基于时空地理统计学的城市空气质量移动传感器映射
统计方法学
2025-12-01 v1
摘要
随着技术的进步和迷你化环境传感器的到来，构建用于城市环境空气质量的移动网络感知系统以迅速增强我们对城市污染的了解。然而，随着这些新技术的出现，构建能够整合所有这些数据源以提供精确空气质量映射的数学模型的困难日益加剧。在此背景下，我们探索了时空地理统计方法作为解决此问题的方案，并对三种不同的方法进行评估：残差上的简单克罗金 (Simple Kriging, SK)、普通克罗金 (Ordinary Kriging, OK) 和外部漂移克罗金 (Kriging with External Drift, KED)。在插值场景中，地理统计模型平均比标准的逆距离加权 (Inverse Distance Weighting, IDW) 技术在根均方误差 (Root Mean Squared Error, RMSE) 上提高了 26.57% (KED 为 27.94%，OK 为 26.05%，SK 为 25.71%)。结果显示，在外推场景中，得分不那么显著（地理统计模型比 IDW 降低 12.22% 的 RMSE）。我们得出结论，单变量地理统计方法适用于插值此类数据，但在外推未采样地点时不够合适，因为它不创建任何信息。
引用
@article{arxiv.2511.22544,
title = {Mapping Urban Air Quality from Mobile Sensors Using Spatio-Temporal Geostatistics},
author = {Yacine Mohamed Idir and Olivier Orfila and Vincent Judalet and Benoit Sagot and Patrice Chatellier},
journal= {arXiv preprint arXiv:2511.22544},
year = {2025}
}