用于估算美国大陆每日 PM2.5 浓度的贝叶斯降尺度模型
应用统计
2018-09-14 v1
摘要
基于卫星遥感数据扩展地面 PM2.5 监测网络覆盖范围的兴趣日益增长。凭借广阔的空间与时间覆盖，卫星监测网络在空气 quality 数据的时空可用性方面具有强力补充地面监测系统的潜力。然而，大多数现有校准模型聚焦于相对小的空间域，不能推广到全国尺度研究。本文中，我们提出了一个统计上可靠且可解释的全国建模框架，其基于贝叶斯降尺度方法，应用于利用 2011 年卫星反演的气溶胶光学厚度(AOD)及其他辅助预测变量校准美国大陆每日地面 PM2.5 浓度。我们的方法灵活地对 PM2.5 与 AOD 以及跨气候区变化的潜在相关地理因子建模，并产生时空特定参数以增强模型可解释性。此外，我们的模型以 70% 的 R2 准确预测全国 PM2.5，并生成带标准差(SD)的可靠年度与季节性 PM2.5 浓度图。总体而言，该建模框架可应用于全国尺度 PM2.5 暴露评估，并量化预测误差。
引用
@article{arxiv.1808.02190,
title = {A Bayesian Downscaler Model to Estimate Daily PM2.5 levels in the Continental US},
author = {Yikai Wang and Xuefei Hu and Howard Chang and Lance Waller and Jessica Belle and Yang Liu},
journal= {arXiv preprint arXiv:1808.02190},
year = {2018}
}
备注
14 pages, 6 figures