《Environmental Science & Technology》:Comparison of High Spatial Resolution PM2.5, PM10, and NO2 Estimates Using a Deep Ensemble Machine Learning Framework in a Low Pollution Setting
编辑推荐:
近期研究表明,在空气污染估算中集成模型较机器学习(machine learning, ML)模型性能有所改善,但其在监测数据稀疏地区的附加价值证据仍然不足。研究人员在澳大利亚新南威尔士州(New South Wales, NSW)——一个监测网络相对稀疏、污染
近期研究表明,在空气污染估算中集成模型较机器学习(machine learning, ML)模型性能有所改善,但其在监测数据稀疏地区的附加价值证据仍然不足。研究人员在澳大利亚新南威尔士州(New South Wales, NSW)——一个监测网络相对稀疏、污染水平较低且地理范围广大的区域——开发并比较了三种ML模型、一个监督线性回归(supervised linear regression, SLR)模型以及一个集成模型,以估算PM2.5、PM10和NO2的年均浓度。研究整合了政府监管监测与项目补充监测的污染物数据,以及涵盖土地利用、人口、交通和卫星观测等的236个预测变量。研究人员采用三阶段深度集成机器学习(deep ensemble machine learning, DEML)框架:第一阶段包括随机森林(Random Forest, RF)、XGBoost、梯度提升机(Gradient Boosting Machine, GBM)三种基础ML模型和SLR模型;第二阶段为RF、XGBoost、GBM和GLMNet四种元学习器(meta-learner);第三阶段为集成模型。研究预留10%的数据作为留出验证集,并在训练集上开展10折交叉验证(cross-validation, CV),采用CV-R2和均方根误差(root mean square error, RMSE)评估模型。DEML模型对所有污染物的拟合效果最佳,但相对基础ML模型的提升幅度有限,表明在监测密度不均、污染水平较低的地区,实施成本较低的基础ML模型仍具有重要应用价值。同时,交叉验证方法的选择会显著影响模型性能评估结果,研究人员建议在选择建模方法时应结合研究区域特征与计算资源进行综合权衡。
颗粒物(particulate matter, PM)与二氧化氮(NO
2)是研究最为广泛的两种空气污染物,与心血管和呼吸系统疾病、代谢性疾病及过早死亡等多种不良健康结局相关。流行病学研究长期依赖地面监测或模型估算来评估人群暴露水平,建模方法已从基于土地利用回归(land use regression, LUR)的监督线性回归(supervised linear regression, SLR)模型,逐步演进为各类机器学习(machine learning, ML)方法。随着卫星遥感、气象、土地利用等数字化地理空间数据的日益丰富,模型输出已可覆盖国家甚至大陆尺度,这对全国性或地理分布较广的队列研究具有重要意义。同时,集成学习(ensemble learning)通过组合多种ML模型以期改善单一模型预测能力,受到越来越多的关注。但现有研究多集中于欧美和中国等监测网络较密集、污染水平较高的地区,而在监测稀疏的低污染地区——如澳大利亚——其附加价值证据仍不充分。
发表于《Environmental Science》的这项研究以澳大利亚新南威尔士州(NSW)为研究区域,该地区面积近80万km
2,整体处于低污染水平,且监测站点在广大农村地区尤为稀疏。研究人员旨在比较深度集成机器学习(deep ensemble machine learning, DEML)框架与SLR及基础ML模型在估算PM
2.5、PM
10和NO
2年均浓度时的性能差异,并生成100 m分辨率暴露面,用于后续覆盖超过26.5万成年人的心血管与呼吸系统疾病队列研究。
在技术方法上,研究人员整合了四类关键数据源。首先为政府监测数据:2005—2018年间来自NSW及相邻州/领地的监管监测站小时级数据,采用样条插补缺失小时值,并在每个季度观测时数高于70%的前提下计算年均浓度。其次为项目监测数据:2018年11月至2020年3月间,研究人员依据欧洲ESCAPE方案,在Greater Sydney Area及周边区域采用哈佛大学撞击式采样器(Harvard Impactor, HI)和Ogawa被动扩散采样器进行两周频次采样,同步采集PM与NO
2/NO
x,并通过邻近政府参考站点对非同步监测数据进行时间调整以换算年均值;同时补充了2006—2008年和2013—2014年的历史NO
2被动采样数据。第三为预测变量数据:研究人员最初纳入236个候选预测变量,包括澳大利亚统计局人口与土地利用、建筑高度与面积、交通流量、国家污染物清单(National Pollutant Inventory, NPI)工业排放、植被/水体覆盖、海拔、气象要素以及大气成分分析组和OMI卫星反演的PM
2.5与NO
2数据等,经相关性(变量组内Pearson相关>0.80)和变异度筛选后保留79个变量进入模型。第四为DEML建模框架:第一阶段训练SLR、RF、XGBoost和GBM四种基础学习器,其中SLR采用前向选择;第二阶段以第一阶段各模型输出为输入,训练RF、XGBoost、GBM和GLMNet四种元学习器;第三阶段使用非负最小二乘(non-negative least squares, NNLS)算法对元学习器结果进行加权集成。研究将数据随机划分为90%训练集和10%留出测试集,并在训练集内开展10折随机交叉验证(CV),同时以空间CV作为敏感性分析,模型性能以R
2和RMSE评价。
在“监测污染物数据与预测变量”部分,研究区PM
2.5、PM
10、NO2在2005—2018年的年均浓度均值分别为6.9 μg/m3、17.8 μg/m3和7.9 ppb,且监测站和项目采样点在城市与农村之间的分布极不均衡。
在“基础学习器模型”部分,PM2.5中XGBoost表现最优,训练CV的R2=0.61、RMSE=0.90 μg/m3,留出测试R2=0.60、RMSE=1.03 μg/m3;PM10中GBM在训练CV最优,而XGBoost在测试集与GBM相当,R2均为0.80,RMSE分别为1.91和1.97 μg/m3;NO2中GBM表现最佳,训练CV的R2=0.92、RMSE=0.96 ppb,测试R2=0.90、RMSE=1.17 ppb。SLR模型在所有污染物中均为表现最弱的基线,尤其PM10测试R2仅0.16、RMSE高达3.35 μg/m3。
在“元学习器与DEML模型评估”部分,DEML对所有污染物的拟合效果最佳,但提升幅度有限。PM2.5的DEML训练CV R2=0.64、RMSE=0.85 μg/m3,测试R2=0.56、RMSE=1.07 μg/m3,GLMNet权重高达0.975;PM10的DEML训练CV R2=0.87、RMSE=1.39 μg/m3,测试R2=0.81、RMSE=1.90 μg/m3,GLMNet权重0.932;NO2的DEML训练CV R2=0.94、RMSE=0.80 ppb,测试R2=0.90、RMSE=1.18 ppb,GLMNet与RF分别占0.726和0.274。空间CV结果显示所有模型R2显著下降、RMSE上升,提示验证策略选择对性能评价具有重要影响。
在“PM2.5、PM10和NO2暴露地图”部分,研究展示了2015年NSW和ACT地区各污染物的年均浓度预测空间分布,所有污染物高值均集中在悉尼都市区;全省尺度上PM2.5为1.1—11.8 μg/m3,PM10为8.6—30.3 μg/m3,NO2为?2.1—24.6 ppb。NO2出现的负值主要与SLR模型中的“树冠覆盖”预测变量未按训练数据范围截断、导致预测外推有关,研究人员因此将负值重置为0以保证物理合理性。
讨论部分强调,尽管DEML框架整体拟合最优,但在低污染、监测稀疏的NSW地区,其相对基础ML模型的精度提升仅为边际,提示实施成本更低的基础ML模型在此类场景下仍具有显著实用价值。研究还发现,与欧美和中国等高密度、高污染监测网络的研究相比,本研究PM2.5模型R2明显偏低,主要与站点稀疏和污染物浓度范围较小有关;而PM10和NO2模型则可与国际同类研究相媲美。SLR表现较弱主要归因于其线性假设和纳入变量数较少。各污染物主要影响因素符合既有认知:PM2.5受气象、纬度、测量方法、树冠覆盖、过火面积、NPI排放和居住用地等影响;PM10受年份、NPI工业排放、卫星NO2、海拔和建筑高度等主导;NO2则与人口密度、卫星NO2、NPI排放和交通变量高度相关。空间分布上,PM10在悉尼以北Hunter地区出现高值,可能与该地区煤炭开采和燃煤电厂有关;PM2.5沿道路网络呈高值,反映交通源贡献。研究人员同时指出,随机CV结果倾向于乐观,而空间CV结果趋于悲观,真实性能可能介于两者之间。
研究结论翻译如下:本研究中,DEML模型对数据的拟合效果最佳;然而,对于PM10和NO2,其拟合效果与精度仅略高于最佳基础ML模型。对于PM2.5,DEML模型拟合效果与最佳元学习器(第二阶段)模型GLMNet相近。鉴于本研究监测网络密度低、监测站点数量少,且与国际研究相比污染水平较低,集成模型的这种有限提升值得关注。然而,与其他地区研究一致,研究人员发现验证方式——随机、留出或空间CV——对本研究模型性能具有显著影响;真实模型性能可能介于随机CV较乐观的结果与空间CV较悲观的结果之间。尽管研究人员支持尽可能构建稳健的暴露模型以用于暴露—反应研究,但DEML框架相对基础和元学习器ML模型的有限提升提示,在选择建模框架与实施方案时,需要综合权衡可用数据、项目资源及当地环境约束。