一种缓解现场校准低成本传感器空气污染数据低估偏差的动态空间滤波方法
应用统计
2023-02-21 v2
摘要
低成本空气污染传感器能够提供污染物浓度的超局部刻画，在环境与公共卫生研究中日益普及。然而，低成本空气污染数据可能含有噪声、受环境条件偏置，通常需通过将低成本传感器与参考级仪器共置来进行现场校准。我们从理论与实证上表明，使用共置数据基于回归的校准这一常规流程会系统性低估高浓度空气污染，而从健康视角看这些高浓度至关重要。当前的校准实践也常未能利用污染物浓度的空间相关性。我们提出一种新颖的面向低成本网络共置校准的空间滤波方法，通过逆回归缓解低估问题。该逆回归还借助第二阶段的条件高斯过程(true pollutant concentrations)模型纳入空间相关性。我们的方法适用于网络中一个或多个共置站点，且具有动态性，可利用与最新可用参考数据的空间相关性。通过大量模拟，我们展示了空间滤波如何大幅改进污染物浓度估计，并更精确地度量峰值浓度。我们将该方法应用于马里兰州巴尔的摩市一低成本 PM2.5 网络的校准，并诊断出被回归校准遗漏的空气污染峰值。
引用
@article{arxiv.2203.14775,
title = {A dynamic spatial filtering approach to mitigate underestimation bias in field calibrated low-cost sensor air-pollution data},
author = {Claire Heffernan and Roger Peng and Drew R. Gentner and Kirsten Koehler and Abhirup Datta},
journal= {arXiv preprint arXiv:2203.14775},
year = {2023}
}