[论文解读] 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 6

一句话总结

本文提出一种贝叶斯集成平均方法，结合卫星反演的气溶胶光学厚度（AOD）与社区多尺度空气质量（CMAQ）模型模拟，以提升美国东南部地区每日PM2.5估算的准确性。通过利用AOD的高空间分辨率和CMAQ的完整时间覆盖，该方法在交叉验证中优于单一来源的降尺度模型，实现了更精确且空间一致的PM2.5预测，同时通过自适应加权自然处理缺失的AOD数据。

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.

研究动机与目标

• 为解决地面PM2.5监测站稀疏的问题，提升空气污染估算的空间与时间分辨率。
• 通过整合遥感AOD与CMAQ模型数据，克服单独使用任一数据源的局限性——如AOD数据缺失和CMAQ分辨率粗糙的问题。
• 开发一种数据融合框架，充分利用遥感与化学传输模型的互补优势，以提升环境健康研究中的暴露评估精度。
• 构建一种灵活的建模方法，能够考虑空间变化的预测性能与缺失数据问题，且无需预先填补AOD值。

提出的方法

• 该方法采用贝叶斯模型平均法，融合两种统计降尺度模型的预测结果：一种基于AOD与气象变量，另一种基于CMAQ模型输出。
• 通过分层贝叶斯模型估计空间可变的集成权重，使AOD与CMAQ的贡献在空间上根据预测性能动态调整。
• 利用AQS网络的地面PM2.5观测数据对模型进行校准，确保与实测浓度一致。
• 通过重新加权可用输入自然处理缺失的AOD数据，避免了单独的插补步骤。
• 框架结合空间克里金法与插值技术，将预测扩展至监测站以外区域，实现全覆盖地图生成。
• 采用具有狄利克雷先验的两分量混合模型，实现对空间与时间上相对模型性能的概率估计。

实验结果

研究问题

• RQ1 通过集成平均方法结合卫星AOD与CMAQ模型模拟，是否能显著提升相比单一来源模型的每日PM2.5估算准确性？
• RQ2 所提出的集成方法如何在不进行预插补的情况下处理缺失的卫星AOD数据？
• RQ3 空间可变的集成权重在美东南部异质性区域中，对预测性能的提升程度如何？
• RQ4 整合高分辨率AOD与时间完整的CMAQ数据，是否能产生比任一数据源单独使用更空间一致且更精细的PM2.5地图？
• RQ5 AOD与CMAQ对最终PM2.5估算的相对贡献如何？其贡献随地理位置与时间如何变化？

主要发现

• 在交叉验证中，集成方法显著优于仅使用AOD或仅使用CMAQ的降尺度模型，展现出更高的PM2.5浓度预测准确性。
• 与单独使用AOD或CMAQ相比，该方法生成的PM2.5地图更平滑、空间一致性更强，尤其在亚特兰大等城市区域表现显著，这些区域中两种模型预测的污染水平存在差异。
• 当AOD缺失时（约61%的天数），集成模型自动将权重重新分配给CMAQ，维持预测稳定性，无需插补。
• 在AOD数据可用的日子里，该模型实现了更高分辨率与更精细的空间细节，有助于更准确识别局部污染梯度。
• 空间可变权重揭示：在某些区域AOD更具预测能力，而在云层持续覆盖或AOD信号微弱的区域，CMAQ贡献更大。
• 该框架自然地考虑了两种数据源的不确定性，并提供了具有完整时空覆盖的PM2.5概率估计，结果一致且可解释。