基于深度学习的负空气离子浓度预测：使用TCN-注意力和气象-时间融合Transformer

　　负空气离子（negative air ions, NAI）浓度是评估空气质量及量化森林生态系统健康效益的关键指标。准确预测NAI浓度对生态旅游规划和公共卫生服务改善具有重要意义。然而，现有研究主要采用传统统计方法分析影响NAI浓度的因素，在充分捕捉气象驱动因子

　　负空气离子（negative air ions, NAI）浓度是评估空气质量及量化森林生态系统健康效益的关键指标。准确预测NAI浓度对生态旅游规划和公共卫生服务改善具有重要意义。然而，现有研究主要采用传统统计方法分析影响NAI浓度的因素，在充分捕捉气象驱动因子间的复杂非线性交互作用以及多步时间序列预测方面存在不足。在本研究中，研究人员基于江苏省31个环境监测站2021至2023年的连续观测数据，开发了1天预测模型TCN-注意力（TCN-Attention）和7天滑动预测模型MTFT（Meteo-Temporal Fusion Transformer）。TCN-注意力实现了R

　　，比传统机器学习方法低2.7%–7.8%。MTFT在整个7天预测范围内实现了总体R

　　超过传统方法18.6%–29.8%，表明基于序列的时间建模优势随预测时长增加而增强。MTFT的预测误差在夏季和秋季（季节性MAE分别为63.9和69.3 ions/cm

　　），凸显了气象-NAI关系的时间稳定性作为季节性可预测性的重要因素。为识别气象因素对NAI浓度的影响，研究人员进行了独立的SHAP（SHapley Additive exPlanations）分析，揭示了温度效应的拐点（25°C）、风速扩散阈值（1.5 m/s）以及高温适中湿度（

　　25°C + 70–85% RH）下的最佳生成条件。这些气象响应模式在物理上合理且与描述性结果一致。在四种代表性气象情景下，MTFT的MAE值范围为59.5–82.1 ions/cm

　　）量级相当，且各情景性能保持可比。研究人员构建的双模型预测系统已应用于江苏省气象业务系统。

　　负空气离子（negative air ions, NAI）是评估空气质量和森林生态系统健康效益的关键指标，对生态旅游规划和公共卫生服务具有重要价值。然而，现有研究多采用传统统计方法分析NAI浓度的影响因素，难以充分捕捉气象驱动因子间的复杂非线性交互作用，且在时间序列预测方面存在“回顾性分析”与“前瞻性预测”之间的鸿沟。此外，多步预测、模型可解释性和鲁棒性评估等方面的研究不足，限制了NAI预测成果向业务应用的转化。因此，开展基于深度学习的NAI浓度预测研究具有重要的实践意义。

　　研究人员基于江苏省31个环境监测站2021–2023年的连续观测数据，系统分析了NAI浓度的时空分布特征，并构建了两种深度学习预测模型：1天预测模型TCN-注意力和7天滑动预测模型MTFT。研究得出以下结论：NAI浓度呈现显著的时空异质性，空间上呈“北高南低”的纬度梯度，时间上呈“夏高冬低”的季节变化。温度是NAI浓度的主要驱动因素，主效应贡献比例达39.4%，温度与湿度、风速的交互作用分别贡献28.9%和14.4%。TCN-注意力在1天预测任务中达到R2=0.917，MAE为167.5 ions/cm3，比传统机器学习方法低2.7%–7.8%。MTFT在7天滑动预测中总体R2=0.866，相对R2超过传统方法18.6%–29.8%，表明序列建模优势随预测时长增加而增强。预测误差呈现系统性季节结构：夏季和秋季误差低于冬季和春季。SHAP分析揭示了温度效应拐点（25°C）、风速扩散阈值（1.5 m/s）以及高温适中湿度（>

　　25°C + 70–85% RH）的最佳生成条件，这些响应模式与物理机制一致。在四种代表性气象情景下，MTFT的MAE为59.5–82.1 ions/cm3，与整体测试误差相当，验证了模型鲁棒性。该双模型预测系统已部署于江苏省气象业务系统，为NAI资源评估、森林康养活动规划和生态旅游发展提供技术支撑。论文发表在《Frontiers in Environmental Science》。

　　研究人员使用江苏省31个环境监测站2021–2023年的连续日观测数据（包括NAI浓度和气象因素）。采用三个关键方法：1）TCN-注意力模型：基于膨胀因果卷积（Dilated Causal Convolution）和注意力机制，利用21天历史窗口进行1天预测；2）MTFT模型：基于Transformer编码器（含多头自注意力机制）和残差预测目标，利用28天历史窗口进行7天端到端序列生成；3）SHAP可解释性分析：基于随机森林（Random Forest）拟合观测NAI浓度与10个气象因素的关系，使用TreeSHAP计算特征贡献。模型评估采用滚动原点交叉验证（expanding-window rolling-origin cross-validation），超参数通过网格搜索和提前停止法确定。

　　通过空间插值和统计分析，研究人员发现NAI浓度呈纬度梯度（北高南低），且夏季高于冬季，昼夜变化呈现季节差异。温度与NAI浓度呈显著正相关（R2=0.631），温度与湿度、温度与风速的交互作用对NAI浓度有重要贡献，高温适中湿度（>

　　25°C + 70–85% RH）为最佳生成条件。

　　TCN-注意力在1天预测中优于所有传统方法，MAE最低（167.5 ions/cm3），R2最高（0.917）。MTFT在7天预测中总体R2=0.866，MAE=73.4 ions/cm3，误差随预测步长增加而增大但增速减缓，且夏季和秋季误差低于冬季和春季。MTFT与传统方法相比，性能提升幅度在7天任务中大于1天任务。

　　SHAP分析显示，温度贡献在25°C时转为正，存在拐点；风速贡南宫智能科技献在1.5 m/s后下降。观测浓度双变量热图证实高温适中湿度对应高浓度。在四种典型气象情南宫智能科技景（高温干燥、高温有雨、低温干燥、低温有雨）下，MTFT的MAE范围为59.5–82.1 ions/cm3，与整体测试误差（73.4 ions/cm3）量级相当，表明模型鲁棒性良好。

　　讨论部分指出，TCN-注意力和MTFT的优势在于有效建模NAI浓度的强时间依赖性（ACF(1)=0.963）及非线性交互作用。SHAP揭示的气象响应模式（温度拐点、风速阈值、高温适中湿度组合）与物理机制高度一致，且为季节性可预测性差异提供了物理解释。研究局限性包括数据时空覆盖有限、未纳入植被和颗粒物等协变量，未来需融合多源数据并探索迁移学习。结论部分总结：NAI浓度呈显著时空分异（北高南低、夏高冬低）；温度是主要驱动因子（主效应39.4%）；TCN-注意力实现高精度日预测（R

　　=0.866），且优势随预测时长扩大；预测难度呈现系统性季节结构（夏秋误差低于冬春）；模型在四种典型气象情景下误差一致；SHAP分析的气象效应与物理机制一致。该双模型系统已应用于江苏省气象业务。