基于移动传感与高斯过程回归检测城市 PM2.5 热点
机器学习
2025-09-23 v1 应用统计
摘要
低成本移动传感器可用于收集整个城市的 PM2.5 浓度数据。然而，由于空间抽样不均、背景空气质量的时变以及城市空气污染源的动态性，识别空气污染热点存在挑战。本研究提出一种识别城市 PM2.5 热点的方法，针对上述挑战，涉及四个步骤：（1）为市民科学家配备移动 PM2.5 传感器并让其旅行；（2）归一化原始数据以消除背景环境污染水平的影响；（3）对归一化数据拟合高斯过程回归模型；（4）计算以高斯过程概率框架为基础的空间显式“热点得分”，该得分便于总结整个城市中相对污染水平。我们将方法应用于为 Kigali, Rwanda 制作的首个 200m 解析度的 PM2.5 地图。我们的结果表明，Kigali 的环境 PM2.5 污染水平危险且高， 我们在 Kigali 中识别出持续超过全城平均水平的热点区域。我们还通过对北京, China 的模拟移动感知数据进行评估，发现热点得分在概率上得到良好校准，准确反映了 PM2.5 污染的“真实”空间轮廓。由于采用开源软件，本方法可在全球其他城市中仅使用少量低成本传感器进行复用。该方法有助于弥合城市空气质量信息的差距，赋能公共卫生官员。
关键词
引用
@article{arxiv.2509.17175,
title = {Detecting Urban PM$_{2.5}$ Hotspots with Mobile Sensing and Gaussian Process Regression},
author = {Niál Perry and Peter P. Pedersen and Charles N. Christensen and Emanuel Nussli and Sanelma Heinonen and Lorena Gordillo Dagallier and Raphaël Jacquat and Sebastian Horstmann and Christoph Franck},
journal= {arXiv preprint arXiv:2509.17175},
year = {2025}
}
备注
39 pages, 12 figures