[論文レビュー] Combining Satellite Imagery and Numerical Model Simulation to Estimate Ambient Air Pollution: An Ensemble Averaging Approach

Nancy L. Murray, Howard H. Chang+2 more|arXiv (Cornell University)|Feb 8, 2018

Air Quality and Health Impacts参考文献 16被引用数 6

ひとこと要約

本稿では、衛星由来のエアロゾル光学濃度（AOD）とコミュニティマルチスケールエアクオリティ（CMAQ）モデルのシミュレーションを統合するベイジアンアンサンブル平均手法を提案し、南東部米国における毎日のPM2.5推定値を向上させる。AODの高い空間分解能とCMAQの完全な時間的カバレッジを活用することで、交差検証において単一ソースのダウンスケーリングモデルを上回り、より正確で空間的に一貫性のあるPM2.5予測を達成するとともに、適応的重み付けにより欠損AODデータを自然に処理する。

ABSTRACT

Ambient fine particulate matter less than 2.5 $μ$m in aerodynamic diameter (PM$_{2.5}$) has been linked to various adverse health outcomes and has, therefore, gained interest in public health. However, the sparsity of air quality monitors greatly restricts the spatio-temporal coverage of PM$_{2.5}$ measurements, limiting the accuracy of PM$_{2.5}$-related health studies. We develop a method to combine estimates for PM$_{2.5}$ using satellite-retrieved aerosol optical depth (AOD) and simulations from the Community Multiscale Air Quality (CMAQ) modeling system. While most previous methods utilize AOD or CMAQ separately, we aim to leverage advantages offered by both methods in terms of resolution and coverage by using Bayesian model averaging. In an application of estimating daily PM$_{2.5}$ in the Southeastern US, the ensemble approach outperforms statistical downscalers that use either AOD or CMAQ in cross-validation analyses. In addition to PM$_{2.5}$, our approach is also highly applicable for estimating other environmental risks that utilize information from both satellite imagery and numerical model simulation.

研究の動機と目的

• 地上のPM2.5モニタの不足を補うために、大気汚染推定の空間的・時間的分解能を向上させること。
• AODやCMAQモデルを個別に用いる際の限界（AODの欠損データやCMAQの粗い分解能）を克服するため、両方のデータソースを統合すること。
• リモートセンシングと化学輸送モデルの相補的利点を活用したデータ統合フレームワークを構築し、環境健康研究における曝露評価を改善すること。
• 事前のAOD補完を必要とせず、空間的に変化する予測性能と欠損データを考慮できる柔軟なモデリング手法を構築すること。

提案手法

• 本手法は、AODと気象変数を用いた統計的ダウンスケーラーと、CMAQモデル出力を用いたもう一方のダウンスケーラーの予測値をベイジアンモデル平均で統合する。
• 空間的に変化するアンサンブル重みは階層ベイジアンモデルを用いて推定され、AODとCMAQの寄与度が予測性能に応じて空間的に変動する。
• AQSネットワークからの地上PM2.5測定値を用いてモデルをキャリブレーションし、観測濃度と整合性を保つ。
• 欠損AODデータは、利用可能な入力の再重み付けにより自然に処理され、別個の補完ステップを不要にする。
• 空間的クリギングと補間を用いて、監視所の位置を超えて予測を拡張し、完全カバレッジの地図を可能にする。
• 重みにディリクレ事前分布を用いた二成分混合モデルにより、空間的・時間的変動を考慮した相対的モデル性能の確率的推定が可能となる。

実験結果

リサーチクエスチョン

• RQ1 AODとCMAQモデルのシミュレーションをアンサンブル平均で統合することで、単一ソースのモデルと比較して、毎日のPM2.5推定値の正確性が向上するか？
• RQ2 提案されたアンサンブル手法は、事前の補完を要せず、衛星AODデータの欠損をどのように処理するか？
• RQ3 空間的に変化するアンサンブル重みは、南東部米国における多様な地域において予測性能をどの程度向上させるか？
• RQ4 高分解能AODと時間的に完全なCMAQデータを統合することで、単独のソースよりも空間的に一貫性があり、詳細なPM2.5地図が得られるか？
• RQ5 AODとCMAQの両者が最終的なPM2.5推定値にどの程度寄与しているか、およびその寄与度は場所や時間によってどのように変化するか？

主な発見

• アンサンブル手法は交差検証において、AOD単独およびCMAQ単独のダウンスケーリングモデルを著しく上回り、毎日のPM2.5濃度推定において優れた予測精度を示した。
• AODやCMAQ単体よりも滑らかで空間的に一貫性のあるPM2.5地図を生成し、特に予測濃度に差が生じるアトランタなどの都市部で顕著であった。
• AODが欠損している場合（約61％の日数）、アンサンブルモデルはCMAQの寄与度を再重み付けにより高め、補完を要せずとも予測の安定性を維持した。
• AODが利用可能な日には、より高い分解能と細かな空間的詳細が得られ、局所的な汚染勾配の検出に優れた性能を示した。
• 空間的に変化する重みは、一部の地域ではAODがより予測的であることを示し、一方で曇りが続くかAOD信号が弱い地域ではCMAQの寄与度が高かった。
• フレームワークは両データソースの不確実性を自然に扱い、完全な空間的・時間的カバレッジを持つ一貫性のある確率的PM2.5推定値を提供した。