清华大学袁宏永、张小乐团队在超细颗粒物危害人员安全评估研究取得重要进展

空气中的超细颗粒物（Ultrafine Particles, UFPs）指粒径小于100纳米的颗粒，大量对人体有害的UFPs因其极高的比表面积和独特的理化特性，能够深入人体呼吸道及血液循环，对健康构成潜在威胁。然而，传统空气污染指标（如PM2.5、PM10）主要基于质量浓度测量，难以有效表征UFPs的暴露水平和对人体健康的影响，高精度、低成本、高时空分辨率的UFPs监测评估方法长期未能得到解决。

世界卫生组织（WHO）2021年《全球空气质量指南》（Global Air Quality Guidelines, AQG）强调，UFPs的暴露评估应基于颗粒数浓度（Particle Number Concentration, PNC），而非质量浓度。然而，由于UFPs监测需要高精度、昂贵的仪器设备，目前全球范围内长期、大规模的UFPs暴露评估研究仍较为有限。

针对上述挑战，清华大学安全学院袁宏永、张小乐团队提出了一种堆叠式集成机器学习（Stacking-based Ensemble Machine Learning）高时空分辨率颗粒数浓度模拟方法（Stem-PNC），融合数据驱动模型与物理化学模型，在区域尺度上实现了高空间（1 km）和高时间（1小时）分辨率的UFPs暴露评估，为超细颗粒物的暴露水平和健康风险评估提供了新的思路。

突破传统地理回归模型（LUR）的局限，利用多源数据提升预测精度。传统土地利用回归（Land Use Regression, LUR）模型主要依赖地理信息（如土地利用、交通流量、人口密度等），但未充分利用现有的空气污染监测数据。本研究首次整合已监管污染物（NOx、O₃、PM2.5、PM10等）监测数据，结合人工智能方法，挖掘其与UFPs的复杂关系，从而提高暴露预测的精度。

构建高精度AI模型，实现低成本、高效UFPs暴露评估。传统UFPs监测成本高昂，覆盖范围有限。本研究利用瑞士长期标准化颗粒数浓度监测数据，结合多源数据（如空气质量再分析、气象数据、交通流量等），构建高精度AI模型，有效降低评估成本，并提升模型的稳定性和泛化能力。

融合数据驱动与物理化学模型，提升预测精度与空间覆盖。研究采用人工智能与物理化学模型相结合的方式，既保持了物理机制的合理性，又充分利用了数据驱动方法的计算效率。采用哥白尼监测服务（CAMS）空气质量再分析数据、欧洲中期天气预报中心气象再分析数据（ERA5）及100m分辨率交通流量数据（OTM），并提出基于监测点预训练的降尺度多源数据融合方法，构建高时空分辨率模型。

揭示超细颗粒物暴露的空间分布特征。研究以瑞士为例，首次在国家尺度上实现了高精度超细颗粒物暴露评估，研究发现，约20%（170万）瑞士人口的UFPs年均暴露水平超过10⁴ 颗粒/cm³，表明高浓度UFPs污染对健康的潜在威胁不容忽视。在不同地区，UFPs的暴露水平存在显著差异：农村地区平均（5.5±2.3）×10³颗粒/cm³，城市地区平均（1.4±0.5）×10⁴颗粒/cm³，全国平均约（9.3±4.7）×10³ 颗粒/cm³。

WHO推荐的日均和时均UFPs暴露限值并非可互换。研究发现，超标天数（每日平均PNC超标的天数）与超标小时数（每小时PNC超标的小时数）之间存在显著的非线性关系，说明简单地使用某一个暴露限值无法全面评估UFPs的健康安全风险。这一发现对UFPs空气质量标准的制定具有重要意义。

UFPs的空间变异显著高于PM2.5。研究量化了UFPs的空间异质性，发现其在城市中心的UFPs变异系数为PM2.5的4.7±4.2倍，而在农村地区UFPs变异系数高达PM2.5的13.8±15.1倍。这一结果表明，相较于PM2.5，UFPs的时空分布更加不均匀，单一固定监测站难以准确反映实际暴露水平，更需高精度的时空建模方法进行补充。

本研究表明，人工智能结合传统物理化学方法能够有效提升UFPs暴露评估的精度和空间覆盖范围，为未来安全健康效应评估提供更精准的数据支持。该方法不仅适用于瑞士，还可推广至监测数据较少的国家和地区，填补UFPs暴露评估的关键空白。为制定UFPs空气质量标准提供科学依据，推动低成本UFPs监测技术在发展中国家的落地应用，助力健康安全研究，为公众健康风险评估提供更精准的数据支持。

相关成果以“机器学习增强的超细颗粒高分辨率暴露评估”（Machine Learning-Enhanced High-Resolution Exposure Assessment of Ultrafine Particles）为题，于1月31日发表在学术期刊《自然·通讯》（Nature Communications）上。

清华大学安全学院2021级博士生蹇姚宇蝶、袁宏永教授为论文共同第一作者，张小乐助理教授为通讯作者。安全学院苏国锋教授、翁文国教授为本研究提供了重要帮助，瑞士苏黎世联邦理工学院（ETH Zurich）王静教授为本研究的数据和方法提供了关键支持。研究得到了国家重点研发计划、国际合作与交流项目“MASSEV—面向城市社区环境可持续发展的空气质量监测、图示与评价”等的资助。