将GPS和低成本传感器结合使用，以改进学童个人颗粒物（PM2.5）暴露量的建模

《Environmental Pollution》：Integrating GPS and Low-Cost Sensors to Enhance Personal PM 2.5 Exposure Modeling for Schoolchildren

　　

摘要

由于关于个人PM_2.5浓度时空变异性的数据有限，准确估算个人PM_2.5暴露量仍然具有挑战性。本研究开发了一个系统框架，以改进用于估算每日PM_2.5暴露量的微环境暴露（ME）模型。在一年内，使用配备了GPS模块的便携式PM_2.5传感器，从台湾北部的学童那里收集了总共918个人天的PM_2.5测量数据。在部署前，通过对参考Met One BAM-1020监测仪进行质量保证/质量控制（QA/QC）校准，显示了较高的测量准确性（平均R² = 0.996；回归斜率 = 0.962）。来自传感器的时间-位置数据、GPS跟踪和问卷调查被用来开发六个时间加权平均ME模型。个人PM_2.5暴露量表现出显著的个体内变异性，这由低的内分类系数（ICC = 0.125）表明。在评估的微环境中，学校的PM_2.5浓度最高（22.7 μg/m³）。传统的ME模型限制了预测性能，并且预测的暴露分布较窄。完全依赖GPS解析的模型（模型6）表现最佳（R² = 0.619；准确率 = 74.0%）；然而，仅使用GPS识别的家庭和学校位置的简化模型（模型5）的表现几乎相当（R² = 0.616；准确率 = 71.7%），这表明从完全GPS解析中获得的增量收益很小。因此，大部分可实现的改进归因于正确描述了两个主要的微环境，而不是解析每个访问的位置。所提出的ME模型再现了在测量到的个人暴露中观察到的个体内和个体间方差结构。这些结果反映了与同时测量的个人暴露的内部验证；模型是否改善了暴露排名或减少了暴露-健康分析中的误分类尚未评估，这将在LIGHTS队列中进一步进行研究。

引言

环境细颗粒物（PM_2.5，空气动力学直径≤2.5 μm）与一系列不良健康效应密切相关，包括早死、心血管和呼吸系统疾病以及儿童发育障碍（HEI, 2019; WHO, 2021）。由于健康风险评估和空气质量法规主要依赖于环境浓度，因此准确估算个体水平的PM_2.5暴露量对于流行病学研究和公共卫生干预至关重要，特别是随着研究越来越多地关注低浓度下的健康效应（Liu et al., 2023）。然而，在大规模队列中进行直接的个人监测在物流上复杂且成本高昂，导致仍依赖间接暴露模型。已经开发了几种建模方法，如扩散模型、卫星遥感、土地利用回归和混合数据融合方法，来估算时空分辨的PM_2.5暴露量（Di et al., 2016; Geng et al., 2021; Stafoggia et al., 2022; Xue et al., 2019）。然而，这些模型主要依赖于环境测量，往往无法捕捉个体层面的暴露变异性，特别是室内渗透、个人活动模式和微环境条件的影响。此外，大多数现有模型估算的是人群平均暴露量，而不是实际的个人暴露量，这限制了它们捕捉短期峰值或脆弱群体（如儿童）之间易感性的差异的能力。缺乏个人暴露量的验证进一步限制了评估模型准确性和个体代表性。因此，将个人传感器测量数据、微环境观察和移动信息整合到暴露模型框架中在技术上具有挑战性，但对于提高未来暴露评估的准确性和个体相关性至关重要。

为了估算个人水平的PM_2.5暴露量，ME模型长期以来一直作为直接个人监测的实用替代方案，因为它们考虑了室内渗透、特定来源的排放和个人移动模式。当高分辨率的个人监测数据或详细的空间暴露信息不可用时，这些模型特别有价值，因为它们可以根据时间-活动模式和环境或建模的微环境浓度来估算暴露量（Hsu et al., 2020; Hsu et al., 2023）。此外，这些模型在计算上高效，能够在大规模队列或回顾性研究中进行可扩展的实现。然而，传统的ME模型通常依赖于每个微环境内的静态中位数或平均浓度，无法捕捉PM_2.5浓度的日间变化和家庭层面的空间异质性（Baxter et al., 2007; Hsu et al., 2023）。此外，时间-活动模式通常是自我报告或推断的，这可能引入潜在的误分类和召回偏差。底层的微环境浓度通常来自稀疏的测量数据或固定位置的监测仪，这可能低估了短期峰值或非典型的暴露事件（Branco et al., 2014）。最近在低成本气溶胶传感技术方面的进展使得空气质量信息和暴露评估方法更加可访问、可扩展和空间分辨（Bagkis et al., 2025; Considine et al., 2023; Morawska et al., 2018）。当与全球定位系统（GPS）跟踪器结合使用时，它们能够动态描述个体在时间和空间上的暴露情况，以传统固定监测仪无法实现的方式捕捉个人移动性和环境变异性（Liu et al., 2025; Park et al., 2023; Xu et al., 2022）。

尽管基于GPS的方法已被推荐并应用于追踪个体在不同微环境中的实际时间以评估空气污染暴露，但将低成本气溶胶传感器与GPS跟踪相结合以进行基于人群的PM_2.5暴露评估的ME模型的开发和改进仍然有限，特别是在与实际个人暴露的验证方面（Adams et al., 2009; Breen et al., 2023; Nethery et al., 2014; Wei et al., 2024; Wei et al., 2025）。在这项研究中，我们通过整合低成本传感器测量数据、环境监测数据、GPS衍生的移动记录和基于问卷的时间-活动信息，系统地开发并内部验证了多个ME模型。利用实证现场观察，我们定量评估了设备和模型的偏差和不确定性，并确定了潜在的改进领域，而不仅仅是依赖模拟或假设的时间比例。我们的研究为如何最有效地将传统的时间加权ME模型应用于流行病学和公共卫生应用提供了实证指导。

章节片段

研究人群和设计

2019年，我们从台湾北部桃园市和新北市的医院为基础的队列中招募了39名8至10岁的学童。这些参与者来自长庚纪念医院林口分院建立的“台湾学童全球健康纵向调查”（LIGHTS）队列的一个子组。LIGHTS队列是一个大规模的长期研究平台，旨在调查环境、行为和

PMSL的质量控制和校准

PMSL设备的检测限、QA/QC程序和校准结果在补充材料中给出（图S5–S6和表S2–S3）。使用BAM-1020监测仪作为参考仪器，在受控室内用参考气溶胶评估了设备性能。总体而言，所选的PMSL设备表现出强大的性能，与参考仪器相比，平均R²为0.996，平均回归斜率（β）为0.962。

讨论

我们的研究揭示了显著的个体内变异性，占Taoyuan和新北城市儿童个人PM_2.5暴露总方差的87.5%，内分类系数（ICC）较低（0.125），表明时间变化（小时和日常变化）大于持续的个体间变异性。鉴于学童个人PM_2.5暴露的ICC较低，单日的测量不足以描述典型的暴露情况。

结论

通过将GPS衍生的时间-位置信息与实证确定的时空调整因素（M/S比率）相结合，优化的ME模型（模型6）与测量的个人PM_2.5暴露量很好地一致，并再现了其个体内和个体间的变异性结构。这些发现强调了将详细的空间和时间变异性纳入时间加权暴露模型中的重要性。为了简化模型结构同时最小化监测工作量，

CRediT作者贡献声明

黄春明：方法论。徐伟婷：写作——初稿，软件，项目管理，正式分析。姚宗哲：可视化，调查。顾春宏：调查。陈玉成：写作——审阅与编辑，写作——初稿，监督，方法论，资金筹集，概念化。蔡惠如：可视化

知情同意和患者详细信息

已从所有参与者或他们的法定代表处获得参与研究的书面知情同意和发表文章的同意。 participant的隐私权得到了尊重。

人类研究

本研究遵循研究所在地的相关法律、监管框架和指南进行。该研究已获得国家卫生研究所的伦理委员会和长庚医学基金会的机构审查委员会的批准。

利益冲突声明

? 作者声明以下可能的财务利益/个人关系可能被视为潜在的利益冲突：陈玉成报告称获得了国家科学科技委员会的财务支持。如果有其他作者，他们声明没有已知的可能影响本文所报告工作的财务利益或个人关系。

致谢

作者感谢长庚纪念医院的Yulun Tseng在协助儿童队列方面的工作，感谢台湾半导体研究所的前研究员陈佳博士在设备开发和维护云中的测量记录方面的帮助，以及感谢国立联合大学的研究生进行的现场监测工作。感谢来自环境健康科学和国家卫生研究所的资助。

徐伟婷|黄春明|顾春宏|姚宗哲|蔡惠如|陈玉成

台湾苗栗国家卫生科学研究所，国家卫生研究院