在高空间分辨率下使用移动电话信号数据绘制城市NO2度的日间变化
Sicong He1, Yanbin Yuan1, Lijie Yang1
1School of Resources and Environment Engineering, Wuhan University of Technology, Wuhan 430070, China.
Environment international
|August 31, 2025
概括
新的深度学习模型使用手机数据以前所未有的250米/小时的分辨率追踪二氧化 (NO2) 污染. 这种方法准确地捕捉了污染动态,优于传统模型,并提供了对城市空气质量的洞察力.
科学领域:
- 环境科学
- 数据科学
- 大气化学
背景情况:
- 二氧化 (NO2) 是一个主要的城市空气污染物,但在高空间分辨率下监测其每日度具有挑战性.
- 如地面传感器,遥感和模型等现有方法在时空精度上有局限性.
- 移动电话信号数据为人类活动的强度提供了一个新的替代品,
研究的目的:
- 开发一种新的深度学习模型,以250米/1小时的分辨率估计近地NO2度.
- 利用手机信号数据来描述人口流动及其对二氧化水平的影响.
- 评估模型的性能,概括性以及对NO2估计的关键影响因素.
主要方法:
- 从手机信号数据中提取人口流动模式的算法.
- 为环境变量建模构建了一个深度学习模型,专门用于NO2度估计.
- 使用5倍交叉验证和空间预测验证模型,将其性能与传统机器学习模型 (RF,XGBoost,DNN) 进行比较.
主要成果:
- 深度学习模型实现了高精度 (交叉验证R2=0.815,空间预测R2=0.774),显著优于传统模型.
- 移动电话数据有效地捕捉了与交通有关的活动模式,包括高峰时间和夜间变化.
- 解释性分析发现动态交通排放 (22.59%) 是NO2的主要驱动因素,其次是风速 (16.45%),边界层高度 (9.07%) 和降雨量 (7.24%).
结论:
- 可以有效地利用手机信号数据来实现高分辨率 (250m/1hr) 的NO2度估计.
- 拟议的深度学习方法证明了空气污染物建模的稳定性和空间通用性.
- 这项研究为先进的高分辨率空气质量监测和跟踪系统铺平了道路.
