Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình lọc không gian vectơ riêng thích ứng băng thông để ước lượng nồng độ PM2.5 ở khu vực đồng bằng sông Dương Tử, Trung Quốc
Tóm tắt
Nồng độ PM2.5 thường được ước lượng bằng cách sử dụng các mô hình hồi quy trọng số theo địa lý (GWR), tuy nhiên các mô hình này có thể gặp phải vấn đề đa đồng liên và tập trung quá mức vào các đặc điểm cục bộ. Để khắc phục những thiếu sót này, một mô hình lọc không gian vectơ riêng thích ứng băng thông (SA-ESF) sử dụng tìm kiếm theo tỷ lệ vàng (GO-ESF) và thuật toán di truyền (GA-ESF) đã được đề xuất. Mô hình SA-ESF đã được áp dụng để ước lượng nồng độ PM2.5 trên mặt đất ở khu vực đồng bằng sông Dương Tử (YRD) của Trung Quốc theo mùa và hàng năm từ tháng 12 năm 2015 đến tháng 11 năm 2016, sử dụng dữ liệu cảm biến từ xa, vị trí nhà máy và mạng lưới đường bộ. Kết quả của các mô hình lọc không gian vectơ riêng (ESF), GO-ESF, GA-ESF và GWR cho thấy mô hình GA-ESF cung cấp hiệu suất tốt hơn và đạt R2 đã được điều chỉnh trung bình cao hơn 26,6%, 15,3% và 10,8% so với các mô hình ESF, GO-ESF và GWR, tương ứng. Tiếp theo đó, chúng tôi đã tính toán các chỉ số ngẫu nhiên cho các điểm có thể mô tả đặc điểm nồng độ khu vực từ các bản đồ nồng độ nội suy được trích xuất từ các mô hình GA-ESF và GWR. Các bản đồ nồng độ và các chỉ số ngẫu nhiên cho thấy sự khác biệt lớn trong nồng độ PM2.5 ở các khu vực miền núi. Có những nồng độ đặc biệt cao ở những khu vực này khi sử dụng mô hình GWR, trái ngược với kết quả từ GA-ESF, cho thấy rằng có thể có vấn đề overfitting khi sử dụng mô hình GWR. Tổng quan, mô hình SA-ESF được đề xuất với kỹ thuật thuật toán di truyền có thể nắm bắt cả các đặc điểm toàn cầu và cục bộ và đạt được những kết quả hứa hẹn.
Từ khóa
#PM2.5 #lọc không gian #hồi quy trọng số theo địa lý #mô hình SA-ESF #Delta sông Dương Tử #thu thập dữ liệu từ xa #đa đồng liên #thuật toán di truyềnTài liệu tham khảo
Akaike H (1974) A new look at the statistical model identification. IEEE Transactions on Automatic Control 19:716–723. https://doi.org/10.1109/TAC.1974.1100705
Brauer M, Amann M, Burnett RT, Cohen A, Dentener F, Ezzati M, Henderson SB, Krzyzanowski M, Martin RV, van Dingenen R, van Donkelaar A, Thurston GD (2012) Exposure assessment for estimation of the global burden of disease attributable to outdoor air pollution. Environ Sci Technol 46:652–660. https://doi.org/10.1021/es2025752
Choi M, Lim H, Kim J, Lee S, Eck TF, Holben BN, Garay MJ, Hyer EJ, Saide PE, Liu H (2019) Validation, comparison, and integration of GOCI, AHI, MODIS, MISR, and VIIRS aerosol optical depth over East Asia during the 2016 KORUS-AQ campaign. Atmos Meas Tech 12:4619–4641. https://doi.org/10.5194/amt-12-4619-2019
Christakos G, Hristopulos DT (1996a) Characterization of atmospheric pollution by means of stochastic indicator parameters. Atmos Environ 30:3811–3823. https://doi.org/10.1016/1352-2310(96)00083-0
Christakos G, Hristopulos DT (1996b) Stochastic indicators for waste site characterization. Water Resour Res 32:2563–2578. https://doi.org/10.1029/96WR01393
Christakos G, Serre ML (2000) BME analysis of spatiotemporal particulate matter distributions in North Carolina. Atmos Environ 34:3393–3406. https://doi.org/10.1016/S1352-2310(00)00080-7
de Hoogh K, Korek M, Vienneau D, Keuken M, Kukkonen J, Nieuwenhuijsen MJ, Badaloni C, Beelen R, Bolignano A, Cesaroni G, Pradas MC, Cyrys J, Douros J, Eeftens M, Forastiere F, Forsberg B, Fuks K, Gehring U, Gryparis A, Gulliver J, Hansell AL, Hoffmann B, Johansson C, Jonkers S, Kangas L, Katsouyanni K, Künzli N, Lanki T, Memmesheimer M, Moussiopoulos N, Modig L, Pershagen G, Probst-Hensch N, Schindler C, Schikowski T, Sugiri D, Teixidó O, Tsai MY, Yli-Tuomi T, Brunekreef B, Hoek G, Bellander T (2014) Comparing land use regression and dispersion modelling to assess residential exposure to ambient air pollution for epidemiological studies. Environ Int 73:382–392. https://doi.org/10.1016/j.envint.2014.08.011
de Hoogh K, Gulliver J, van Donkelaar A et al (2016) Development of West-European PM2.5 and NO2 land use regression models incorporating satellite-derived and chemical transport modelling data. Environ Res 151:1–10. https://doi.org/10.1016/j.envres.2016.07.005
Engel-Cox JA, Hoff RM, Haymet ADJ (2004) Recommendations on the use of satellite remote-sensing data for urban air quality. J Air Waste Manage Assoc 54:1360–1371. https://doi.org/10.1080/10473289.2004.10471005
Fang X, Zou B, Liu X, Sternberg T, Zhai L (2016) Satellite-based ground PM2.5 estimation using timely structure adaptive modeling. Remote Sens Environ 186:152–163. https://doi.org/10.1016/j.rse.2016.08.027
Getis A, Aldstadt J (2004) Constructing the spatial weights matrix using a local statistic. Geogr Anal 36:90–104. https://doi.org/10.1111/j.1538-4632.2004.tb01127.x
Goldenberg DE (1989) Genetic algorithms in search, optimization and machine learning. Addison-Wesley Pub. Co, Reading, Mass
Griffith DA (2008) Spatial-filtering-based contributions to a critique of geographically weighted regression (GWR). Environ Plan A 40:2751–2769. https://doi.org/10.1068/a38218
Griffith DA (2010) Modeling spatio-temporal relationships: retrospect and prospect. J Geogr Syst 12:111–123. https://doi.org/10.1007/s10109-010-0120-x
Griffith DA, Chun Y (2014) Spatial autocorrelation and spatial filtering. Handb Reg Sci, pp 1477–1507. https://doi.org/10.1007/978-3-642-23430-9_72
Griffith DA, Heuvelink GBM (2012) Deriving space-time variograms from space-time autoregressive (STAR) model specifications. In: Yeh AGO, Shi W, Leung Y, Zhou C (eds) Advances in spatial data handling and GIS. Springer Berlin Heidelberg, Berlin, Heidelberg, pp 3–12
Guo Y, Tang Q, Gong D-Y, Zhang Z (2017) Estimating ground-level PM2.5 concentrations in Beijing using a satellite-based geographically and temporally weighted regression model. Remote Sens Environ 198:140–149. https://doi.org/10.1016/j.rse.2017.06.001
Han L, Zhou W, Li W, Li L (2014) Impact of urbanization level on urban air quality: a case of fine particles (PM2.5) in Chinese cities. Environ Pollut 194:163–170. https://doi.org/10.1016/j.envpol.2014.07.022
He Q, Huang B (2018) Satellite-based high-resolution PM2.5 estimation over the Beijing-Tianjin-Hebei region of China using an improved geographically and temporally weighted regression model. Environ Pollut 236:1027–1037. https://doi.org/10.1016/j.envpol.2018.01.053
Höpfinger E (1977) On the solution of the unidimensional local minimization problem. J Optim Theory Appl 23:471. https://doi.org/10.1007/BF00933454
Hu X, Waller LA, Al-Hamdan MZ et al (2013) Estimating ground-level PM2.5 concentrations in the southeastern U.S. using geographically weighted regression. Environ Res 121:1–10. https://doi.org/10.1016/j.envres.2012.11.003
Kiefer J (1953) Sequential minimax search for a maximum. Proc Am Math Soc 4:502. https://doi.org/10.2307/2032161
Lee HJ, Coull BA, Bell ML, Koutrakis P (2012) Use of satellite-based aerosol optical depth and spatial clustering to predict ambient PM 2.5 concentrations. Environ Res 118:8–15. https://doi.org/10.1016/j.envres.2012.06.011
Li H, Calder CA, Cressie N (2007) Beyond Moran’s I: testing for spatial dependence based on the spatial autoregressive model. Geogr Anal 39:357–375. https://doi.org/10.1111/j.1538-4632.2007.00708.x
Lippmann M, Frampton M, Schwartz J, Dockery D, Schlesinger R, Koutrakis P, Froines J, Nel A, Finkelstein J, Godleski J, Kaufman J, Koenig J, Larson T, Luchtel D, Liu LJS, Oberdorster G, Peters A, Sarnat J, Sioutas C, Suh H, Sullivan J, Utell M, Wichmann E, Zelikoff J (2003) The U.S. Environmental Protection Agency particulate matter health effects research centers program: a midcourse report of status, progress, and plans. Environ Health Perspect 111:1074–1092. https://doi.org/10.1289/ehp.5750
Lyapustin A, Wang Y, Korkin S, Huang D (2018) MODIS Collection 6 MAIAC algorithm. Atmospheric Measurement Techniques 11:5741–5765. https://doi.org/10.5194/amt-11-5741-2018
Maji KJ, Ye WF, Arora M, Shiva Nagendra SM (2018) PM2.5-related health and economic loss assessment for 338 Chinese cities. Environ Int 121:392–403. https://doi.org/10.1016/j.envint.2018.09.024
Moran PAP (1950) Notes on continuous stochastic phenomena. Biometrika 37:17–23. https://doi.org/10.2307/2332142
Murakami D, Lu B, Harris P, Brunsdon C, Charlton M, Nakaya T, Griffith DA (2019) The importance of scale in spatially varying coefficient modeling. Annals of the American Association of Geographers 109:50–70. https://doi.org/10.1080/24694452.2018.1462691
Pearce JL, Rathbun SL, Aguilar-Villalobos M, Naeher LP (2009) Characterizing the spatiotemporal variability of PM2.5 in Cusco, Peru using kriging with external drift. Atmos Environ 43:2060–2069. https://doi.org/10.1016/j.atmosenv.2008.10.060
Pope CA, Dockery DW (2006) Health effects of fine particulate air pollution: lines that connect. J Air Waste Manage Assoc 56:709–742. https://doi.org/10.1080/10473289.2006.10464485
Pope CA, Burnett RT, Thun MJ et al (2002) Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollution. J Am Med Assoc 287:1132–1141. https://doi.org/10.1001/jama.287.9.1132
Tan H, Chen Y, Wilson JP, Zhang J, Cao J, Chu T (2020) An eigenvector spatial filtering based spatially varying coefficient model for PM2.5 concentration estimation: a case study in Yangtze River Delta region of China. Atmos Environ 223:117205. https://doi.org/10.1016/j.atmosenv.2019.117205
Tao M, Wang J, Li R, Wang L, Wang L, Wang Z, Tao J, Che H, Chen L (2019) Performance of MODIS high-resolution MAIAC aerosol algorithm in China: characterization and limitation. Atmos Environ 213:159–169. https://doi.org/10.1016/j.atmosenv.2019.06.004
van Donkelaar A, Martin RV, Park RJ (2006) Estimating ground-level PM2.5 using aerosol optical depth determined from satellite remote sensing. J Geophys Res Atmos 111:1–10. https://doi.org/10.1029/2005JD006996
van Donkelaar A, Martin RV, Brauer M, Kahn R, Levy R, Verduzco C, Villeneuve PJ (2010) Global estimates of ambient fine particulate matter concentrations from satellite-based aerosol optical depth: development and application. Environ Health Perspect 118:847–855. https://doi.org/10.1289/ehp.0901623
Wang J, Wang S, Li S (2019a) Examining the spatially varying effects of factors on PM2.5 concentrations in Chinese cities using geographically weighted regression modeling. Environ Pollut 248:792–803. https://doi.org/10.1016/j.envpol.2019.02.081
Wang Y, Yuan Q, Li T, Shen H, Zheng L, Zhang L (2019b) Large-scale MODIS AOD products recovery: spatial-temporal hybrid fusion considering aerosol variation mitigation. ISPRS J Photogramm Remote Sens 157:1–12. https://doi.org/10.1016/j.isprsjprs.2019.08.017
Wei J, Huang W, Li Z, Xue W, Peng Y, Sun L, Cribb M (2019) Estimating 1-km-resolution PM2.5 concentrations across China using the space-time random forest approach. Remote Sens Environ 231:111221. https://doi.org/10.1016/j.rse.2019.111221
Wei X, Bin CN, Bai K (2020) A comparative assessment of multisensor data merging and fusion algorithms for high-resolution surface reflectance data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 13:4044–4059. https://doi.org/10.1109/JSTARS.2020.3008746
Wheeler D, Tiefelsdorf M (2005) Multicollinearity and correlation among local regression coefficients in geographically weighted regression. J Geogr Syst 7:161–187. https://doi.org/10.1007/s10109-005-0155-6
Wu J, Li J, Peng J, Li W, Xu G, Dong C (2015) Applying land use regression model to estimate spatial variation of PM2.5 in Beijing, China. Environ Sci Pollut Res 22:7045–7061. https://doi.org/10.1007/s11356-014-3893-5
Xiao Q, Wang Y, Chang HH, Meng X, Geng G, Lyapustin A, Liu Y (2017) Full-coverage high-resolution daily PM2.5 estimation using MAIAC AOD in the Yangtze River Delta of China. Remote Sens Environ 199:437–446. https://doi.org/10.1016/j.rse.2017.07.023
Yang Y, Christakos G (2015) Spatiotemporal characterization of ambient PM2.5 concentrations in Shandong Province (China). Environ Sci Technol 49:13431–13438. https://doi.org/10.1021/acs.est.5b03614
Yang X, Zheng Y, Geng G, Liu H, Man H, Lv Z, He K, de Hoogh K (2017) Development of PM2.5 and NO2 models in a LUR framework incorporating satellite remote sensing and air quality model data in Pearl River Delta region, China. Environ Pollut 226:143–153. https://doi.org/10.1016/j.envpol.2017.03.079
Yang Y, Christakos G, Yang X, He J (2018) Spatiotemporal characterization and mapping of PM2.5 concentrations in southern Jiangsu Province, China. Environ Pollut 234:794–803. https://doi.org/10.1016/j.envpol.2017.11.077
You W, Zang Z, Zhang L, Li Y, Wang W (2016) Estimating national-scale ground-level PM25 concentration in China using geographically weighted regression based on MODIS and MISR AOD. Environ Sci Pollut Res 23:8327–8338. https://doi.org/10.1007/s11356-015-6027-9
Zhang J, Li B, Chen Y, Chen M, Fang T, Liu Y (2018) Eigenvector spatial filtering regression modeling of ground PM2.5 concentrations using remotely sensed data. Int J Environ Res Public Health 15:1228. https://doi.org/10.3390/ijerph15061228
Zhao X, Zhou W, Han L, Locke D (2019) Spatiotemporal variation in PM2.5 concentrations and their relationship with socioeconomic factors in China’s major cities. Environ Int 133:105145. https://doi.org/10.1016/j.envint.2019.105145