今年夏天，东北部的美国人对空气质量警报的关注度上升，因野火烟雾使天空变得更加浓厚，形成了橙色的雾霾。这些烟雾和其他空气污染源中含有微小颗粒，称为细颗粒物(PM 2.5)。PM 2.5的直径比人类头发丝还要小，吸入后会对健康造成威胁，尤其是对已有心肺疾病的人群。
为了评估PM 2.5的暴露情况并帮助公共卫生官员制定应对策略，宾夕法尼亚州立大学的研究团队利用人工智能和移动数据设计了改进的模型。
该研究的第一作者、宾夕法尼亚州立大学地理学助理教授Manzhu Yu表示：“我们的研究表明，将人工智能和移动数据整合进空气质量模型中，可以提升模型的准确性，帮助决策者和公共卫生官员优先关注那些因空气质量不佳或人流量大的地区，这些地区需要额外的监测或安全警报。”
根据《环境科学前沿》杂志的报道，研究人员分析了美国大陆8个大城市的PM 2.5测量数据。空气质量数据来源于环境保护署(EPA)的监测站以及通常由当地社区组织购买和分发的低成本传感器。他们利用这些数据计算出每个地区每小时的PM 2.5平均值。
科学家们将空气质量数据输入土地使用回归模型。该模型考虑了当地的地理因素，如卫星测量的气溶胶水平（气溶胶光学深度）、到最近道路或溪流的距离、海拔高度、植被覆盖率，以及湿度和风速等气象条件，以研究这些因素对空气质量的影响。
Yu解释说，传统模型采用线性方法评估空气污染，这意味着它们为每个地理因素及其对空气质量的影响分配了固定的重要性。然而，某些因素如植被和气象条件，无法用这种方式表示，因为它们会随时间或季节变化，并可能与其他影响空气质量的因素存在复杂的相互作用。
Yu和她的同事们采用了一种非线性方法，通过将自动机器学习（自动执行耗时任务的人工智能技术，如数据准备、参数选择、模型选择和部署）整合进土地使用回归模型，更好地考虑这些变化或复杂因素。
自动机器学习方法使用集成技术，允许机器运行和组合多个模型，以确定每个区域的最佳表现模型。研究人员还分析了匿名的手机移动数据，以识别空气质量不佳和游客数量较多的地区。
研究发现，结合低成本传感器和EPA监测站的综合数据，自动化机器学习方法使空气污染暴露模型的准确性平均提高了17.5%，相比单独使用监管监测器提供了更大的空间差异。
Yu将精度的提升归因于该方法能够更好地解释气溶胶光学深度和气象因素的动态变化，这在所有研究区域中被证明是最重要的。移动数据组件使团队能够在这些地区的特定时间内绘制出潜在的热点，显示出大量人群可能暴露在高浓度PM 2.5中。
她表示：“许多地区的空气污染水平可能一直很高，例如工厂和主要交通枢纽附近，但这些信息不足以列出需要额外监测或健康警报的优先地点。”
“我们基于交通的暴露地图向公共卫生官员和决策者展示了空气质量不佳和游客流量高的热点地区。当人们进入PM 2.5水平极高的区域时，他们可以利用这些信息向人们的手机发送警报，以减少他们接触不健康的空气质量。”
本文来自作者[夏芝]投稿，不代表UVQ号立场，如若转载，请注明出处：https://wap.uvqor.cn/wiki/202507-1226.html
评论列表（4条）
我是UVQ号的签约作者“夏芝”！
希望本篇文章《研究人员通过人工智能和移动数据优化空气污染暴露模型》能对你有所帮助！
本站[UVQ号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：今年夏天，东北部的美国人对空气质量警报的关注度上升，因野火烟雾使天空变得更加浓厚，形成了橙色的雾霾。这些烟雾和其他空气污染源中含有微小颗粒，...