评估基于模型的PM2.5浓度估计在西部美国野火烟霾事件中的暴露评估
摘要：通常，调查野火烟雾对健康的影响需要人们在时间和空间上对细颗粒物（PM2.5）的暴露数据。近年来，使用机器学习模型来填补监测数据中的空白已经变得很常见。然而，目前尚不清楚这些模型在野火事件中如何准确地捕捉到PM2.5的峰值。在本研究中，我们评估了Di等人（2021年）和Reid等人（2021年）创建的两组高覆盖率和高分辨率的机器学习推导的PM2.5数据集的准确性。总的来说，与美国森林服务局部署的移动烟瘾监测仪的独立验证数据相比，Reid的估计更准确。然而，在高污染日，这两个模型都倾向于严重低估PM2.5的值。我们的研究结果与其他最近的研究相互补充，呼吁在美国西部增加空气污染监测，并支持在基于模型的PM2.5估计中纳入野火特定的监测观测和预测变量。最后，我们呼吁更加严格地量化机器学习推导的暴露数据集的误差，特别关注极端事件。
作者：Ellen M. Considine, Jiayuan Hao, Priyanka deSouza, Danielle Braun, Colleen E. Reid, Rachel C. Nethery
论文ID：2209.01479
分类：Applications
分类简称：stat.AP
提交时间：2023-01-10