融合网络分析与峰值分析的低成本传感器网络筛查技术揭示城市非交通排放源的超局部特征

这篇研究创新性地整合网络分析（network analysis）和峰值分析（peak analysis）技术，通过大规模低成本传感器（LCS）网络识别城市非交通排放源（如建筑活动和夜间烹饪）对PM2.5的局部贡献，为精准空气质量管理提供数据驱动的新方法。

　　

亮点

我们提出了一种创新的筛查方法，结合网络分析和峰值分析，从城市级固定站点低成本传感器（LCS）网络中提取非交通排放源的超局部信息。

网络分析通过传感器网络的统计效能，将监测点数据与网络中其他节点对比，识别由本地源（而非区域或气象事件）驱动的污染热点。峰值分析则通过聚类背景值以上的浓度尖峰，弱化高背景浓度和低昼夜变异性的干扰，突出本地排放源的影响。

超局部热点识别

图3展示了网络分析筛查工具识别的三个异常热点：

• 2022年3月21-25日的区域性PM_2.5事件与英国官方监测数据高度吻合

• 通过日内排名和空间一致性分析，过滤掉气象驱动的区域性事件，锁定本地排放主导的热点

结论

融合网络分析和峰值分析的技术框架，首次在242个节点的"呼吸伦敦"LCS网络中实现了非交通排放源（如建筑和烹饪活动）的超局部解析，为大规模传感器网络的数据价值挖掘提供了可扩展的解决方案。