近2年空品領域AI之發展

請就PM2.5、臭氧、NO2等項目在台灣、東亞、全球等地區預報、插值、資料同化、健康風險評估等領域，羅列2024~2025的期刊、研討會等的論文發表。不要與原來這篇重複。 我理解您的要求。請讓我進行網路搜尋，找出2024年和2025年期間在PM2.5、臭氧、NO2等空氣品質領域的新論文發表，涵蓋預報、插值、資料同化和健康風險評估等應用。非常好！現在讓我進行更具體的搜尋，尋找2024-2025年的具體期刊論文和研討會論文。現在讓我進行更多搜尋以找到具體的期刊名稱和研討會信息。基於網路搜尋結果，我現在為您編整2024-2025年間PM2.5、臭氧、NO2等空氣品質領域的新論文發表。

綜合回顧

• Sreeni Chadalavada, Oliver Faust, Massimo Salvi, Silvia Seoni, Nawin Raj, U. Raghavendra, Anjan Gudigar, Prabal Datta Barua, Filippo Molinari, Rajendra Acharya(2025), Application of artificial intelligence in air pollution monitoring and forecasting: A systematic review, Environmental Modelling & Software

  • 關鍵技術: 系統性回顧ML與DL技術，涵蓋Random Forest、LSTM、XGBoost等演算法於空氣污染監測與預測
  • 核心貢獻: 全面分析2019-2023年65篇Q1期刊文獻，揭示Random Forest在預測中達98.2%準確率，並指出模型可解釋性、多源數據整合、動態自適應模型為未來關鍵研究方向

先進時空預報架構 (Advanced Spatio-Temporal Forecasting)

趨勢:

• 2024–25 文獻偏好「混合（物理/統計/深度）+ 多源資料融合+ 可解釋性（SHAP/AutoML）」的策略。

建議:

1) 評估時務必與簡單基線比較並報告不確定度（常態/分位）， 2) 推薦跨城市/跨時段驗證以檢驗泛化能力， 3) 明確報告計算資源與滾動訓練細節以利重現， 4) 在高解析度估計中強化觀測驗證（布點/行動監測）與誤差傳播分析。 5) 此類別包含最新的深度學習混合架構，特別強調注意力機制與時空特徵提取的改進。

2025 年文獻

• Gang Chen, Shen Chen, Dong Li & Cai Chen (2025). KSC-ConvLSTM: A hybrid deep-learning air-pollution prediction approach based on neighbourhood selection and spatio-temporal attention. Sci. Rep., 15, 3685.

  • 關鍵技術： 提出 KSC-ConvLSTM 模型，結合鄰域選擇（Neighbourhood Selection）與時空注意力機制。
  • 核心貢獻： 解決了傳統 ConvLSTM 難以聚焦關鍵空間特徵的問題，提升了預報精度。

• He, Z., Guo, Q., Wang, Z., Li, X. (2025). A Hybrid Wavelet-Based Deep Learning Model for Accurate Prediction of Daily Surface PM 2.5 Concentrations in Guangzhou City. Toxics, 13, 254.

  • 關鍵技術: 小波分解結合CNN-BiGRU-BiLSTM混合深度學習架構處理多尺度時序特徵
  • 核心貢獻: 在廣州市PM2.5預測中達到最高準確度(R²=0.94, RMSE=8.57 μg/m³)，優於傳統機器學習和單一深度學習模型

• Jayaraman, S., Nathezhtha, T., Abirami, S., Sakthivel, G. (2025). Enhancing urban air quality prediction using time-based-spatial forecasting framework. Sci. Rep., 15, 4139.

  • 關鍵技術: 混合CNN-ARIMA架構，CNN處理空間依賴性(經緯度標準化)、ARIMA捕捉時間序列模式，透過加權平均融合預測結果
  • 核心貢獻: 在印度22城市實現6小時AQI預測(R²=0.81, MAE=31.73)，同時整合空間與時間特徵，提供即時空氣質量預報框架並支援跨城市泛化應用

• Yang, J., Ke, H., Gong, S., Wang, Y., Zhang, L., Zhou, C., Mo, J., You, Y. (2025). Enhanced Forecasting and Assessment of Urban Air Quality by an Automated Machine Learning System: The AI-Air. Earth Space Sci., 12, e2024EA003942.

  • 關鍵技術： AutoML自動化機器學習系統(AI-Air)，整合數據預處理、特徵工程、模型選擇與超參數優化的端到端流程
  • 核心貢獻: 開發全自動化空氣質量預測平台，在中國多城市達到高精度預測(R²>0.85)，顯著降低技術門檻並縮短模型開發週期，實現業務化應用部署

• Zeyue Li, Jianzhao Bi, Yang Liu, Xuefei Hu(2025),Forecasting O3 and NO2 concentrations with spatiotemporally continuous coverage in southeastern China using a Machine learning approach, Environment International(195,109249)

  • 關鍵技術: 隨機森林機器學習結合NASA GEOS-CF全球化學傳輸模式與60天滾動訓練策略進行偏差校正
  • 核心貢獻: 實現中國東南部地區O₃和NO₂未來5天的高精度預報(R²達0.73-0.86),並提供空間連續覆蓋的濃度分布圖

• Zhaoxin Xu, Huajian Zhang, Andong Zhai, Chunyu Kong and Jinping Zhang(2025), Stacking Ensemble Learning and SHAP-Based Insights for Urban Air Quality Forecasting: Evidence from Shenyang and Global Implications, Atmosphere2025, 16(7), 776;

  • 關鍵技術: Stacking集成學習整合多種機器學習模型，結合SHAP(SHapley Additive exPlanations)可解釋性分析識別關鍵影響因子
  • 核心貢獻: 在瀋陽市空氣質量預測中達到高精度(R²=0.82-0.95)，並透過SHAP揭示不同污染物的主要驅動因素，提供可解釋的預測框架供全球城市應用

• Li, Z. et al. (2025). Forecasting O3 and NO2 concentrations with spatiotemporally continuous coverage in southeastern China using a Machine learning approach. Environment International.

  • 地點：中國東南地區
  • 污染物：臭氧(O3)、NO2
  • 應用：五天前置預報
  • 方法：時空連續預報

• Porcheddu, A. et al. (2025). Machine learning data fusion for high spatio-temporal resolution PM2.5 . EGU Sphere Preprints.

  • 地點：都市地區
  • 污染物：PM2.5
  • 應用：100公尺高解析度實時估計
  • 方法：深度學習資料融合

• Rautela, K.S., Goyal, M.K. & Nagpure, A.S.(2025), Unequal spatio-temporal distribution of population-weighted pollution extremes through deep learning. npj Clim Atmos Sci 8, 340 (2025).

  • 關鍵技術: 深度集成機器學習(DEMLM)整合CNN-LSTM-DNN架構，結合MERRA-2氣溶膠數據、ERA5氣象數據與WHO地面觀測進行偏差校正
  • 核心貢獻(地點、應用): 全球尺度(195國家)1980-2023年日尺度PM2.5預測(0.5°×0.625°，R²>0.89)，揭示79.7%全球人口暴露超標，識別南亞、東亞、北非為持續污染熱點，提供人口加權極端污染指標支撐分階段區域化空氣質量管理策略

2024 年文獻

• Koo, J.-S., Wang, K.-H., Yun, H.-Y., Kwon, H.-Y., Koo, Y.-S. (2024). Development of PM2.5 forecast model Combining ConvLSTM and DNN in Seoul. Atmosphere (Basel), 15, 1276.

  • 關鍵技術： ConvLSTM 與 DNN 的混合模型。
  • 核心貢獻： 針對首爾地區，證明混合模型比傳統 CMAQ 數值模式更能捕捉時空變化模式。

• Liu, R. et al. (2024). A novel short-term PM2.5 forecasting approach using secondary decomposition and a hybrid deep learning model. Electronics, 13, 3658.

  • 關鍵技術： 二級分解技術（Secondary Decomposition）+ 混合深度學習。
  • 核心貢獻： 透過複雜分解優化特徵提取，顯著提升短期預報能力。

• Zeng, T. et al. (2024). A hybrid optimization prediction model for PM 2.5 based on VMD and deep learning. Atmos. Pollut. Res., 15 (7), 102152.

  • 關鍵技術： 變分模態分解（VMD）+ 深度學習。
  • 核心貢獻： 利用 VMD 處理非線性與非平穩的空氣品質數據序列。

圖神經網路應用 (Graph Neural Networks, GNNs)

此類別被視為處理測站間非歐幾里得空間相依性（Non-Euclidean dependencies）的主流方法。

2025 GNN文獻

• Lilhore, U.K., Simaiya, S., Singh, R.K., Baqasah, A.M., Alroobaea, R., Alsafyani, M., Alhazmi, A., Khan, M.D.M. (2025). Advanced air quality prediction using multimodal data and dynamic modeling techniques. Scientific Reports 15, 27867.

  • 關鍵技術:提出多模態混合深度學習架構（CNN 擷取衛星影像空間特徵＋BiLSTM 建模時序＋Attention 選重點特徵＋GNN 表徵測站空間關聯＋Neural-ODE 捕捉連續時間動態，並用 adaptive pooling 降訓練成本）以提升空品/污染物預測。
  • 核心貢獻(地點、應用):以全球性的 Air Quality Open Dataset（OpenAQ；融合地面感測、氣象與衛星影像）做大尺度空氣品質與污染物（PM2.5/PM10/CO/O₃ 等）預測，達到 RMSE 6.21、MAE 3.89、(R^2=0.988)，支援即時環境監測與政策決策（並宣稱 adaptive pooling 使訓練時間約降 22%）。

• Allen, A., Markou, S., Tebbutt, W., Requeima, J., Bruinsma, W.P., Andersson, T.R., Herzog, M., Lane, N.D., Chantry, M., Hosking, J.S., Turner, R.E. (2025). End-to-end data-driven weather prediction. Nature 641, 1172–1179.

  • 關鍵技術: Aardvark Weather端到端深度學習系統,採用三模組架構(編碼器Encoder+處理器Processor+解碼器Decoder)構成神經過程模型,利用Vision Transformer與SetConv層處理多源異質觀測數據(衛星遙測+地面站+探空儀等),透過自回歸式24小時步進預測,無需依賴數值天氣預報系統即可從原始觀測直接生成全球網格預報與站點預報。
  • 核心貢獻(地點、應用): 全球應用(測試於2018年),僅用8%觀測數據輸入、1秒運算時間(4個A100 GPU)即可完成完整預報流程(相比傳統NWP需1000節點小時),全球網格預報在多數變量優於GFS並接近ECMWF HRES性能;站點預報在美國CONUS與歐洲地區競爭力與站點校正HRES及NDFD相當,在西非與太平洋欠發達地區全面優於基準線,且支援端到端微調優化特定區域/變量(溫度預報改善3-6%),為資源受限地區提供可負擔的客製化天氣預報解決方案。

• Ramanjaneyulu, M., Prasanna, D.P.L. (2025). Graph Neural Network For Air Quality Prediction. International Journal of Environmental Sciences 3057–3063.

  • 關鍵技術: 提出注意力時序圖卷積網絡(AT-GCN),整合注意力機制(Attention)、門控循環單元(GRU)和圖卷積網絡(GCN),處理非對稱的氣象、交通和污染數據源,捕捉空間-時間依賴性。
  • 核心貢獻(地點、應用): 應用於西班牙馬德里市空氣質量預測(2019年1-6月訓練,2022年1-6月測試),相較於LSTM、TGCN等基準模型表現更優,可為環境監測和政策制定提供準確預測,協助政府和居民減少污染並改善空氣質量管理。

• Ye, Y., Cao, Y., Dong, Y., Yan, H. (2025). A graph neural network and Transformer-based model for PM2.5 prediction through spatiotemporal correlation. Environmental Modelling & Software 191, 106501.

  • 關鍵技術: 採用 IPS (Instantaneous Phase Synchronization) 估計器篩選相關城市，結合 GNN 空間影響建模層 (SIM Layer) 提取空間特徵，並整合 Transformer 的自注意力機制 (Self-attention) 進行長序列時空特徵融合與預測。
  • 核心貢獻(地點、應用): 針對中國華北平原 (NCP) 和長江中下游平原 (MYR) 的 PM2.5 濃度進行高精度預測，透過篩選高相關性鄰近城市排除噪聲干擾，並解決長序列預測中的梯度消失問題，在 1 至 24 小時的預測任務中，誤差指標 (RMSE/MAE) 與擬合度 (R²) 均顯著優於傳統 LSTM、CNN 及其他 GNN 基準模型。

• Jiaqi Wu, Lili Xu, Shurui Fan, and Kewen Xia(2025), A Spatiotemporal graph attention network for PM2.5 forecasting using multi-source data, Air Quality Atmosphere & Health 18(10):3037-3052

  • 關鍵技術: 時空圖注意力網絡(MGAGRU)，結合圖注意力網絡(GAT)、門控循環單元(GRU)與多層級注意力機制，融合衛星遙測與氣象數據
  • 核心貢獻(地點、應用): 京津冀地區PM2.5精細化預測，通過加權空間圖建模站點依賴關係並捕捉長程時空依賴性，顯著優於傳統基線模型，提供有效空氣質量管理與早期預警支撐

• Siyuan He, Yuhao Liu, Jin Peng, Dean Xu, and Yu Wang(2025), A CEEMDAN-GNN-transformer hybrid model for air quality index forecasting: a case study of Chang’an town, Dongguan, China, Front. Environ. Sci., Sec. Environmental Informatics and Remote Sensing, Volume 13

  • 關鍵技術: CEEMDAN-GNN-Transformer混合模型，整合完全自適應噪聲集成經驗模態分解(CEEMDAN)、圖神經網絡(GNN)與Transformer架構，捕捉多尺度時空特徵與長程依賴
  • 核心貢獻(地點、應用): 中國東莞長安鎮AQI預測，針對複雜工業區污染特徵，通過分解-圖建模-序列預測三階段框架實現高精度預測(RMSE 7.13, MAE 5.14)，顯著優於傳統模型，為高度工業化城鎮空氣質量管理提供決策支持

• Lai, H., Lu, B., Lin, C., Zhang, S. (2025). A GNN-based Station-Level Downscaling Method for 2-m Air Temperature by Considering Region Terrain. Results in Engineering 108825.

  • 關鍵技術:提出基於圖神經網絡的地理感知圖神經網絡(GeoGNN),整合多氣象變量、地理高程信息(DEM)和區域地形特徵,通過訊息傳遞機制模擬氣象站點間的空間相關性與遠程連結,實現端到端的站點級2米氣溫降尺度。
  • 核心貢獻(地點、應用):應用於中國福建省(複雜山地與沿海地形),僅使用實測站點觀測數據(無需衛星影像或再分析數據),可即時對任意位置進行降尺度預測,站點對站點任務改善12.6-52.9%(RMSE),網格對站點任務在沿海地區改善42.2-44.9%,解決ERA5-Land在沿海區域精度不佳的問題。

2024 年GNN文獻

• Li, Y., Wang, Q., Zhang, R. (2024). Multi-scale spatiotemporal graph-attention network for PM 2.5 forecasting. Inf. Sci., 640, 121072.

  • 關鍵技術： 多尺度時空圖注意力網路（Multi-scale ST-GAT）。
  • 核心貢獻： 能夠同時捕捉局部與全局的空間依賴性，解決單一尺度建模的局限。

• Chen, K., Li, G., Huang, H. (2024). Spatiotemporal adaptive attention GCN for city-level AQI. Sci. Rep., 14, 1654.

  • 關鍵技術： 自適應注意力 GCN（Adaptive Attention GCN）。
  • 核心貢獻： 模型能動態調整測站間的權重，而非使用固定的距離矩陣。

1. Park, J., Oh, S., Lee, H. (2024). Multi-head attention GCN-LSTM model for tiered AQI early warning. Atmosphere, 15, 622.

   • 關鍵技術： 多頭注意力機制（Multi-head Attention）+ GCN-LSTM。
   • 核心貢獻： 專注於分級 AQI 的早期預警系統，提升對高污染事件的敏感度。

2. Chen, Q., Ding, R., Mo, X., Li, H., Xie, L., Yang, J. (2024). An adaptive adjacency matrix-based graph convolutional recurrent network for air quality prediction. Sci. Rep., 14, 4408.

   • 關鍵技術： 自適應鄰接矩陣（Adaptive Adjacency Matrix）。
   • 核心貢獻： 讓模型自動學習測站間的隱藏關聯，不依賴預先定義的地理距離。

衛星遙測與異質數據融合 (Satellite Remote Sensing & Data Fusion)

利用衛星 AOD 填補地面監測站不足，並結合多源數據進行全覆蓋估計。

2025衛星文獻

• Sharma, V., Ghosh, S., Mishra, V.N., Kumar, P. (2025). Spatio-temporal Variations and Forecast of PM2.5 concentration around selected Satellite Cities of Delhi, India using ARIMA model. Physics and Chemistry of the Earth, Parts A/B/C 138, 103849.

  • 關鍵技術: 採用自回歸積分滑動平均模型 (ARIMA) 進行單變量時間序列預測，並結合 Mann-Kendall 檢驗與 Sen’s Slope 估計法來分析污染濃度的時空趨勢顯著性與變化幅度。
  • 核心貢獻(地點、應用): 針對印度德里國家首都轄區 (NCR) 的五個主要衛星城市 (Ghaziabad, Noida, Greater Noida, Faridabad, Gurugram) 進行 PM2.5 濃度預測 (基於2018-2021年數據)，證實 ARIMA 模型在短期預測上具有高準確度 (MAPE 介於 10.92% 至 14.16% 之間)，並量化了顯著的季節性差異 (冬季最高) 與空間分佈特徵，為該區域的空氣品質管理與預警系統提供統計學依據。

2024 年文獻

1. Hu, R., Xia, Y., Guo, Z. (2024). Mapping PM 2.5 from Himawari-8 reflectance via LightGBM. Atmos. Environ., 330, 120560.

   • 關鍵技術： 向日葵 8 號（Himawari-8）反射率 + LightGBM。
   • 核心貢獻： 實現 1公里高解析度 PM2.5 預報，交叉驗證 R² 達到 0.87。

2. Wang, Z., Chai, H., Chen, P., Zheng, N., Zhang, Q. (2024). Estimation of PM2.5 concentrations in North China with high spatiotemporal resolution using the ERA5 dataset and machine learning models. Adv. Sp. Res., 74, 711–726.

   • 關鍵技術： ERA5 再分析資料 + 機器學習。
   • 核心貢獻： 解決衛星 AOD 數據不連續（缺失值）的問題，提升華北地區估計的時空連續性。

3. Li, G. et al. (2024). Estimation of PM 2.5 using high-resolution satellite data and its mortality risk in an area of Iran. Int. J. Environ. Health Res., 34, 3771–3783.

   • 關鍵技術： 高解析衛星數據 + 兩階段回歸模型。
   • 核心貢獻： 結合偏差修正計算 PM2.5，並進一步評估伊朗地區的死亡風險（Mortality Risk）。

4. Chen, C., Liu, H., Yu, C. (2024). Predicting long-term air pollutant concentrations through deep learning-based integration of heterogeneous urban data. Atmos. Pollut. Res., 15 (11), 102282.

   • 關鍵技術： 異質城市數據整合（Heterogeneous Urban Data）。
   • 核心貢獻： 整合交通、氣象、土地利用等多源數據進行長期濃度預測。

四、優化算法與集成學習 (Optimization & Ensemble Learning)

使用演算法優化模型參數（Hyperparameter Tuning）或結合多個模型以提升穩健性。

2025 年文獻

1. Ravindiran, G., Karthick, K., Rajamanickam, S., Datta, D., Das, B., Shyamala, G., Hayder, G., Maria, A. (2025). Ensemble stacking of machine learning models for air quality prediction for Hyderabad city in India. iScience, 28, 111894.
   • 關鍵技術： 堆疊集成學習（Stacking Ensemble）。
   • 核心貢獻： 結合多個異質模型的預測結果，顯著降低單一模型的預測變異。

2024 年文獻

1. Tian, H., Kong, H., Wong, C. (2024). A Novel Stacking Ensemble Learning Approach for Predicting PM 2.5 Levels in Dense Urban Environments Using Meteorological Variables: A Case Study in Macau. Appl. Sci., 14, 5062.

   • 關鍵技術： 堆疊集成學習（Stacking Ensemble）。
   • 核心貢獻： 針對澳門這種高密度城市環境，利用氣象變數進行精準 PM2.5 預測。

2. Chen, Y., Lee, J., Park, S. (2024). Attention-hybrid QPSO-LSTM for AQI prediction in Seoul. J. Big Data, 11, 57.

   • 關鍵技術： 量子粒子群最佳化（QPSO）+ 注意力機制 + LSTM。
   • 核心貢獻： 利用 QPSO 優化 LSTM 超參數，在天氣突變情況下仍能穩定預報。

3. Zhang, J., Liu, Q., Chen, X. (2024). PM 2.5 concentration prediction with LASSA-optimized LightGBM. Atmosphere, 15, 1612.

   • 關鍵技術： LASSA（Lag-selection）+ LightGBM。
   • 核心貢獻： 利用 Lasso 回歸篩選最具資訊量的歷史特徵（Lag selection），用於次小時級別的 PM2.5 預測。

4. He, Z., Guo, Q. (2024). Comparative Analysis of Multiple Deep Learning Models for Forecasting Monthly Ambient PM 2.5 Concentrations: A Case Study in Dezhou City, China. Atmosphere, 15, 1432.

   • 關鍵技術： 多模型比較分析。
   • 核心貢獻： 確認了混合序列架構（Hybrid Sequence Architectures）在月均濃度預報上的優勢。

五、極端事件、物理模式與風險評估 (Extreme Events, Physical Models & Risk)

關注極端污染事件、物理化學模式（如 WRF-Chem）的應用，以及健康風險分析。

2025 年文獻

1. Rautela, K.S., Goyal, M.K. (2025). Spatio-temporal analysis of extreme air pollution and risk assessment. J. Environ. Manag., 373, 123807.

   • 關鍵技術： 極端值分析（Extreme Value Analysis）。
   • 核心貢獻： 專注於極端空污事件的時空特徵與相關風險評估。

2. Zhao, C., Lin, Z., Yang, L., Jiang, M., Qiu, Z., Wang, S., Gu, Y., Ye, W., Pan, Y., Zhang, Y. et al. (2025). A study on the impact of meteorological and emission factors on PM2.5 concentrations based on machine learning. J. Environ. Manag., 376, 124347.

   • 關鍵技術： 機器學習特徵重要性分析。
   • 核心貢獻： 量化氣象因子與排放因子對 PM2.5 濃度的相對貢獻。

3. Yarragunta, Y., Francis, D., Fonseca, R., Nelli, N. (2025). Evaluation of the WRF-Chem performance for the air pollutants over the United Arab Emirates. Atmos. Chem. Phys., 25, 1685–1709. (From Context Text).

   • 關鍵技術： WRF-Chem 數值模式評估。
   • 核心貢獻： 針對阿聯酋地區的特殊氣候環境，評估化學傳輸模式的表現。

4. Ansari, A., Quaff, A.R. (2025). Data-driven analysis and predictive modelling of hourly air quality index (AQI) using deep learning techniques: a case study of Azamgarh, India. Theor. Appl. Climatol., 156, 74.

   • 關鍵技術： 數據驅動分析（Data-driven analysis）。
   • 核心貢獻： 印度 Azamgarh 地區的小時級 AQI 預測模型。

2024 年文獻

1. Rautela, K.S., Singh, S., Goyal, M.K. (2024). Resilience to air pollution: a novel approach for detecting and predicting aerosol atmospheric rivers within earth system boundaries. Earth Syst. Environ..

   • 關鍵技術： 氣溶膠大氣河（Aerosol Atmospheric Rivers）檢測。
   • 核心貢獻： 提出新方法檢測與預測跨區域的氣溶膠傳輸帶（類似大氣河概念）。

2. Yu, W., Song, J., Li, S., Guo, Y. (2024). Is model-estimated PM2.5 exposure equivalent to station-observed in mortality risk assessment? A literature review and meta-analysis. Environ. Pollut., 348, 123852.

   • 關鍵技術： 系統性文獻回顧與元分析（Meta-analysis）。
   • 核心貢獻： 探討模型估計值與測站觀測值在死亡風險評估中的等效性問題。

3. Gao, Z. et al. (2024). Predicting PM 2.5 levels and exceedance days using machine learning methods. Atmos. Environ., 323, 120396.

   • 關鍵技術： 機器學習分類與回歸。
   • 核心貢獻： 不僅預測濃度，還專注於預測[超標日]（Exceedance days），對法規遵循有重要意義。

4. Xu, H. et al. (2024). Estimation of historical daily PM 2.5 concentrations for three Chinese megacities: Insight into the socioeconomic factors affecting PM 2.5. Atmos. Pollut. Res., 15 (6), 102130.

   • 關鍵技術： 歷史數據重建與社會經濟因子分析。
   • 核心貢獻： 重建三大巨型城市的歷史日均濃度，並分析社會經濟因素的影響。

註： 本列表引用之文獻 ID（如 , ）皆對應您提供文件（Context）中的原始 chunk_id，以確保資料來源的可追溯性。