使用低成本的传感器网络与人工神经网络/kriging技术来描述PM2.5度的时空分布和微环境来源贡献
Yi-Ming Lee1, Guan-Yu Lin2, Thi-Cuc Le1
1Institute of Environmental Engineering, National Yang Ming Chiao Tung University, Hsinchu, Taiwan.
Environmental research
|December 15, 2023
概括
这项研究使用低成本传感器 (LCS) 在城市地区绘制细颗粒物 (PM2.5) 地图,确定交通和工业等特定来源. 这些发现有助于制定有针对性的空气污染控制战略.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 城市空气质量监测 城市空气质量监测
背景情况:
- 低成本传感器 (LCS) 提高了城市空气污染物监测的时空分辨率.
- 微环境空气污染源的贡献,特别是在工业和混合用途地区,需要进一步调查.
- 颗粒物 (PM2.5) 构成重大公共卫生风险,需要准确识别来源.
研究的目的:
- 通过使用6个月的LCS网络数据集,调查城市地区PM2.5度的时空分布.
- 确定和评估各种微环境来源对PM2.5水平的贡献.
- 开发和验证PM2.5热点和来源识别的实际框架.
主要方法:
- 使用人工神经网络 (ANN) 对LCS测量的PM2.5数据与参考BAM-1020测量 (R2=0.85) 的校准.
- 使用Kriging插值方法对校准的PM2.5度进行时空分布分析.
- 基于ANN的模型用于微环境来源贡献评估的应用.
主要成果:
- 校准的LCS PM2.5数据显示与参考测量具有很高的一致性,适用于热点和暴露研究.
- 最高的PM2.5平均度是在秋季和冬季观察到的,由于交通和工业活动,在白天出现白天峰值.
- 确定的PM2.5来源包括寺,炸店,商业/住宅区的交通,以及工业活动 (机械制造,精密金属加工).
结论:
- 集成的LCS网络和数值算法为城市PM2.5热点和来源识别提供了实际框架.
- 调查结果强调了在空气污染控制战略中考虑微环境来源的重要性.
- 该研究支持减少PM2.5度和制定有效的区域空气污染控制政策的决策.


