近日，清华大学深圳国际研究生院黄儒麒团队同郑博团队合作，在城市空气污染高精度建图领域取得重要进展。合作团队提出了一种全新的三维隐式表示方法，能够从稀疏、不完整甚至质量较差的空气污染观测数据中自适应生成高分辨率污染分布图，为实现更灵活、更可靠的城市环境监测提供了技术支撑。该成果有望推动污染监测从固定网格化、规则化向更加连续、精细和智能的空间表示发展，助力精准治理与环境决策。
图1：团队提出的HF-SDF框架的训练与推断流程图
该研究首次将隐式表示模型引入空气污染浓度场的建模与重建任务中，通过几何约束和深度神经网络结合的方式，提出了名为“HF-SDF（Height-Field Signed Distance Function，高程场符号距离函数）”的新颖框架（图1）。不同于传统遥感插值或多变量回归类模型，HF-SDF不依赖于路网、土地利用等外部先验信息，而是将污染浓度场建模为一个连续可微的三维隐式函数，使得每一个二维空间位置都可以在任意分辨率下进行查询和建图。
图2：在观测点稀疏或数据缺失的情况下，HF-SDF可对热点区域进行识别并做高质量重建
图3：面对不同分辨率、不同来源的输入，HF-SDF可输出一致、可靠的超分辨结果
在多个城市与区域的实测数据实验中，HF-SDF展现出卓越的泛化能力和精度表现。尤其在数据观测点稀疏或存在缺失的场景下，该方法仍能保持对热点区域的有效识别和连续建图能力（图2），相比传统方法在污染峰值和边缘区域估计中具有更优表现。同时，该方法支持直接从卫星反演结果中对污染分布实现超分辨（图3），在面向卫星遥感、无人机航拍等新型数据源场景中具备广泛应用前景。
该研究成果以“基于新型隐式三维表达的空气污染自适应高分辨率建图方法”（Adaptive high-resolution mapping of air pollution with a novel implicit 3D representation approach）为题，发表于环境科学领域的高水平期刊《npj气候与大气科学》（npj Climate and Atmospheric Science）。本论文第一作者为清华大学深圳国际研究生院2021级数据科学与信息技术专业硕士生张婷，通讯作者为清华大学深圳国际研究生院助理教授黄儒麒和副教授郑博。该研究得到了国家自然科学基金面上项目以及重点项目支持。
论文链接：https://doi.org/10.1038/s41612-025-01044-6
图/文：张婷
编辑：戴雨静
审核：聂晓梅
排版：曹芷若
