描述美国西部PM_2.5成分暴露的时空趋势,使用来自多来源数据和深度学习的每日1公里估计

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 数据科学数据科学数据科学

背景情况:

• 精确的细颗粒物 (PM$_{2.5}$) 化学成分数据对于空气质量管理和健康风险评估至关重要.
• 现有的数据往往缺乏跨大地理区域的必要的空间和时间分辨率.
• 了解PM$_{2.5}$组件对于有针对性的污染控制策略至关重要.

研究的目的:

• 开发和验证一个时空建模框架,用于估计每日,无差距的PM$_{2.5}$成分度.
• 从2002年到2019年,在美国西部实现高空间 (1公里) 和时间 (每日) 解析度.
• 为空气质量管理,健康影响评估和政策规划提供可靠的数据集.

主要方法:

• 采用深森林算法进行时空建模.
• 来自地面化学物种网络的综合数据,卫星衍生PM$_{2.5}$质量,CMAQ模拟和辅助预测器.
• 硫酸盐 (SO$_{4}^{2-}$),酸盐 (NO$_{3}^{-}$),有机碳 (OC),元素碳 (EC) 和矿物灰尘 (DUST) 的估计每日度.

主要成果:

• 该模型表现出强的性能,所有组件的交叉验证R$^{2}$值高 (0.66-0.89).
• 估计的成分度显示出明显的空间变化,城市地区高于SO$_{4}^{2-}$,NO$_{3}^{-}$,EC和OC,尘埃集中在特定的边境地区.
• 从2002年到2019年,所有五个组成部分都呈现下降趋势,总PM$_{2.5}$显著下降,主要是由于OC和NO$_{3}^{-}$的减少.

结论:

• 开发的建模框架成功地为PM$_{2.5}$提供了高分辨率的长期化学成分数据.
• 该数据集显示了PM$_{2.5}$组件的显著空间和时间变化,包括野火的影响.
• 这些发现支持有针对性的空气质量管理,源特定缓解努力和健康影响研究.