厦门大学公共事务学院教授刘建政、硕士研究生郑祖镕、上海交通大学中英国际低碳学院助理教授姚飞、香港大学建筑学院城市规划及设计系长聘副教授李卫锋在期刊Journal of Hazardous Materials（有害物质杂志）上发表论文“A multi-view machine learning approach for estimating PM2.5 concentrations from smartphone photographs”。Journal of Hazardous Materials是危险物质以及相关环境风险的识别、监测、评估、防控领域的SCI期刊，2024年影响因子为11.3。
研究背景
PM2.5是威胁公众健康的重要空气污染物。当前，公众获取PM2.5信息主要依赖固定空气质量监测站。然而，监测站数量有限、空间覆盖不足，其发布的数据通常只能反映区域平均PM2.5水平，难以准确代表个体在街道、校园、社区、公园、道路等日常微环境中的真实暴露情况。
随着智能手机的普及，利用手机照片估算空气污染水平成为一种低成本、易推广的新方法。空气污染程度不同，会使智能手机拍摄出的图像在颜色、对比度、纹理和清晰度上产生差异。因此，手机照片中蕴含着与PM2.5浓度密切相关的视觉信息。
已有研究仍存在两个重要局限。第一，许多研究将照片与附近监测站数据进行匹配，但照片拍摄的时间、地点与监测站数据的时间、地点之间存在较大的差异，造成训练数据的时空不匹配。第二，既有方法大多依赖单视角照片，容易受到拍摄方向、光照条件和画面内容变化的影响，导致模型估算结果不稳健。
为解决上述问题，本研究构建了一个PM2.5实测值与多视角手机照片时空精确匹配的数据集，并提出了一种基于多视角机器学习的手机照片PM2.5估算方法。在河北和福建两省开展的实验结果表明，相较于传统方法，该方法显著提升了PM2.5浓度估算的准确性和稳定性。
研究方法
本研究在河北和福建两省开展实地数据采集。研究团队使用手持式气溶胶监测仪、厘米级GPS接收机和智能手机，在不同城市环境中同步采集PM2.5浓度、地理位置和手机照片。
在每个采样点，研究人员拍摄前、后、左、右、天空和地面六个方向的照片，并同步记录PM2.5浓度和位置信息，从而构建严格时空配准的多视角手机照片—PM2.5浓度数据集。
在模型构建方面，研究首先利用语义分割方法识别图像中的天空、植被、建筑和地面等区域，再分别提取颜色、透射率、信息熵和局部二值模式等图像特征。同时，模型还纳入相对湿度和太阳天顶角等环境变量，以控制湿度和光照条件对图像视觉特征的影响。最后，研究使用XGBoost机器学习模型建立图像特征与PM2.5浓度之间的关系，并在河北和福建两个数据集上分别进行训练和测试。
研究结果
研究结果显示，基于多视角手机照片的机器学习方法能够较好估算PM2.5浓度。在河北数据集上，模型表现出较优的估算性能，R²=0.96、RMSE=6.82 μg/m³；在福建数据集上，模型同样表现良好，R²=0.89、RMSE=3.63 μg/m³。这表明，该方法在北方污染水平较高地区和南方污染水平较低地区均具有良好的适用性。
研究发现，多视角图像能够提升模型表现。相比单张照片，多视角照片可以提供更丰富的环境信息，降低单一拍摄角度和局部光照条件带来的不确定性。特征重要性分析进一步表明，天空区域的图像特征、植被颜色、图像纹理和相对湿度是影响PM2.5估算的重要因素。其中，天空区域能够较为稳定地反映颗粒物引起的光散射和能见度变化；相对湿度则与气溶胶吸湿增长及图像清晰度密切关联，因此在模型中具有重要作用。不同地区的关键特征也存在差异，例如河北数据集中植被颜色贡献较高，而福建数据集中天空纹理和湿度因素更加突出。
研究意义
该研究为精细化识别城市空气污染暴露差异提供了一种新的数据采集方式和技术框架。传统空气质量监测主要依赖固定监测站，难以捕捉街道、社区、公园、校园、交通廊道等城市微空间中的污染差异。相比之下，本研究通过同步采集PM2.5实测值、地理位置和多视角手机照片，将空气污染监测从少数固定站点拓展到更贴近日常生活场景的城市空间，有助于揭示不同建成环境、道路形态、绿化条件和活动场景下的空气污染暴露特征。该方法可为城市环境治理提供更加精细的数据支持。
基于该研究提出的风险监测方法，研究团队开发了“空气相机”智能手机应用，将相关模型嵌入实际场景，初步实现了空气质量监测技术的应用落地。该应用有望通过日常拍摄为用户提供便捷的空气质量信息反馈，实现研究成果向公众行为干预工具的转化。
文献引用
Liu, J., Zheng, Z., Yao, F., & Li, W. (2026). A multi-view machine learning approach for estimating PM2.5 concentrations from smartphone photographs. Journal of Hazardous Materials, 142172. https://doi.org/10.1016/j.jhazmat.2026.142172