[논문 리뷰] Combining Satellite Imagery and Numerical Model Simulation to Estimate Ambient Air Pollution: An Ensemble Averaging Approach

Nancy L. Murray, Howard H. Chang외 2명|arXiv (Cornell University)|2018. 02. 08.

Air Quality and Health Impacts참고 문헌 16인용 수 6

한 줄 요약

이 논문은 위성 유도 아나이드 광학 밀도(AOD)와 커뮤니티 다중 척도 대기질(CMAQ) 모델 시뮬레이션을 융합하는 베이지안 앙상블 평균 방법을 제안하여 남동부 미국 전역에서 일일 PM2.5 추정을 향상시킨다. AOD의 고해상도 및 CMAQ의 완전한 시간 커버리지 특성을 활용함으로써, 단일 소스의 스케일링 모델보다 교차 검증에서 뛰어난 성능을 보이며, 더 정확하고 공간적으로 일관된 PM2.5 예측을 가능하게 하며, 가용성에 따라 적응적인 가중치를 통해 누락된 AOD 데이터를 자연스럽게 처리한다.

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.

연구 동기 및 목표

• 지상 기반 PM2.5 모니터의 희소성을 해결하기 위해 대기 오염 추정의 공간적·시간적 해상도를 향상시키기 위해.
• 위성 AOD나 CMAQ 모델을 개별적으로 사용할 경우 발생하는 한계—예를 들어 AOD의 누락 데이터 및 CMAQ의 해상도 부족—을 극복하기 위해 두 데이터 소스를 통합하기 위해.
• 원격 감지와 화학 이동 모델링의 상호보완적 강점을 활용하여 환경 건강 연구에서의 노출 평가를 향상시키기 위한 데이터 융합 프레임워크를 개발하기 위해.
• 사용자 지정된 AOD 값의 사전 보정이 필요 없이 공간적으로 변화하는 예측 성능과 누락된 데이터를 고려할 수 있는 융통성 있는 모델링 접근법을 개발하기 위해.

제안 방법

• 이 방법은 AOD 및 기상 변수를 사용하는 통계적 스케일링 모델과 CMAQ 모델 출력을 사용하는 다른 통계적 스케일링 모델의 예측을 융합하기 위해 베이지안 모델 평균을 활용한다.
• 공간적으로 변화하는 앙상블 가중치는 계층적 베이지안 모델을 통해 추정되며, 이는 AOD와 CMAQ의 기여도가 예측 성능에 따라 공간적으로 다양하게 조정될 수 있도록 한다.
• 모델는 AQS 네트워크에서 확보한 지상 수준의 PM2.5 측정치를 사용하여 校정되며, 관측된 농도와 일치하도록 보장된다.
• 누락된 AOD 데이터는 별도의 보정 단계 없이 가용 입력의 재가중치 조정을 통해 자연스럽게 처리된다.
• 프레임워크는 공간 크리깅과 보간을 활용하여 모니터링 위치를 초월한 예측을 확장하며, 전체 커버리지 지도를 가능하게 한다.
• 가중치에 대한 딜레트 분포를 갖는 두 성분 혼합 모델을 통해 공간 및 시간에 따른 상대적 모델 성능의 확률적 추정이 가능해진다.

실험 결과

연구 질문

• RQ1 앙상블 평균을 통해 위성 AOD와 CMAQ 모델 시뮬레이션을 융합할 경우, 단일 소스 모델 대비 일일 PM2.5 추정 정확도가 향상되는가?
• RQ2 제안된 앙상블 방법은 사전 보정 없이 누락된 위성 AOD 데이터를 어떻게 처리하는가?
• RQ3 공간적으로 변화하는 앙상블 가중치는 남동부 미국의 이질적인 지역 간 예측 성능 향상에 얼마나 기여하는가?
• RQ4 고해상도 AOD와 시간적으로 완전한 CMAQ 데이터의 통합은 단독으로 각각 사용할 경우보다 더 공간적으로 일관되고 세밀한 PM2.5 지ap을 제공하는가?
• RQ5 AOD와 CMAQ의 상대적 기여도는 최종 PM2.5 추정치에서 어떻게 변화하며, 이는 위치와 시간에 따라 어떻게 달라지는가?

주요 결과

• 앙상블 접근법은 교차 검증에서 AOD 전용 및 CMAQ 전용 스케일링 모델보다 뚜렷이 뛰어난 성능을 보이며, 일일 PM2.5 농도에 대한 예측 정확도가 향상됨을 입증했다.
• 이 방법은 AOD나 CMAQ 단독 사용보다 더 매끄럽고 공간적으로 일관성 있는 PM2.5 지도를 생성하였으며, 특히 AOD와 CMAQ가 예측 농도에 차이를 보이는 애틀랜타와 같은 도시 지역에서 두드러졌다.
• AOD가 누락된 경우(약 61%의 일수), 앙상블 모델은 CMAQ 쪽으로 기여도를 재가중시켜 보정이 필요 없이도 예측 안정성을 유지했다.
• AOD가 가용한 날에는 앙상블 모델이 더 높은 해상도와 더 세밀한 공간적 세부 정보를 제공하여 국지적 오염 기울기를 더 잘 탐지할 수 있었다.
• 공간적으로 변화하는 가중치는 일부 지역에서는 AOD가 더 예측 능력이 높았고, 기상적 조건이 악화되어 구름이 자주 있는 지역이나 AOD 신호가 약한 지역에서는 CMAQ가 더 큰 기여를 했다는 것을 드러냈다.
• 이 프레임워크는 두 데이터 소스의 불확실성을 자연스럽게 반영하였으며, 공간-시간적으로 완전한 커버리지가 보장된 일관된 확률적 PM2.5 추정치를 제공하였다.