×
克莱尔·赫夫南;彭罗杰;德鲁·R·根特纳。;克尔斯滕·科勒;阿比鲁普·达塔

一种动态空间滤波方法，用于减轻现场校准低成本传感器空气污染数据中的低估偏差。 （英语） Zbl 07789419号

附录申请。斯达。 17，编号4，3056-3087（2023）.
概述：低成本空气污染传感器提供污染物浓度的超局部特征，在环境和公共卫生研究中越来越普遍。然而，低成本的空气污染数据可能会产生噪音，受到环境条件的影响，通常需要通过配置低成本传感器和参考级仪器进行现场校准。我们从理论和经验上表明，基于回归的校准的通用程序使用并置数据，系统地低估了高空气污染浓度，这对于从健康角度进行诊断至关重要。目前的校准实践也常常未能利用污染物浓度的空间相关性。我们提出了一种新的空间滤波方法，用于基于搭配的低成本网络校准，该方法通过使用反向回归来缓解低估问题。反向回归还允许使用条件高斯过程通过第二阶段模型合并真实污染物浓度的空间相关性。我们的方法适用于网络中的一个或多个并置站点，并且是动态的，利用了与最新可用参考数据的空间相关性。通过广泛的模拟，我们证明了空间滤波如何大大改进污染物浓度的估计，并以更高的精度测量峰值浓度。我们使用该方法校准低成本的{下午}_{2.5}）网络，并诊断回归校准错过的空气污染峰值。

MSC公司：

第62页 统计学的应用

关键词：

空气污染;贝叶斯主义者;高斯过程;低成本传感器;空间统计学

软件：

空间工具;斯坦
PDF格式BibTeX公司 XML格式引用
\textit{C.Heffernan}等人，Ann.Appl。Stat.17，No.4，3056--3087（2023；Zbl 07789419）
全文： 内政部 arXiv公司

参考文献：

[1] APTE，J.S.，MESSIER，K.P.，GANI，S.，BRAUER，M.，KIRCHSTETTER，T.W.，LUNDEN，M.M.，MARSHALL，J.D.，PORTIER，C.J.，VERMEULEN，R.C.H.等人（2017）。谷歌街景汽车高分辨率空气污染地图：利用大数据。环境。科学。Technol公司。51 6999-7008. 数字对象标识符：10.1021/acs.est.7b00891谷歌学者：查找链接·doi:10.1021/acs.est.7b00891
[2] ARDON-DRYER，K.、DRYER，Y.、WILLIAMS，J.N.和MOGHIMI，N.（2020）。使用PurpleAir在大气条件下测量PM 2.5。大气。测量。技术13 5441-5458。
[3] BALZANO，L.和NOWAK，R.（2007年）。传感器网络的盲校准。第六届传感器网络信息处理国际会议论文集。IPSN“07 79-88. 美国纽约州纽约市计算机协会。
[4] BARKJOHN，K.K.，GANTT，B.和CLEMENTS，A.L.（2021）。使用PurpleAir传感器收集的PM 2.5数据的美国范围修正的开发和应用。大气。测量。技术14 4617-4637。
[5] BI，J.、WILDANI，A.、CHANG，H.H.和LIU，Y.（2020年）。将低成本传感器测量纳入大空间尺度的高分辨率PM2.5建模。环境。科学。Technol公司。54 2152-2162.
[6] BIGI，A.、MUELLER，M.、GRANGE，S.K.、GHERMANDI，G.和HUEGLIN，C.（2018年）。NO、NO2低成本传感器的性能和实际应用中的三种校准方法。大气。测量。技术11 3717-3735。
[7] BUEHLER，C.、XIONG，F.、ZAMORA，M.L.、SKOG，K.M.、KOHRMAN-GLASER，J.、COLTON，S.、MCNAMARA，M.、RYAN，K.、REDLICH，C.等人（2021年）。用于高时空分辨率空气质量研究的固定和便携式多污染物监测器，包括在线校准。大气。测量。技术14 995-1013。
[8] Carpenter，B.、Gelman，A.、Hoffman，M.D.、Lee，D.、Goodrich，B.、Betancourt，M.、Brubaker，M.，Guo，J.、Li，P.等人（2017年）。斯坦：一种概率编程语言。J.统计软件。76
[9] CHADWICK，E.、LE，K.、PEI，Z.、SAYAHI，T.、RAPP，C.、BUTTERFIELD，A.E.和KELLY，K.E.（2021年）。技术说明：使用低成本传感器网络了解Covid-19对颗粒污染的影响。J.气溶胶。科学。155 105766. 数字对象标识符：10.1016/j.jarosci.2021.105766谷歌学者：查找链接·doi:10.1016/j.jaerosci.2021.105766
[10] CHOI，T.（2005）。高斯过程先验下非参数回归问题的后验一致性。卡内基梅隆大学统计系博士论文。
[11] CLOUGHERTY，J.E.，KHEIRBEK，I.，EISL，H.M.，ROSS，Z.，PEZESHKI，G.，GORCZYNSKI，J.E，JOHNSON，S.，MARKOWITZ，S.、KASS，D.等人（2013年）。多种燃烧相关空气污染物冬季街道浓度的城市内部空间变异性：纽约市社区空气调查（NYCCAS）。J.博览会。科学。环境。流行病。23 232-240.
[12] CONSIDINE，E.M.、REID，C.E.、OGLETREE，M.R.和DYE，T.（2021年）。提高空气污染暴露测量的准确性：城市低成本空气颗粒物传感器网络的统计校正。环境。波卢特。268 115833. 数字对象标识符：10.1016/j.envpol.2020.115833谷歌学者：查找链接·doi:10.1016/j.envpol.2020.115833
[13] COWLES，M.K.和ZIMMERMAN，D.L.（2003）。结合两个监测网络的酸沉降数据进行贝叶斯时空分析。《地球物理学杂志》。研究。，大气。108
[14] COWLES，M.K.、ZIMMERMAN，D.L.、CHRIST，A.和MCGINNIS，D.L.（2002）。结合来自多个来源的雪水当量数据来估计时空趋势并比较测量系统。《农业杂志》。生物与环境。统计数据7 536-557。
[15] Datta，A.、Banerjee，S.、Finley，A.O.和Gelfand，A.E.（2016a）。大型地质统计数据集的层次最近邻高斯过程模型。J.Amer。统计师。协会111 800-812。数字对象标识符：10.1080/01621459.2015.1044091谷歌学者：查找链接数学科学网：MR3538706·doi:10.1080/01621459.2015.1044091
[16] Datta，A.、Banerjee，S.、Finley，A.O.、Hamm，N.A.S.和Schaap，M.（2016b）。大时空数据的不可分离动态最近邻高斯过程模型及其在颗粒物分析中的应用。附录申请。统计数字10 1286-1316。数字对象标识符：10.1214/16-AOAS931谷歌学者：查找链接数学科学网：MR3553225·Zbl 1391.62269号 ·doi:10.1214/16-AOAS931
[17] DATTA，A.、SAHA，A.、ZAMORA，M.L.、BUEHLER，C.、HAO，L.、XIONG，F.、GENTNER，D.R.和KOEHLER（2020）。低成本PM.Atmos的统计现场校准。环境。242.数字对象标识符：10.1016/j.atmosenv.2020.117761谷歌学者：查找链接·doi:10.1016/j.atmosenv.2020.117761
[18] DAVISON，A.C.和SMITH，R.L.（1990年）。超出高阈值的模型。J.罗伊。统计师。Soc.序列号。乙52 393-425。数学科学网：MR1086795·Zbl 0706.62039号
[19] DI，Q.，DAI，L.，WANG，Y.，ZANOBETTI，A.，CHOIRAT，C.，SCHWARTZ，J.D.和DOMINICI，F.（2017a）。短期接触空气污染与老年人死亡率的关系。日本汽车制造商协会318 2446-2456.
[20] DI、Q.、WANG、Y.、ZANOBETTI、A.、WANG，Y.、KOUTRAKIS、P.、CHOIRAT、C.、DOMINICI、F.和SCHWARTZ，J.D.（2017b）。医疗保险人群中的空气污染和死亡率。北英格兰。《医学杂志》376 2513-2522。
[21] FINLEY，A.O.、DATTA，A.、COOK，B.D.、MORTON，D.C.、ANDERSEN，H.E.和BANERJEE，S.（2019年）。贝叶斯最近邻高斯过程的有效算法。J.计算。图表。统计师。28 401-414. 数字对象标识符：10.1080/101816600.2018.1537924谷歌学者：查找链接MathSciNet:MR3974889·Zbl 07499062号 ·doi:10.1080/10618600.2018.1537924
[22] FRENCH，J.（2018）。空间工具：用于空间数据分析的工具。R软件包版本1.0.4。
[23] Fuentes，M.和Raftery，A.E.（2005年）。通过将观测值与数值模型输出相结合的贝叶斯方法进行模型评估和空间插值。生物计量学61 36-45. 数字对象标识符：10.1111/j.0006-341X.2005.030821.x谷歌学者：查找链接数学科学网：MR2129199·Zbl 1077.62124号 ·doi:10.1111/j.0006-341X.2005.030821.x
[24] FULLER，W.A.（1987）。测量误差模型。概率与数理统计中的威利级数：概率和数理统计。纽约威利。数字对象标识符：10.1002/9780470316665谷歌学者：查找链接数学科学网：MR0898653·Zbl 0800.62413号 ·数字对象标识代码：10.1002/9780470316665
[25] HEFFERNAN，C.、PENG，R.、GENTNER，D.R.、KOEHLER，K.和DATTA，A.（2023年）。补充“减少现场校准低成本传感器空气污染数据低估偏差的动态空间滤波方法”https://doi.org/10.1214/23-AOAS1751SUPP网站
[26] 霍姆斯·J·和莫里亚蒂·W·（1999）。广义帕累托分布在风力工程极值分析中的应用。风力工程工业Aerodyn杂志。83 1-10.
[27] JBAILY，A.、ZHOU，X.、LIU，J.、LEE，T.-H.、KAMAREDDINE，L.、VERGUET，S.和DOMINICI，F.（2022）。美国人口和收入群体之间的空气污染暴露差异。性质601 228-233.
[28] JOHNSON，N.E.、BONCZAK，B.和KONTOKOSTA，C.E.（2018年）。在密集、异质的城市环境中，使用梯度增强模型来提高低成本气溶胶监测仪的性能。大气。环境。184 9-16.
[29] JUNE，N.、VAUGHAN，J.、LEE，Y.和LAMB，B.K.（2021年）。使用AIRPACT空气质量预报系统在太平洋西北部对PM2.5进行操作偏差修正。J.空气废物管理。协会71 515-527。
[30] 卡尔曼·R·E（1960）。线性滤波和预测问题的新方法。变速器。ASME系列。D.J.基础工程82 35-45。数学科学网：MR3931993
[31] KIM，J.、SHUSTERMAN，A.A.、LIESCHKE，K.J.、NEWMAN，C.和COHEN，R.C.（2018年）。伯克利大气二氧化碳观测网络：低成本空气质量传感器的现场校准和评估。大气。测量。技术11 1937-1946。
[32] LARSON，T.、HENDERSON，S.B.和BRAUER，M.（2009年）。城市地区颗粒光吸收系数的流动监测，作为土地利用回归的基础。环境。科学。Technol公司。43 4672-4678。
[33] LEVY ZAMORA，M.、XIONG，F.、GENTNER，D.、KERKEZ，B.、KOHRMAN-GLASER，J.和KOEHLER，K.（2018年）。低成本Plantower颗粒物传感器的现场和实验室评估。环境。科学。Technol公司。53 838-849.
[34] LIM，C.C.，KIM，H.，VILCASSIM，M.R.，THURSTON，G.D.，GORDON，T.，CHEN，L.C.，LEE，K.，HEIMBINDER，M.和KIM，S.Y.（2019年）。在韩国首尔，使用低成本传感器和机器学习的移动采样绘制城市空气质量图。环境。国际号码131 105022。
[35] 吕毅（2021）。超越家庭空气污染：使用基于活动的出行需求模型和低成本空气传感器网络数据评估个人PM2.5暴露。环境。第201 111549号决议。
[36] MARDIA，K.V.、GOODALL，C.、REDFERN，E.J.和ALONSO，F.J.（1998）。Kriged Kalman滤波器。测试7 217-285. 数字对象标识符：10.1007/BF02565111谷歌学者：查找链接数学科学网：MR1666999·Zbl 0935.62107号 ·doi:10.1007/BF02565111
[37] MISKELL，G.、SALMOND，J.A.和WILLIAMS，D.E.（2018年）。网络中低成本空气质量测量传感器校准问题的解决方案。ACS传感器3 832-843。
[38] NORDIO，F.、KLOOG，I.、COULL，B.A.、CHUDNOVSKY，A.、GRILLO，P.、BERTAZI，P.A.、BACCARELLI，A.A.和SCHWARTZ，J.（2013）。使用MODIS卫星数据和意大利伦巴第土地利用回归估算时空分辨率的PM10气溶胶质量浓度。大气。环境。74 227-236.
[39] 彼得斯·T.M.、诺里斯·G.A.、范德波尔·R.W.、杰米尔·D.B.、维纳·R.W、默多克·R.W.、麦克罗伊·F.F.和匹兹福德·M.（2001）。PM2.5联邦参考方法采样器的现场性能。气溶胶。科学。Technol公司。34 433-443.
[40] Pickands，J.III（1975年）。使用极值顺序统计进行统计推断。Ann.Statist公司。3 119-131. 数学科学网：MR0423667·Zbl 0312.62038号
[41] ROMERO，Y.、VELáSQUEZ，R.M.A.和NOEL，J.（2020年）。考虑参考测量值和气象参数，开发多元回归模型来校准低成本传感器。环境。监视器。评估。192 1-11.
[42] SAHU，S.K.和MARDIA，K.V.（2005年）。用于空气污染水平短期预测的Bayesian kriged Kalman模型。J.R.统计社会服务。C.申请。统计54 223-244。数字对象标识符：10.1111/j.1467-9876.2005.00480.x谷歌学者：查找链接数学科学网：MR2134608·兹比尔1490.62397 ·文件编号：10.1111/j.1467-9876.2005.00480.x
[43] SHI，L.，STEENLAND，K.，LI，H.，LIU，P.，ZHANG，Y.，LYLES，R.H.，REQUIA，W.J.，ILANGO，S.D.，CHANG，H.H.等人（2021年）。一项关于美国老年人长期空气污染暴露和痴呆事件的国家队列研究（2000-2018年）。国家公社。12 6754.
[44] SI，M.、XIONG，Y.、DU，S.和DU，K.（2020年）。使用机器学习方法在环境条件下评估和校准低成本颗粒传感器。大气。测量。技术13 1693-1707。
[45] TANG，X.，ZHU，J.，WANG，Z.，WANG，M.，GBAGUIDI，A.，LI，J.、SHAO，M.、TANG，G.和JI，D.（2013）。用集合卡尔曼滤波反演北京及其周边地区的CO排放。大气。环境。81 676-686.
[46] 托帕洛维奇，D.B.，大卫·维多维奇，M.D.，乔瓦诺维奇，M.，巴托诺娃，A.，里斯托夫斯基，Z.和乔瓦·什·埃维奇-斯托贾诺维奇，M（2019）。寻找环境空气污染物低成本气体传感器的最佳现场校准方法：线性、多线性和人工神经网络方法的比较。大气。环境。213 640-658.
[47] TRYNER，J.、L'ORANGE，C.、MEHAFFY，J.，MILLER-LIONBERG，D.、HOFSTETTER，J.C.、WILSON，A.和VOLCKENS，J.（2020年）。低成本PurpleAir PM监测仪的实验室评估和使用共用便携式过滤器取样器的现场校正。大气。环境。220 117067.
[48] 美国环保局（2019）。颗粒物综合科学评估（ISA）（最终报告）。美国环境保护署，华盛顿特区。
[49] 美国环保局（2021）。空气数据：美国各地室外监测仪收集的空气质量数据。美国环境保护署，华盛顿特区。可在https://www.epa.gov/outdor-空气质量数据。
[50] 美国环保局（2022a）。NAAQS表格。美国环境保护署，华盛顿特区。可在https://www.epa.gov/criteria-air-pollutats/naaqs-table。
[51] 美国环保局（2022b）。重新考虑国家颗粒物环境空气质量标准的政策评估。美国环境保护署，华盛顿特区。
[52] van der Vaart，A.W.和van Zanten，J.H.（2008）。基于高斯过程先验的后验分布收缩率。Ann.Statist公司。36 1435-1463. 数字对象标识符：10.1214/009053607000000613谷歌学者：查找链接MathSciNet:MR2418663·Zbl 1141.60018号 ·doi:10.1214/009053607000000613
[53] VAN DER WAL，J.和JANSSEN，L.（2000）。使用卡尔曼滤波分析荷兰PM10浓度的空间和时间变化。大气。环境。34 3675-3687.
[54] WARD-CAVINESS，C.K.，YAZDI，M.D.，MOYER，J.，WEAVER，A.M.，CASCIO，W.E.，DI，Q.，SCHWARTZ，J.D.和DIAZ-SANCHEZ，D.（2021）。长期暴露于颗粒空气污染与心力衰竭患者30天的再入院和就诊有关。J.Amer。心脏协会10 e019430。数字对象标识符：10.1161/JAHA.120.019430谷歌学者：查找链接·doi:10.1161/JAHA.120.019430
[55] WEI，Y.，WANG，Y.、WU，X.、DI，Q.、SHI，L.、KOUTRAKIS，P.、ZANOBETTI，A.、DOMINICI，F.和SCHWARTZ，J.D.（2020年）。马萨诸塞州空气污染对死亡率的因果影响。阿默尔。《流行病学杂志》。189 1316-1323.
[56] 世界卫生组织（2022年）。环境（室外）空气污染。世界卫生组织。可在https://www.who.int/news-room/fact-sheets/detail/ammenound-（室外）-空气质量和健康。
[57] WU，H.、TANG，X.、WANG，Z.、WU，L.、LI，J.、WANG、W.、YANG，W.和ZHU，J.（2020）。使用改进的集合卡尔曼滤波器对排放控制期间CO和NOx减排量进行高时空分辨率反演。大气。环境。236 117631.
[58] WüTHRICH，M.、CIFUENTES，C.G.、TRIMPE，S.、MEIER，F.、BOHG，J.、ISSAC，J.和SCHAAL，S.（2016年）。使用伪测量的稳健高斯滤波。2016年美国控制会议(行政协调会) 3606-3613. IEEE，纽约。
[59] ZEGER，S.L.、THOMAS，D.、DOMINICI，F.、SAMET，J.M.、SCHWARTZ，J.、DOCKERY，D.和COHEN，A.（2000）。空气污染时间序列研究中的暴露测量误差：概念和后果。环境。健康展望。108 419-426.
[60] ZHENG，T.、BERGIN，M.H.、SUTARIA，R.、TRIPATHI，S.N.、CALDOW，R.和CARLSON，D.E.（2019年）。用于动态校准和监测德里无线低成本颗粒物传感器网络的高斯过程回归模型。大气。测量。技术12 5161-5181。
[61] ZIDEK，J.V.、SHADDICK，G.和TAYLOR，C.G.（2014）。在具有优先选址的自适应变化监测网络中减少估计偏差。附录申请。统计数据8 1640-1670。数字对象标识符：10.1214/14-AOAS745谷歌学者：查找链接MathSciNet:MR3271347·Zbl 1304.62143号 ·doi:10.1214/14-AOAS745
[62] ZIMMERMAN，D.L.和CRESSIE，N.（1992年）。具有估计协方差参数的空间线性模型中的均方预测误差。Ann.Inst.统计。数学。44 27-43. 数字对象标识符：10.1007/BF00048668谷歌学者：查找链接数学科学网：MR1165570·兹比尔0760.62090 ·doi:10.1007/BF00048668
[63] ZIMMERMAN，D.L.和HOLLAND，D.M.（2005）。互补联合克里格法：利用多个环境监测网络的数据进行空间预测。环境计量学16 219-234. 数字对象标识符：10.1002/env.699谷歌学者：查找链接MathSciNet:MR2146909·doi:10.1002/env.699
[64] ZIMMERMAN，N.、PRESTO，A.A.、KUMAR，S.P.、GU，J.、HAURYLIUK，A.、ROBINSON，E.S.、ROBINSON，A.L.和SUBRAMANIAN，R.（2018）。使用随机森林提高传感器性能的机器学习校准模型，用于低成本空气质量监测。Atmos。测量。技术11 291-313。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。