的方式，既保持了物理機制的合理性，又充分利用了數據驅動方法的計算效率。採用哥白尼監測服務（CAMS）空氣質量再分析數據、歐洲中期天氣預報中心氣象再分析數據（ERA5）及100m分辨率交通流量數據（OTM），並提出基於監測點預訓練的降尺度多源數據融合方法，構建高時空分辨率模型。

揭示超細顆粒物暴露的空間分佈特徵。研究以瑞士爲例，首次在國家尺度上實現了高精度超細顆粒物暴露評估，研究發現，約20%（170萬）瑞士人口的UFPs年均暴露水平超過10⁴ 顆粒/cm³，表明高濃度UFPs污染對健康的潛在威脅不容忽視。在不同地區，UFPs的暴露水平存在顯著差異：農村地區平均（5.5±2.3）×10³顆粒/cm³，城市地區平均（1.4±0.5）×10⁴顆粒/cm³，全國平均約（9.3±4.7）×10³ 顆粒/cm³。

WHO推薦的日均和時均UFPs暴露限值並非可互換。研究發現，超標天數（每日平均PNC超標的天數）與超標小時數（每小時PNC超標的小時數）之間存在顯著的非線性關係，說明簡單地使用某一個暴露限值無法全面評估UFPs的健康安全風險。這一發現對UFPs空氣質量標準的制定具有重要意義。

UFPs的空間變異顯著高於PM2.5。研究量化了UFPs的空間異質性，發現其在城市中心的UFPs變異係數爲PM2.5的4.7±4.2倍，而在農村地區UFPs變異係數高達PM2.5的13.8±15.1倍。這一結果表明，相較於PM2.5，UFPs的時空分佈更加不均勻，單一固定監測站難以準確反映實際暴露水平，更需高精度的時空建模方法進行補充。

本研究表明，人工智能結合傳統物理化學方法能夠有效提升UFPs暴露評估的精度和空間覆蓋範圍，爲未來安全健康效應評估提供更精準的數據支持。該方法不僅適用於瑞士，還可推廣至監測數據較少的國家和地區，填補UFPs暴露評估的關鍵空白。爲制定UFPs空氣質量標準提供科學依據，推動低成本UFPs監測技術在發展中國家的落地應用，助力健康安全研究，爲公衆健康風險評估提供更精準的數據支持。

相關成果以“機器學習增強的超細顆粒高分辨率暴露評估”（Machine Learning-Enhanced High-Resolution Exposure Assessment of Ultrafine Particles）爲題，於1月31日發表在學術期刊《自然·通訊》（Nature Communications）上。

清華大學安全學院2021級博士生蹇姚宇蝶、袁宏永教授爲論文共同第一作者，張小樂助理教授爲通訊作者。安全學院蘇國鋒教授、翁文國教授爲本研究提供了重要幫助，瑞士蘇黎世聯邦理工學院（ETH Zurich）王靜教授爲本研究的數據和方法提供了關鍵支持。研究得到了國家重點研發計劃、國際合作與交流項目“MASSEV—面向城市社區環境可持續發展的空氣質量監測、圖示與評價”等的資助。