动态空间滤波方法对领域校准低成本传感器空气污染数据中的低估偏差进行缓解
摘要：低成本空气污染传感器能够提供超局部的污染物浓度特征，这在环境和公共卫生研究中越来越普遍。然而，低成本空气污染数据往往存在噪声，受环境条件影响，并且通常需要通过在同一位置同时使用低成本传感器和参考级仪器进行现场校准。我们在理论和实证上显示，常见的使用同时位置的数据进行回归校准的方法会系统地低估高空气污染浓度，而这是在健康方面进行诊断所必需的。目前的校准方法还经常没有充分利用污染物浓度的空间相关性。我们提出了一种基于空间滤波的新颖的基于同时位置的低成本传感器网络校准方法，通过使用逆回归来减轻低估问题。逆回归还允许通过使用条件高斯过程来对真实污染物浓度进行二阶段建模，从而结合空间相关性。我们的方法可以在网络中使用一个或多个同时位置的站点，并动态地利用最新可用的参考数据的空间相关性。通过广泛的模拟，我们展示了空间滤波如何大幅改善污染物浓度的估计，并更准确地测量峰值浓度。我们应用这种方法对马里兰州巴尔的摩市的低成本PM2.5网络进行校准，并诊断了回归校准未发现的空气污染峰值。
作者：Claire Heffernan, Roger Peng, Drew R. Gentner, Kirsten Koehler, Abhirup Datta
论文ID：2203.14775
分类：Applications
分类简称：stat.AP
提交时间：2023-02-21