面向城市环境的多源贝叶斯融合模型用于 PM2.5 时空估计
统计方法学
2025-06-17 v2 应用统计
摘要
空气颗粒物（PM2.5）是城市环境中的重大公共健康问题，人口密度和排放源会加剧暴露风险。我们提出一种新颖的贝叶斯时空融合模型，用于估计大伦敦地区（2014-2019）以 1km 网格分辨率的月度 PM2.5 浓度。该模型整合了多种 PM2.5 数据源，包括来自两种大气空气质量扩散模型的输出以及植被和卫星气溶胶光学厚度等预测变量，同时显式建模潜在的时空场。通过上采样方法解决数据在空间上的错位问题，以实现整个区域的预测。基于随机偏微分方程（SPDE）的集成嵌入拉普拉斯近似（INLA）框架，本方法引入时空可变系数，以灵活校准数据集并捕捉细尺度变异性。通过预测模型选择准则和彻底的交叉验证平衡模型性能与复杂度。最佳模型表现出优异的拟合度和稳健的预测性能，实现了 PM2.5 浓度可靠的高分辨率时空制图，并提供相关不确定性估计。此外，模型输出（包括完整的后验预测分布）可用于绘制监管阈值超标概率图，支持空气质量管理和针对易感人群区域的精准干预，也为流行病学应用提供更精细的 PM2.5 暴露估计。
引用
@article{arxiv.2506.10688,
title = {A Bayesian Multisource Fusion Model for Spatiotemporal PM2.5 in an Urban Setting},
author = {Abi I. Riley and Marta Blangiardo and Frédéric B. Piel and Andrew Beddows and Sean Beevers and Gary W. Fuller and Paul Agnew and Monica Pirani},
journal= {arXiv preprint arXiv:2506.10688},
year = {2025}
}
备注
9 figures, 26 pages