利用稀疏传感器网络对空气污染热点进行全面监测

《ACM Journal on Computing and Sustainable Societies》：Comprehensive Monitoring of Air Pollution Hotspots Using Sparse Sensor Networks

本研究在德里部署28个低成本传感器，结合空间时间克吕格金法与高斯烟羽模型，发现30个月数据中新增189个隐藏月度污染热点，模型在传感器缺失50%时仍保持高精度（95%精度，88%召回率），并据此提出政策建议，强调数据驱动与物理模型结合对资源有限地区的空气污染管理至关重要。

　　

摘要

城市空气污染热点对健康构成重大风险，但由于公共传感器网络的分布稀疏，其检测和分析仍受到限制。本文通过结合预测建模和机理分析方法来全面监测污染热点，以应对这一挑战。我们在新德里现有的传感器网络中增加了28个低成本传感器，从2018年5月1日到2020年11月1日共收集了PM₂.5数据。根据已建立的污染热点定义，我们发现了额外189个隐藏的月度污染热点，同时确认了公共网络检测到的660个热点。利用时空克里金（Space-Time Kriging）等预测技术，在传感器故障率为50%的情况下，我们以95%的准确率和88%的召回率识别出月度污染热点；在传感器缺失率为50%的情况下，准确率为98%，召回率为95%。我们的预测模型结果还被整理成政策建议，供公共部门参考。此外，我们还开发了一个高斯羽流扩散模型（Gaussian Plume Dispersion Model），以理解污染热点形成的机理，该模型纳入了来自当地污染源的排放数据。我们的机理模型能够解释65%的观测到的瞬态污染热点现象。我们的研究结果强调了在资源受限的环境中，将数据驱动的预测模型与基于物理的机理模型相结合对于实现可扩展且可靠的空气污染管理的重要性。