通过机器学习辅助的光学粒子计数器测量颗粒物和树花粉的局部时空动态

科学领域:

• 环境科学 环境科学
• 航空生物学 航空生物学
• 生态生态学 生态生态学

背景情况:

• 目前的花粉监测方法在成本,劳动力和时空分辨率方面是有限的.
• 现有的花粉网络稀疏,无法捕获详细的空气中花粉特征,特别是在农村或源头附近地区的局部规模.
• 了解当地花粉动态对于职业健康风险评估,生态,生物多样性和气候研究至关重要.

研究的目的:

• 调查低成本光学粒子计数器 (OPC) 与机器学习相结合的有效性,用于监测英国森林中的颗粒物和树花粉 (Quercus).
• 在森林树冠内和上面各个高度的树花粉度的特征.
• 评估该方法在详细,局部规模的花粉监测方面的潜力.

主要方法:

• 在成熟的树林中部署低成本的光学粒子计数器 (OPC).
• 通过配色期对OPC进行校准.
• 在不同高度的观测塔上分发OPC (10米,20-30米的天花板,天花板上方40米) 36天.
• 应用机器学习模型来分析OPC数据并推导花粉度.
• 对日间趋势和气象变量与花粉度相互作用的分析.

主要成果:

• 衍生的花粉度表现出预期的日间趋势和与气象变量之间的相关性.
• 树花粉 (Quercus) 度在树冠高度 (20-30m) 最高,在树冠以上 (40m) 最低.
• 整个季节和高度都观察到花粉度的减弱,有证据表明,在天花板下面的较低水平 (10米) 后来的持久性.

结论:

• 低成本的OPC与机器学习相结合,有望实现详细的,本地规模的花粉监测.
• 森林生态系统中的花粉度概况取决于高度,这对暴露评估有影响.
• 这种方法为传统方法提供了一种经济有效的替代方案,提高了我们对空气中花粉动态的理解.