《Environmental Pollution》:Calibration Model for Purple Air monitored PM2.5 across the United States
编辑推荐:
摘要准确监测PM2.5对于了解空气质量及其对公共健康的影响至关重要。Purple Air传感器在空间和时间上填补了PM2.5监测的空白,因其低成本和实时监测功能而广受欢迎,但其准确性却常常受到质疑。分析表明,这些传感器在PM2.5测量中存在系统性偏差,误差受湿度、温度以及传感器漂
摘要
准确监测PM2.5对于了解空气质量及其对公共健康的影响至关重要。Purple Air传感器在空间和时间上填补了PM2.5监测的空白,因其低成本和实时监测功能而广受欢迎,但其准确性却常常受到质疑。分析表明,这些传感器在PM2.5测量中存在系统性偏差,误差受湿度、温度以及传感器漂移等因素影响。为解决这一问题,我们基于Purple Air传感器所采集的参数——包括颗粒物(PM1、PM10、PM2.5)、温度、压力和相对湿度——开发了一种可扩展的校准模型,无需依赖外部气象数据或辅助数据集即可确保模型的稳定性。为满足不同用户的需求,我们在美国环境保护局监测点周围的不同距离范围内生成了多组经过校准的PM2.5数据。该方法采用相对简单且易于理解的随机森林回归模型,避免了计算复杂度高的深度神经网络架构,同时仍保持了出色的预测性能。该模型使用2019年至2021年的数据构建,随后用2022年的数据进行验证。通过皮尔逊相关系数评估,结果显示,在500米到5000米的缓冲区域内,经过校准的PM2.5数值与环保局参考值之间具有高度一致性,相关系数在0.90至0.96之间。由于注重透明度、操作简便性和可重复性,这一框架为提升Purple Air PM2.5数据的可靠性提供了实用且以用户为导向的解决方案,尤其适用于那些缺乏专业监测设施的地区。由此产生的仅基于Purple Air传感器、以环保局数据为参考的校准产品,可应用于从局部空气质量评估到全国范围的暴露程度及流行病学研究等多种场景。
引言
空气污染是全球疾病发病率和死亡率的重要环境因素,其中直径小于2.5微米的细颗粒物PM2.5因其能够侵入呼吸系统并进入血液而被视为最具危害性的物质(世界卫生组织,2021年)。大量研究表明,长期接触PM2.5会显著增加呼吸系统疾病和心血管疾病的发病风险(Brook等人,2010年;Josey等人,2023年)。监测PM2.5等空气污染物至关重要,因为它们有助于制定空气质量标准、为减排政策的有效性提供依据,同时也能为研究空气污染对健康的影响提供数据支持。尽管有卫星遥感技术、大气化学传输模型以及各种统计和机器学习模型可用于扩大空气污染信息的覆盖范围(Borhani等人,2023年;Momeni等人,2024年;Ma等人,Sorek-Hamer等人),但地面监测站依然能提供最可靠、最精确的污染物数据。这一情况也适用于其他空气污染物,因为高昂的安装和维护成本,加上某些地区难以到达的地理条件,阻碍了监测网络的全球扩展。因此,地面监测站的数量有限且分布不均,导致许多地区缺乏监测,这可能对公共健康和环境状况造成威胁。
为弥补传统监测站的不足,人们开始使用成本低廉的空气质量传感器,这类传感器设计紧凑且易于使用,可安装在多种环境中。用于监测PM2.5的这类低成本传感器正逐渐普及。Purple Air就是其中的佼佼者,自2015年以来,全球已有超过3万台此类设备用于监测室内外PM2.5浓度。这些传感器配备了压力-温度-湿度传感器(Bosch BME280)、两个激光散射颗粒传感器(Plantower PMS5003),以及一个可通过WiFi将数据实时上传至云端的系统(
www2.PA.com)。
以往的研究已经探讨了这类传感器在各种户外环境中的准确性和性能表现(Kumar等人,2015年;Kim S.等人,2019年;Campmier等人,2023年)。研究表明,这类传感器以及其他Plantower系列的传感器都具有较高的精度,同一型号的传感器测得的PM2.5浓度差异较小;不过其准确性仍有波动,需要进一步校正(Rai等人,2017年;Morawska等人,2018年;Malings等人,2019年;Barkjohn等人,2021年)。这类传感器使用方便、成本较低,且操作无需高专业技能,但其数据质量却引发了诸多质疑(Clements等人,2019年;Williams等人,2019年)。与专业监测设备相比,这类传感器通常需要经过校准才能提高精度。将这类传感器放置在专业监测设备旁边,是评估其性能并针对每台传感器进行单独调整的有效方法(Jiao等人,2016年;Johnson等人,2018年;Zusman等人,2020年)。此前,美国已经为这类传感器制定了多种校正因子,但这些因子通常针对特定的地区、时段或条件。已有研究在美国的多个地区进行了测试,包括科罗拉多州(Ardon-Dryer等人,2020年)、犹他州(Kelly等人,2017年;Sayahi等人,2019年)、宾夕法尼亚州(Malings等人,2020年)、北卡罗来纳州(Magi等人,2019年)以及加利福尼亚州(Bi等人,2020年)。此外,大多数校正公式都是线性的,可能无法完全反映数据集中的非线性特征。例如,Sayahi等人(2019年)采用了专为犹他州盐湖城设计的线性校正方法AQ&U,结果发现PMS 5003传感器测得的PM2.5浓度比实际值高出1.47倍。Barkjohn等人(2021年)分析了42个Purple Air传感器以及12,000个24小时平均数据样本,构建了一个线性方程,发现不同州的均方根误差在1.7到3.7微克/立方米之间,不过此时测得的PM2.5浓度普遍低于60微克/立方米。另外,还有多项研究(Magi等人,2020年;Sayahi等人,2019年;Zheng等人,2018年)在校正公式中未纳入其他独立变量,或仅考虑了相对湿度这一因素。Ghahremanloo等人(2025年)则利用深度卷积神经网络对2021年全美范围内的Purple Air传感器进行了校准,其10折交叉验证的相关系数达到了0.95。不过深度卷积神经网络计算成本极高,且需要大量输入数据才能构建出高效的模型。
鉴于越来越多的研究开始使用这类传感器,开发合适的校准模型显得尤为重要。基于现有研究,我们为全美地区制定了完善的PM2.5校正方法,旨在提升不同地区的测量精度,从而为空气质量指数核算、健康影响研究以及公共卫生宣传提供更为可靠的数据支持。该校正方法完全依赖于传感器自身采集的数据,即便是在没有附近专业监测设备或气象站的偏远地区,也能使用这些数据。所采用的数据集和方法使得该校正模型具备较高的精确度,且资源消耗较低,可广泛应用于全美各地,不受特定地区或条件的限制。通过提升这类传感器数据的准确性和可解释性,我们的工作为构建更加公平、数据更丰富的空气质量监测体系做出了贡献。
章节节选
数据收集与预处理
Purple Air是一个于2015年启动的实时、基于公民参与的PM2.5监测网络。每个传感器设备都配备了两个Plantower PMS5003传感器,分别记为A通道和B通道。该传感器首先通过单通道光散射技术获取数据,再通过专用公式将光学信号转换为质量浓度值。PM2.5、PM1、PM10、温度、湿度以及压力数据的更新间隔为两分钟。该传感器会通过两种不同的校正因子输出PM2.5浓度值:CF=ATM(考虑整体大气环境因素)和CF=1。
研究结果
在我们的测试数据集中,该校准模型的相关系数达到了0.96,均方根误差为3.76微克/立方米。如2.5节所述,所有报告的数值和结果均基于5000米距离范围的校准模型。表S3展示了研究期间PM2.5浓度的分布情况。数据显示,这些浓度值整体呈现偏低的趋势,大约76%的观测值低于10微克/立方米,而高于35微克/立方米的观测值占比不到2%。正因如此,我们对整个模型的性能进行了综合评估。
讨论
由于可靠的地面监测站数量不足,再加上大量低成本传感器的广泛应用,这些传感器往往会产生不稳定或未经验证的浓度数据,因此准确测量PM2.5仍然面临很大挑战。有限的参考数据加上传感器质量参差不齐,使得校准工作变得十分复杂,也会给依赖这些数据的研究带来不确定性。因此,开发稳健的模型和有效的校准方法显得极为重要。
结论
我们的方法不仅具备了良好的性能,还具有广泛的适用性,无需严格的地理位置限制或特殊环境条件即可使用。尤为重要的是,该模型能够捕捉到气溶胶颗粒在高湿度条件下因吸湿作用而产生的非线性变化,而传统的线性模型在这种环境下往往无法准确反映实际情况。因此,它为校正Purple Air传感器测得的PM2.5浓度提供了一种高效且灵活的方法,可广泛应用于各类研究场景。
CRediT作者贡献说明
Ke Xu: 数据可视化、数据整理。 Dimple Pruthi: 原始稿撰写、数据可视化、模型验证、软件开发、方法设计、实验分析、正式数据分析、数据整理、概念构思。 Yang Liu: 文章审阅与编辑、数据可视化、项目监督、资金筹措、概念构思。
未引用参考文献
世界卫生组织,2021年;Ma等人,2022年;Sorek-Hamer等人,2020年;Sayahi等人,2019年;Cowell等人,2021年。
利益冲突声明
? 作者声明不存在任何可能影响本研究结果的财务利益关系或个人关系。
致谢
作者还要感谢Purple Air提供了可用于科学分析的数据。
Dimple Pruthi|Ke Xu|Yang Liu
美国乔治亚州亚特兰大市埃默里大学罗林斯公共卫生学院环境健康系Gangarosa