评估按年龄分层的人群在道路上的颗粒物（PM）暴露情况 1. 利用街景图像和移动监控技术：一种机器学习方法

《BUILDING AND ENVIRONMENT》：Assessing Age-Stratified Pedestrian Exposure to PM 1 Using Street View Imagery and Mobile Monitoring: A Machine Learning Approach

PM?暴露评估框架融合移动监测与街景图像深度学习，实现年龄分层空间显式暴露预测。通过SHAP分析揭示城市形态与气象主导PM?浓度，而人群活动空间分布决定实际暴露风险，证实污染热点与高暴露区存在错位现象。

　　

Xujing Yu|Yixuan Li|Jun Ma|Feifeng Jiang|Ziran Ye|Yuping Jin

香港大学建筑学院城市规划与设计系，中国香港

摘要

保护行人免受空气污染的影响需要了解不同年龄组的暴露情况，然而大多数区域尺度的行人暴露研究缺乏人口统计分层。对于PM₁来说，这一挑战更加突出，尽管有证据表明其健康风险比较大颗粒物更高，但相关研究仍然不足。在这项研究中，我们开发了一个基于年龄分层的、空间明确的暴露框架，将移动监测的PM₁浓度与从街景图像中提取的、经过深度学习处理的分层行人流量相结合。基于迁移学习的模型能够自动将行人分为三个年龄组（儿童、成人、老年人），从而实现对城市人行道的大规模暴露估计。基于树的机器学习模型在PM₁浓度方面的R2值为80.9%，在年龄分层暴露预测方面的R2值为64.38%-79.26%。变量解释分析揭示了不同的决定因素：环境中的PM₁主要受城市形态和气象条件的影响，而行人暴露则受反映特定年龄群体出行模式的兴趣点分布的影响。针对特定年龄组的暴露分析表明，高污染区域并不一定与脆弱人群的高暴露位置重合，这表明仅减少污染是不够的，还需要考虑特定人群的活动模式。此外，不同年龄组对兴趣点的重视程度不同，这为了解他们不同的活动空间和目的地偏好提供了有力证据。所提出的框架有助于识别每个年龄组的关键干预区域，为基于证据的都市规划策略提供支持，以减少暴露风险。

引言

空气污染暴露是一个普遍存在的环境健康威胁[42]。颗粒物（PM）是城市环境中的主要污染物之一，会对环境和人类健康造成危害。据估计，环境中的PM导致全球平均寿命缩短一年，而在发展中国家这一影响更为严重[1]。颗粒物根据颗粒直径进行分类。现有研究主要集中在PM_2.5（直径<2.5 μm）上，因为它已知会对心血管和呼吸系统造成风险[48]。环境机构定期监测城市中的PM_2.5水平。许多研究致力于从各个方面控制PM_2.5的排放，例如开发PM_2.5预测方法[10]、研究PM_2.5分布的时空变化[73]，以及探索城市高PM_2.5浓度的驱动因素[12]。然而，人们对更细小的PM₁颗粒（直径<1 μm）越来越关注，因为它们更容易穿透呼吸系统，毒性更强，并且占PM_2.5的很大比例[7,59]。流行病学证据表明，短期和长期的PM₁暴露与呼吸系统炎症、肺功能下降和心血管疾病死亡率增加有关[34,41,64]。道路交通是城市空气污染的主要来源，尤其是在PM₁的形成过程中[23]。由于行人距离交通较近且防护措施有限，他们更容易受到有害空气污染物的影响[69]。此外，步行时呼吸频率较高，导致行人吸入的污染物剂量比车辆乘员更多[46]。行人暴露于空气污染不仅是一个局部空气质量问题，也是交通繁忙的大都市地区人群健康风险的重要因素。因此，估计行人的空气污染暴露水平至关重要。

人类对空气污染的暴露定义为在特定时间段内，一个人与空气中污染物浓度之间的接触[43]。在个体层面，暴露可以通过一个人在日常活动中遇到的时间加权平均浓度来表征[53]。一个更符合生理学的指标是吸入剂量，它结合了呼吸频率和沉积比例来估计进入体内的污染物质量[60]。在人群层面，一个关键的进展是开发了基于人口重量的空气污染浓度估算方法。这种方法将污染数据与网格化或人口普查数据相结合，根据人们居住的位置来估算平均暴露水平，并在全球疾病负担研究和国家级评估中得到广泛应用和改进[24,50]。将关注点从居民人群扩展到不同微环境中的动态人群（例如人行道上的通勤者）是一个重要的扩展。这种方法对于城市规划至关重要，它通过整合实时或建模的污染数据与人类存在和移动性的指标，来估算特定地理单元中的集体暴露负担[44,56,67]。

量化行人空气污染暴露是一个日益重要的研究方向，以往的研究采用了多种策略来测量污染物浓度和行人变量（表1）。模型模拟和现场监测是文献中用于获取空气污染数据的两种主要方法。基于扩散模型或计算流体动力学的模型模拟可以提供高空间分辨率的浓度场，并在没有密集监测网络的情况下覆盖大面积区域。现场监测提供了实证测量数据，因此可靠性更高，尤其是在街道级别的污染浓度测量方面。近年来，移动监测技术在现场监测中的使用显著增加。这些技术结合了直接测量的实证稳健性和更高的空间精度。行人相关变量的表征也存在显著差异，可以大致分为以个体为中心和以区域为中心的方法[2]。个人属性，包括年龄、性别和生理参数，经常被纳入以个体为中心的暴露研究中，这些研究旨在量化特定个体或人群群体的污染水平。相比之下，以区域为中心的研究将行人密度与空气质量联系起来，以支持城市规划，通过识别高风险区域并优先考虑解决方案。当行人流量较低时，污染热点并不一定与高暴露位置重合，这对城市的环境管理和空间规划方式有深远的影响[17,68]。因此，有意义地评估区域层面的行人暴露取决于收集与空气质量监测相匹配的时空分辨率的行人流量数据。模拟方法是获取行人流量数据的主要技术，因为全球只有少数城市实施了行人计数系统，而空气污染监测系统则广泛使用。随着近年来计算机视觉技术的发展，街景图像（SVI）数据在城市研究中得到了广泛应用。一些学者利用街景图像来估算行人流量，并将其与空气污染数据结合以估计暴露水平[25]。

尽管在以区域为中心的行人暴露评估方面取得了进展，但仍存在两个关键的研究空白。首先，大多数现有研究集中在估计暴露行人的总数上，而忽略了他们的人口统计构成，特别是年龄。这主要是由于可用数据集的局限性或在大规模上建模人口统计属性的复杂性。然而，流行病学证据表明，由于生理差异，老年人和儿童更容易受到空气污染的不利健康影响[39,54]。这种方法论上的空白可能导致对脆弱群体的健康风险低估，从而削弱了有针对性的公共卫生干预措施的效果。其次，虽然大量文献研究了行人暴露于PM_2.5和其他污染物的情况，但对PM₁的关注较少。这一空白可以归因于固定站点PM₁监测网络的缺乏，这阻碍了基线浓度图的建立和验证机会的减少。缺乏针对PM₁的行人暴露研究在环境健康科学和城市空气质量管理中留下了一个重要的盲点。

为了解决这两个问题，本研究提出了一个全面且可扩展的框架，该框架结合了PM₁的移动监测和利用深度学习模型从街景图像中自动提取行人数量和年龄组信息。这种方法提供了高分辨率的、针对特定年龄组的行人暴露映射。它将丰富的行人人口统计信息与移动PM₁监测相结合，以捕捉行人密集微环境中的细粒度污染。这项技术为城市规划者和公共卫生官员提供了可操作的见解，以保护高风险区域中的高风险人群。本研究采用了以区域为中心的暴露评估框架。与旨在估计个人剂量的个体层面评估不同，以区域为中心的方法量化了特定地理单元内人群的集体污染负担，例如街道段[2]。这种方法对于城市规划特别相关，因为它直接识别了高污染物浓度与高行人活动重合的暴露热点。因此，我们的主要暴露指标——行人暴露水平——旨在结合污染物水平和行人流量，提供空间明确的群体风险度量，以指导有针对性的缓解策略。本研究的主要贡献和创新点如下：

1. 基于年龄分层的、以区域为中心的暴露评估框架

我们将移动监测的PM₁数据与从街景图像中提取的分层行人流量相结合，生成不同年龄组（儿童、成人、老年人）的空间明确的、街道段级别的暴露估计。这提供了一种新颖的城市物理测量和建模工具，可以量化人类暴露情况，为有针对性的城市规划干预提供必要的人口统计和地理特异性。

2. 自动化的年龄分层行人检测

我们开发并部署了一个基于迁移学习的深度学习模型，用于从街景图像中自动按年龄组对行人进行分类。这促进了人工智能在城市感知中的应用，使得大规模估计人口活动模式成为可能，这对于评估建成环境性能至关重要。

3. 高影响因素的识别

我们应用SHapley Additive Explanation (SHAP)分析来揭示驱动年龄分层暴露模式与环境PM₁浓度之间的关键变量集。这超越了预测，为设计和决策社区提供了一个先进的诊断工具，展示了不同的城市环境因素如何不同地影响污染水平和实际人类暴露，从而为可持续和健康的建成环境解决方案提供依据。

研究框架

研究框架如图1所示，包括四个主要组成部分：（1）数据收集、（2）行人信息提取、（3）行人暴露估计和映射、（4）行人暴露建模。首先，数据收集包括对人行道上PM₁浓度的移动监测，以及视频图像和气象数据的收集。然后，使用计算机视觉技术从收集的视频图像中提取行人信息。

年龄分层行人流量和暴露水平的描述性统计

4展示了不同年龄组的行人流量、PM₁浓度和暴露水平的描述性统计。行人流量在不同年龄组之间存在显著差异，其中成人占街道级别行人的大多数。成人的平均行人流量为594人/小时（标准差=285），大约是儿童的16倍（平均=37人/小时，标准差=29）和老年人的16倍（平均=37人/小时）

SHAP分析的结果

我们的SHAP分析揭示了控制环境PM₁浓度的因素与决定实际行人暴露水平的因素之间的关键区别。PM₁浓度主要受物理环境特征的影响——特别是城市形态和气象条件。这些因素控制着污染物在城市大气中的扩散、积累和转化过程。相比之下，所有年龄组的行人暴露主要受……

结论

本研究开发了一种新颖的、基于年龄分层的街道级别行人暴露评估框架，该框架结合了移动监测的PM₁浓度和从街景图像中自动进行的大规模行人检测和年龄分类。基于迁移学习的自动化年龄分层行人检测模型的应用使得能够估计城市人行道网络中三个年龄组（儿童、成人、老年人）的行人流量。

写作过程中生成式AI和AI辅助技术的声明

声明：在准备这项工作时，作者使用了ChatGPT来提高可读性和语言表达。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。

CRediT作者贡献声明

Xujing Yu：撰写——原始草稿、方法论、正式分析、概念化。Yixuan Li：撰写——原始草稿、验证、正式分析。Jun Ma：撰写——审阅与编辑、监督、项目管理、资金获取。Feifeng Jiang：撰写——审阅与编辑。Ziran Ye：撰写——审阅与编辑。Yuping Jin：撰写——审阅与编辑。