贝叶斯多源数据融合模型在伦敦PM2.5时空浓度预测与健康暴露评估中的应用

《Environmetrics》：A Bayesian Multisource Fusion Model for Spatiotemporal PM 2 . 5 $$ {\mathrm{PM}}_{2.5} $$ in an Urban Setting

本文推荐一篇基于贝叶斯多层次时空融合模型的高分辨率PM2.5预测研究。作者整合地面监测、卫星气溶胶光学厚度（AOD）、再分析数据（AQR）与土地利用变量，结合随机偏微分方程（SPDE）与集成嵌套拉普拉斯近似（INLA）方法，构建了大伦敦地区1公里网格月度PM2.5浓度场（2014–2019）。模型通过时空交叉验证显示优异拟合性能（R2达0.94），并能够量化不确定性、生成超标概率图，为空气质量管理与流行病学暴露评估提供可靠工具。

　　

研究背景与意义

细颗粒物（PM_2.5）作为城市空气污染的主要成分，与全球发病率和死亡率显著相关。联合国可持续发展目标（SDG）中明确要求降低城市空气污染水平，并设定PM_2.5年均浓度作为关键指标。伦敦作为高度城市化区域，其PM_2.5浓度时空分布对公共健康影响重大。传统监测站点稀疏、空间覆盖有限，难以捕捉细尺度污染模式。本研究通过多源数据融合与贝叶斯层次建模，旨在构建高精度、高分辨率的PM_2.5浓度场，支持环境政策制定与健康风险评估。

数据来源与预处理

研究区域为2014年至2019年的伦敦行政区，空间分辨率为1公里网格，时间分辨率为月。监测数据来自英国自动城市与农村网络（AURN）和伦敦空气质量网络（LAQN），共44个站点，涵盖城市背景、郊区背景、工业和交通四种类型（工业站点未纳入建模）。卫星数据包括NASA的MAIAC气溶胶光学厚度（AOD）产品、MODIS归一化植被指数（NDVI），以及欧洲中期天气预报中心（ECMWF）的边界层高度（BLH）数据。模型协变量还包括英国污染气候建模（PCM）输出、气象再分析数据（AQR）、人口密度、道路密度和土地利用分类。所有数据均重投影至英国国家网格（BNG），并采用反距离加权（IDW）插值解决空间不对齐问题。

模型方法论

研究采用贝叶斯层次框架，结合随机偏微分方程（SPDE）与集成嵌套拉普拉斯近似（INLA）进行参数估计。基础模型形式为：

log(PM_2.5) = β? + βX + ξ(s,t) + ε

其中X为协变量线性效应，ξ(s,t)为潜在时空场，ε为测量误差。时空过程通过AR1时间结构与Matérn空间协方差函数描述，并利用有限元方法在三角网格上离散化。模型比较了多种复杂结构，包括空间变系数（SVC）与时间变系数（TVC），以捕捉协变量效应的时空异质性。模型评估采用预测模型选择准则（PMCC）与交叉验证，重点考察R2、均方根误差（RMSE）、偏差及95%置信区间覆盖度。

主要结果与模型比较

通过比较十余种模型结构，最终优选模型（Model 4b）包含PCM线性效应、AQR的空间变系数、NDVI的时间变系数（AR1结构）及背景站点类型指示变量。该模型在时间交叉验证中R2为0.72，RMSE为0.19，空间验证中R2为0.68，RMSE为0.22，且计算效率较高（3.6小时）。模型后验估计显示，背景站点PM_2.5浓度显著低于交通站点（β = -0.27），而AQR与NDVI的变系数揭示其影响存在时空波动。空间范围估计为5.8公里，时间自相关系数达0.99，表明强烈的时空持续性。

预测制图与应用

模型输出了伦敦全域1公里网格的月度PM_2.5浓度后验分布，包括均值、标准差及超标概率（以WHO过渡目标10 μg/m3为阈值）。图示结果表明，中心城区与东部工业区浓度显著高于周边绿地，冬季污染峰值突出（如2014年12月）。2019年约42%网格区域浓度低于10 μg/m3，但无一达到WHO最终目标（5 μg/m3）。模型不确定性在监测稀疏的郊区较高，后验标准差达0.15–0.25 μg/m3。

讨论与创新

本研究通过融合多源异构数据，解决了空间统计中的可塑性面积单元问题（MAUP）与变更支持问题（COSP）。INLA-SPDE框架在保证计算效率的同时，提供了完整的后验不确定性量化，优于传统回归方法。创新点包括：

1. 1.
   引入SVC与TVC项捕捉协变量非线性效应；
2. 2.
   联合校准低分辨率模型输出（如AQR）与站点观测；
3. 3.
   生成概率性超标地图，支持针对性干预策略。
   研究局限性在于模型扩展性受计算资源限制，且乡村地区监测稀疏可能影响外推精度。

结论与展望

该贝叶斯多源融合模型实现了伦敦PM_2.5浓度的高分辨率、高精度制图，为空气污染流行病学、政策评估与SDG指标监测提供了可靠工具。未来工作可拓展至全英范围，融合低成本传感器数据，并探索化学传输模型与机器学习方法的混合框架，以进一步提升预测效能与时空分辨率。