将低成本和监管空气质量监测网络与可解释的半监督学习协调:减少代表性不足的社区中暴露错误分类
1College of Architecture and Environment, Sichuan University, Chengdu 610065, China; College of Carbon Neutrality Future Technology, Sichuan University, Chengdu 610065, China.
Journal of hazardous materials
|March 11, 2025
概括
这项研究引入了一种新的半监督学习模型,使用链式归算与数据增强 (CI-DA) 来提高PM2.5映射的低成本传感器 (LCS) 数据质量. CI-DA模型提高了准确性,减少了暴露错误分类,促进了环境正义.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 低成本传感器 (LCS) 具有扩展空气质量监测网络的潜力,但面临着数据质量和空间调整的挑战.
- 通过监管空气质量监测站 (AQMS) 校准LCS网络至关重要,但由于空间错位,这很困难.
研究的目的:
- 开发和评估一个半监督学习模型 (CI-DA) 以改进使用LCS数据的PM2.5映射.
- 解决LCS网络中的空间错位和数据质量问题.
- 提高暴露评估的准确性,特别是在代表性不足的社区.
主要方法:
- 提出了一种半监督学习模型,其中包含链式归算与数据增强 (CI-DA).
- 合成伪LCS数据以解决LCS和AQMS网络之间的空间错位问题.
- 将CI-DA模型应用于中国唐山的PM2.5测绘.
主要成果:
- 在校准后,CI-DA改善了82%的LCS的数据质量,使根平均平方偏差 (RMSD) 降低了10.8%.
- 与仅使用AQMS模型相比,该模型将空间验证R2从0.68增加到0.76.
- 与未校准的LCS数据相比,在工业区减少了约20%的暴露错误分类.
结论:
- 该CI-DA模型有效地协调LCS和AQMS数据,提高PM2.5预测的准确性和通用性.
- 这种方法可以降低LCS网络维护成本,同时提高暴露评估.
- CI-DA模型通过改善服务不足地区的空气质量数据来促进环境正义.
更多相关视频
08:23Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry
Published on: March 9, 2018
8.9K
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.2K
