169 / 2023-05-01 17:36:30

应用城市传感器网络建立高精度PM2.5污染地图

PM2.5,传感器网络；,机器学习,时空模型

由于空间分布稀疏，城市地区的监测网络无法支持精细的PM2.5暴露评估，而新兴的低成本、高密度的传感器网络显示出巨大的潜力。由于数据加密性，在中国仍然缺乏结合城市传感器网络来建立高分辨率的PM2.5地图。在这项研究中，基于北京652个1小时分辨率的低成本传感器，建立了基于土地利用回归（LUR）和随机森林（RF）模型的PM2.5的时空模型。RF模型的表现优于LUR模型，10倍交叉验证R2为0.89。基于RF模型，本研究获得空间分辨率为1km的PM2.5浓度日均值分布地图。与开源的TAP（Tracking Air Pollution）和CHAP（China High Air Pollutants）数据集相比，本研究的预测显示出良好的空间一致性（TAP：r>0.88；CHAP：r>0.95），但能更精确的捕捉污染热点与冷点。此外，与仅基于监管站建立的模型相比，本研究估算的人口加权PM2.5浓度在高污染时期减少7μg/cm3。随着低成本传感器的流行，本研究的建模方法可推广至资源受限的城市环境，以促进更精准的污染热点识别与暴露评估研究。