综述：中低收入国家环境PM2.5暴露建模：以秘鲁为例

《Current Environmental Health Reports》：Ambient PM2.5 Exposure Modeling in LMICs: An Example from Peru

本综述系统阐述了在中低收入国家（LMICs）利用低成本传感器（LCS）、卫星遥感（如MAIAC AOD）与化学传输模型（CTM）构建高分辨率PM2.5暴露模型的混合方法，并以秘鲁GEOHealth Hub项目为例，展示了如何通过跨学科技术整合与本地化合作解决数据稀缺问题，为LMICs的空气污染健康效应研究及政策制定提供可扩展方案。

　　

引言

细颗粒物（PM_2.5）作为全球公共卫生的重要威胁，每年导致数百万人过早死亡。尽管全球环境PM₅暴露水平近年呈下降趋势，但中低收入国家（LMICs）与高收入国家间的暴露差距持续扩大，主要源于LMICs的快速城市化、生物质燃烧和工业化进程。此类地区缺乏完善的空气污染监测网络，限制了暴露评估、健康效应研究和政策推进。秘鲁作为典型LMICs，其城市区域PM_2.5浓度远超世界卫生组织年均指南值（5 μg/m3），首都利马在2010–2015年间均值高达26 μg/m3，凸显了构建国家级暴露模型的紧迫性。

中低收入国家的环境空气污染监测网络

国家空气质量监测网络是理解污染状况、支持公共卫生研究及政策制定的基石。多数高收入国家已建立覆盖全国的法规级监测网络，而LMICs因设备部署、运维成本高昂，监测站点稀疏或完全缺失。拉丁美洲地区仅约半数国家拥有官方监测网络，且集中在少数大城市，仅13个国家监测PM_2.5。类似挑战存在于亚洲和非洲国家，除印度外，多数国家地面监测器不足100个，难以实现全国污染水平评估。低成本传感器（LCS）的兴起为填补监测空白提供了可行路径，但其数据质量需通过法规级设备校正，并面临集成至政府监测体系的挑战。

基于卫星的PM_2.5暴露建模在LMICs的应用

卫星遥感气溶胶光学厚度（AOD）已成为全球PM₅暴露建模的核心技术。通过物理缩放或统计模型将AOD转换为地表PM_2.5浓度，结合气象、土地利用等协变量，可实现区域尺度的高分辨率预测。中分辨率成像光谱仪（MODIS）及其多角度大气校正算法（MAIAC）提供的1 km分辨率AOD数据被广泛应用。然而，LMICs面临地面验证数据匮乏及AOD数据缺失（如云覆盖导致缺失率最高达90%）的挑战。为此，研究转向整合LCS数据以提升模型精度，并采用迁移学习（TL）技术，利用数据丰富区域（如美国）的训练样本优化LMICs的预测性能。

建立低成本传感器网络：秘鲁案例

秘鲁GEOHealth Hub项目通过布设176台PurpleAir传感器，构建了覆盖全国24个行政区（含62.5%城市与37.5%农村地区）的LCS网络，海拔范围从海平面至4300米，成为迄今地理覆盖最全面的低成本监测系统之一。

监管与技术挑战

LCS在无法规监测区域的推广需克服设备验证难题。秘鲁环境部（MINAM）要求LCS需与至少三台法规监测器并置校验三个月，但国家网络自身校准频率低，项目转而采用自有的等效参考监测器进行校正。合作机构如国家气象水文服务局（SENAMHI）和环境评估控制局（OEFA）支持了沿海、安第斯山区及亚马逊流域的传感器校验工作。2024年8–11月农业燃烧季期间，亚马逊大区PM_2.5浓度峰值达180 μg/m3，首次揭示了该区域严重污染事件。

设备部署与运维挑战

传感器部署需稳定电力与网络支持，但秘鲁仅42%城市家庭和10%农村家庭拥有有线网络，且电力波动导致设备故障频发。项目通过加装不间断电源（UPS）、数据路由器及定期现场维护（年均每传感器至少两次干预）保障运行，但运维成本成为长期可持续性的关键制约。

本地合作与社区参与

初始计划与卫生部门合作因行政延迟受阻，项目转向与学校、地方机构及志愿者合作。亚马逊大区副省长的积极参与显著加速了部署效率，凸显本地化伙伴在偏远地区实施中的核心作用。

构建国家模型：整合低成本监测与遥感的混合方法

GEOHealth Hub开发了结合LCS、卫星AOD、CTM（如WRF-Chem）及机器学习（如随机森林）的混合暴露模型。为缓解农村及高海拔地区样本偏差，项目采用迁移学习技术引入美国类似地理气象区域的训练样本，通过样本权重优化随机森林模型。在利马的验证显示，模型在2010–2023年间每日PM_2.5预测R2达0.88，较全球模型显著提升，并纠正了山区浓度高估问题。模型正扩展至全国范围，目标实现2024–2026年每日5 km分辨率PM_2.5估算。

秘鲁GEOHealth Hub项目的可持续性

项目通过本地团队培训强化了设备运维与建模能力，计划利用全国PM_2.5数据开展住院及急诊数据的时序健康效应研究。长期可持续性依赖政府预算支持与国际资金（如美国国立卫生研究院）。目前SENAMHI的空气质量管理项目预算仅能维持利马网络运行，全国扩展需政策承诺与增量投资。每传感器年均维护成本约140美元（含现场访问及设备包），176台传感器的总运维费用成为主要挑战。

结论

LMICs中LCS网络的部署与混合建模策略显著推动了空气污染暴露评估的精度与覆盖范围。然而，电力、网络等基础设施限制仍是运维的主要瓶颈。通过跨学科技术整合与本地能力建设，混合模型为LMICs的环境流行病学及公共卫生规划提供了可扩展的解决方案，其全面实现需持续投入于技术优化与制度支持。