人工智能和移动数据可以改善空气污染暴露模型
今年夏天，东北部的美国人更加关注空气质量报，因为山火雾使天空变得浓重，呈现出橙色的薄雾。雾和其他空气污染源含有微小颗粒，称为细颗粒物 (PM 2.5)。PM 2.5 比人类头发的宽度还小，吸入后会对健康造成危害，特别是对于患有心脏病和肺部疾病的人来说。为了评估 PM 2.5 的暴露情况并帮助公共卫生官员制定策略，宾夕法尼亚州立大学领导的研究小组使用人工智能和流动性数据设计了改进的模型。
“我们的研究表明，将人工智能和移动数据纳入空气质量模型可以改进模型，并帮助决策者和公共卫生官员优先考虑因不健康的空气质量或不健康的空气质量和高空气质量相结合而需要额外监测或安全报的区域。宾夕法尼亚州立大学地理学助理教授、该研究的第一作者 Manzhu Yu 说。
据《环境科学前沿》杂志报道 ，研究人员检查了美国大陆八个大都市区的 PM 2.5 测量结果。空气质量数据来自环境保护局 (EPA) 监测站和通常由当地社区组织购买和分发的低成本传感器。他们利用这些数据找出每个地区每小时的 PM 2.5 平均值。
科学家将空气质量数据输入土地利用回归模型。该模型使用当地地理因素，例如卫星测量的气溶胶水平，也称为气溶胶光学深度;到最近的道路或溪流的距离;海拔; 植被; 以及湿度和风速等气象条件，以研究这些因素如何影响空气质量。于解释说，过去的模型采用线性方法来评估空气污染，这意味着它们为每个地理因素及其对空气质量的影响分配了固定的重要性。然而，植被和气象条件等某些因素无法以这种方式表示，因为它们每小时或季节性变化，并且可能与影响空气质量的其他因素存在复杂的相互作用。
Yu 和她的同事采用非线性方法，通过将自动化机器学习(一种自动执行数据准备、参数选择以及模型选择和部署等耗时任务的人工智能)融入到模型中，更好地解释这些变化或复杂的因素。土地利用回归模型。自动化机器学习方法使用集成方法，该方法允许机器运行并组合多个模型，以确定每个区域表现最佳的模型。研究人员还检查了匿名手机移动数据，以查明空气质量不健康和游客人数较多的地区。
研究人员发现，他们的自动化机器学习方法结合了来自低成本传感器和 EPA 监测站的集成数据，将空气污染暴露模型的准确性平均提高了 17.5%，比单独使用监管监测器提供了更大的空间变化。Yu将精度的提高归功于该方法能够更好地解释气溶胶光学深度和气象因素的动态变量，这在所有研究区域中始终被证明是最重要的。移动数据组件使团队能够绘制区域内的潜在热点以及一天和一年中大量人员可能暴露在高 PM 2.5 水平下的时间。
她说：“许多地区的空气污染水平可能持续较高，例如工厂和主要交通枢纽附近的地区，但这还不足以列出需要额外监测或健康报的优先地点清单。” “我们基于流动性的暴露地图向公共卫生官员和决策者展示了空气质量不健康且游客流量高的热点地区。当人们进入 PM 2.5 水平极高的区域时，他们可以利用这些信息向他们的手机发送报，以减少他们接触不健康空气质量的机会。”
该研究的其他贡献者包括宾夕法尼亚州立大学地理学博士生张世彦;Junjun Yin，宾夕法尼亚州立大学社会科学研究所助理研究教授;Jiheng Miao，刚刚从宾夕法尼亚州立大学毕业并获得地理学学士学位;Kai 张，纽约州立大学奥尔巴尼分校公共卫生学院帝国创新副教授;马修·瓦雷拉 (Matthew Varela) 是宾夕法尼亚州立大学即将入学的研究生，他最近从俄克拉荷马大学毕业，获得了气象学学士学位，并在宾夕法尼亚州立大学 2022 年夏季气候科学本科生研究经验项目期间参与了这项研究。
版权声明：本文由用户上传，如有侵权请联系删除！