使用机器学习将移动与固定监测数据集成用于高分辨率 PM2.5 制图
机器学习
2025-03-18 v1 大气与海洋物理
摘要
在较低成本下构建高分辨率空气污染图对于可持续城市管理和公共健康风险评估至关重要。然而，传统的固定站点监测缺乏空间覆盖，而移动低成本传感器数据表现出显著的数据不稳定性。本研究将来自 320 个出租车安装的移动低成本传感器和 52 个固定监测站的 PM2.5 数据进行集成，以解决上述局限性。通过采用机器学习方法，建立了固定与移动监测浓度之间的合适映射关系。最终得到的污染图实现了 500 米空间分辨率和 5 分钟时间分辨率，与固定监测数据接近 (+4.35% 偏差)，但与原始移动数据有显著偏差 (-31.77%)。融合后的图呈现了类似移动污染图中观察到的细尺度空间变异，同时显示出更接近固定污染图的时间变异特性（固定：1.12 ± 0.73%，移动：3.15 ± 2.44%，制图后：1.01 ± 0.65%）。这些发现表明，大规模移动低成本传感器网络在高分辨率空气质量制图方面具有潜力，支持针对性的城市环境治理和健康风险缓解。
引用
@article{arxiv.2503.12367,
title = {Integrating mobile and fixed monitoring data for high-resolution PM2.5 mapping using machine learning},
author = {Rui Xu and Dawen Yao and Yuzhuang Pian and Ruhui Cao and Yixin Fu and Xinru Yang and Ting Gan and Yonghong Liu},
journal= {arXiv preprint arXiv:2503.12367},
year = {2025}
}