基于几何非负矩阵分解及高通量多污染物空气传感器数据进行 Curtis Bay 空气污染负担的源源贡献分析
应用统计
2025-12-16 v2
摘要
空气传感器网络提供的高局部、高时序分辨率数据可支持可信的污染源识别。基于最小二乘法的非负矩阵分解进行的源源贡献分析存在非唯一性且难以扩大规模。近期的几何源源贡献框架通过聚焦于源源贡献矩阵进行推断，该矩阵即使分解不唯一也可保持可识别性。本文认识到该方法随数据容量规模而增长，并受益于大数据，利用该几何方法分析来自 Curtis Bay (美国) 的 451,946 条一分钟空气传感器记录（2022 年 10 月 21 日至 2023 年 6 月 16 日），涵盖尺寸分辨颗粒物 (PM)、黑碳 (BC)、一氧化碳 (CO)、氧化氮 (NO) 和二氧化氮 (NO2)。分析识别出三个稳定的污染源。源源 1 解释 > 70% 的细颗粒物和粗颗粒物，约 30% 的 BC。源源 2 主导 CO，贡献约 70% 的 BC、NO 和 NO2。源源 3 特指较大颗粒物 (PM10-PM40)。回归分析表明，源源 1 和源源 3 在靠近矿场的煤炭终端上作业时以及当风向来自终端时上升，表明直接来自煤炭终端的影响，而源源 2 呈现与交通一致的日间模式。针对煤炭终端已知的挖掘机事故日进行案例研究，进一步确认了终端活动与源源 1 和源源 3 的关联。从源源 1 的强度识别的极端事件在研究站最近的煤炭终端附近影响约 33 分钟/天，随距离终端远近而衰减。结果在灵敏度分析下保持稳定。该分析表明，几何源源贡献方法结合来自多污染物空气传感器网络的高时序分辨率数据，能够提供可扩展且可靠的证据，以为制定减排策略提供支持。
引用
@article{arxiv.2511.11833,
title = {Source apportionment of air pollution burden using geometric non-negative matrix factorization and high-throughput multi-pollutant air sensor data in Curtis Bay, Baltimore, USA},
author = {Bora Jin and Bonita D. Salmerón and David McClosky and David H. Hagan and Russell R. Dickerson and Nicholas J. Spada and Lauren N. Deanes and Matthew A. Aubourg and Laura E. Schmidt and Gregory G. Sawtell and Christopher D. Heaney and Abhirup Datta},
journal= {arXiv preprint arXiv:2511.11833},
year = {2025}
}