AirBox PM$_{2.5}$ 数据的空间自适应校准

台湾有两个监测 PM$_{2.5}$ 的网络，分别是台湾空气质量监测网 (TAQMN) 和 AirBox 网络。由台湾环境保护署 (EPA) 管理的 TAQMN 在 77 个监测站提供高质量的 PM$_{2.5}$ 测量数据。近期推出的 AirBox 网络则由数千个地点的低成本、小型物联网 (IoT) 微传感器（即 AirBox）组成。虽然 AirBox 网络提供了广泛的空间覆盖，但其测量数据并不可靠，需要进行校准。然而，对所有 AirBox 应用统一的校准程序效果不佳，因为校准曲线会随多种因素变化，包括在空间上非均匀的 PM$_{2.5}$ 化学成分。因此，在不同地点、不同局部环境下需要不同的校准方法。遗憾的是，大多数 AirBox 并不靠近 EPA 监测站，这使得校准任务具有挑战性。本文提出一个具有空间变化系数的空间模型，以解释数据中的异方差性。我们的方法能根据 AirBox 的局部条件进行自适应校准，并融合两类测量数据，提供台湾任意地点的精确 PM$_{2.5}$ 浓度。此外，所提出的方法能在新 AirBox 加入网络时自动校准其测量数据。我们使用 2020 年的逐小时 PM$_{2.5}$ 数据来阐述该方法。校准后，结果显示，在匹配 EPA 数据方面，PM$_{2.5}$ 预测的均方根预测误差改善了约 37% 至 67%。特别是，一旦建立了校准曲线，即使忽略 EPA 数据，我们也能在台湾任意地点获得可靠的 PM$_{2.5}$ 值。