用于空气质量长期趋势检测的半参数方法:意大利东北部阿尔卑斯山地区的案例
《Environmental Pollution》:Semi-parametric methods for long-term trend detection in air quality: The North-Eastern Italian Alps case
【字体:
大
中
小
】
时间:2026年07月17日
来源:Environmental Pollution 7.2
编辑推荐:
克劳迪娅·科拉林|保罗·吉拉尔迪|毛罗·马西奥尔|伊拉里亚·普罗斯多奇米
威尼斯卡福斯卡里大学环境科学、信息学与统计学系,意大利威尼斯托里诺街155号,邮编30172
摘要
近年来,大气污染问题越来越受到重视,尤其是在意大利北部的波河谷地区。该地区工业设施密集、人口
克劳迪娅·科拉林|保罗·吉拉尔迪|毛罗·马西奥尔|伊拉里亚·普罗斯多奇米
威尼斯卡福斯卡里大学环境科学、信息学与统计学系,意大利威尼斯托里诺街155号,邮编30172
摘要
近年来,大气污染问题越来越受到重视,尤其是在意大利北部的波河谷地区。该地区工业设施密集、人口密度高以及地形因素复杂,使得控制污染物浓度在规定标准之内变得十分困难。本研究旨在分析意大利东北部的空气污染趋势,利用2009年至2023年间从位于山脚和山区40个监测站收集的NO、NO2、O3、PM10和PM2.5的日度数据。通过基于广义加性模型的综合回归建模框架,结合Tobit似然函数与Box–Cox变换,我们分析了长期变化趋势,并考虑了季节性模式及天气因素的影响。
不同污染物的模型性能存在差异,气体类污染物的预测精度更高(O3的R2值高达0.86),而颗粒物类的R2值约为0.66。通过Shapley值评估的变异性主要由自回归持续性(0.53–0.57)和季节性(0.15–0.38)驱动,风速对PM2.5的影响也较为显著(约占0.15)。数据显示,NO和PM2.5的浓度呈现显著下降趋势(分别下降多达50%和30%),而O3浓度则上升了约20%。气象异常对整体变异性的影响相对较小。长期变化中观察到的高变性凸显了研究区域空气污染演变的高度异质性,这表明短期因素起主导作用,而长期变化幅度较小,对当地空气污染的影响也较弱。
引言
近几十年来,欧盟制定的严格监管框架,如《环境空气质量指令》(欧盟,2004年;欧盟,2008年)以及针对特定行业的排放控制措施,有效降低了整个欧洲(如Bo等人,2020年;Sicard等人,2021年;Sicard等人,2023年)和意大利(Masiol等人,2017年;D’Elia等人,2021年;Pivato等人,2023年)的关键污染物浓度。这些政策使得包括氮氧化物(NOx=NO+NO2)和颗粒物(PM10和PM2.5,其空气动力学直径分别小于10微米和2.5微米)在内的主要污染物浓度大幅下降。然而,这种整体的统计下降掩盖了局部地区的污染问题:正如Beloconi和Vounatsou(2023年)所指出的,大多数欧洲居民仍处于超出世界卫生组织最新指南(世界卫生组织,2021年)以及新指令(欧盟,2024/2881号,欧盟,2024年)规定限值的污染环境中。这种持续暴露状况凸显出制定切实且适合各地实际情况的空气质量管理计划的必要性。
目前,空气质量趋势分析通常依赖于普通回归、多元回归或广义最小二乘回归等线性模型,以及Mann–Kendall-Sen斜率法等其他单调方法(Jaiswal等人,2018年;Qiu等人,2022年)。这类方法的优点在于易于理解、计算量小,且能直接给出年度浓度变化率。但文献也指出了它们的局限性,主要源于数据获取的差异(如数据缺失、采样不规律等)、监测网络的结构变化、季节性及其他周期性因素的影响。此外,数据本身的特性,如自相关性、非正态性、局部气象条件及微气候差异,也会带来诸多挑战(如Grange等人,2018年;Collaud Coen等人,2020年;Giovannini等人,2020年;Chen等人,2022年;Song等人,2024年)。如果不加以解决,这些混淆因素会为长期趋势的统计评估引入较大偏差(Sokhi等人,2021年)。因此,传统的参数化方法逐渐被半参数和非参数方法所取代。这些先进技术能够处理非线性趋势(Mudelsee,2019年;Qiu等人,2022年),同时有效区分长期趋势与季节性和年度间变化(Dominici等人,2002年;He等人,2006年;Peng等人,2006年)。
在这种背景下,广义加性模型(GAMs,Hastie和Tibshirani,1986年;Wood,2017年)作为一种强大的工具,有助于克服上述局限性。GAMs的吸引力在于它结合了广义线性模型的可解释性与平滑函数的灵活性,使得线性预测因子能够以时间和其他协变量的非线性加性效应形式表达出来(Ravindra等人,2019年)。正因如此,GAMs越来越多地被应用于长期空气质量研究,因为它能为处理空气污染物浓度与其环境驱动因素之间复杂且非线性的关系提供灵活的框架。更重要的是,GAMs能够将长期时间趋势与季节性模式及短期气象变异性分开,从而更准确地识别空气质量中的潜在变化。此外,还可以将辅助预测因子纳入模型,以综合考虑排放、气象条件及站点特定因素的综合影响。实践表明,将这些方法应用于空气质量数据,有助于分离长期趋势、调整气象干扰因素,并捕捉复杂的季节性变化(如Carslaw等人,2007年;Pearce等人,2011年;Valotto和Varin,2016年;Ravindra等人,2019年)。
然而,环境时间序列存在严重的分布问题,使得使用现成的GAM方法进行建模变得复杂。空气污染数据通常呈右偏分布,由于偶发的严重污染事件,其上尾往往较为突出(Bartoletti和Loperfido,2010年;He等人,2024年),而且还有相当比例的观测值接近或低于分析检测限(Houseman和Virji,2017年)。为缓解偏态并稳定方差,人们通常会采用对数变换(Salcedo等人,1999年;Martínez-Flórez等人,2014年)。不过,对数变换是一种较为严格且受限的建模方式,它隐含着乘性效应以及固定的方差-均值关系;而这些假设在不同污染物、监测站点或不同时间阶段可能并不成立。此外,存在左截断观测值的情况,进一步增加了统计推断的难度,因为传统的基于对数的方法缺乏对低于检测阈值的浓度值的严格数学处理或统计处理方法。
为解决这些问题,本研究提出了一种新的建模策略,即将GAMs与基于数据的污染物测量值Box–Cox变换相结合,同时明确考虑左截断观测值的影响。该框架保留了平滑时间成分的灵活性,同时允许响应分布根据数据的实际特征进行调整。通过同时估计最优变换参数和模型参数,我们确保了响应变量尺度与平滑项的加性结构之间的数学一致性。
我们将该方法应用于意大利东北部的山区。该地区以狭窄的山谷、陡峭的海拔梯度以及多样的土地利用类型为特征,既有人口密集的河谷城市和重要交通通道,也有人口稀少的高海拔阿尔卑斯地带。在这样复杂的地形中,地形效应、频繁的热逆温现象以及局部山谷风系统对污染物的扩散和积聚有着重要影响(Whiteman,2000年;Largeron和Staquet,2016年;Masiol等人,2024年),而来自波河谷和欧洲中部的远距离传输则常常影响高海拔地区的背景污染浓度(Diémoz等人,2019年)。借助这一框架,我们能够在克服空气污染时间序列固有统计问题的同时,评估受欧盟政策调控的主要污染物(包括NO、NO2、O3、PM10和PM2.5)的长期变化趋势。这将有助于量化当前的变化情况,并为未来改善空气质量提供依据。
片段内容
空气质量数据
环境污染物浓度数据来源于意大利一级行政区五个环境保护机构管理的空气质量监测网络:伦巴第大区环境保护局(ARPA Lombardia)、威尼托大区环境保护局(ARPAV)和弗留利-威尼斯朱利亚大区环境保护局(ARPA FVG),以及博尔扎诺自治省环境与气候保护局(APPA BZ)和某省环境保护局。
广义加性模型
GAM框架假定响应变量Yt遵循指数族分布Yt~EFμt,σ,其中μt为均值,σ为尺度参数。线性预测因子ηt通过链接函数g与均值μt=E[Yt]相关联:ηt=gμt=Atβ0+∑jfj(xtj),其中Atβ0表示参数部分,fj表示协变量xj的平滑函数。每个平滑函数可由基函数线性组合表示,即f(x)=∑k=1Kβkbk(x),其中基函数维度K是根据数据特点选择的。
响应分布与模型拟合
结果表明,不同污染物和监测站的响应分布存在显著差异。这种差异可通过各监测站特定的Box–Cox参数ζps来体现(见图S4),这些参数会因污染物类型的不同而有所差异。对于PM10、PM2.5和NO2,估算得到的ζps值大多处于(0,0.5)范围内,说明其分布呈中度右偏。而NO的ζps值则明显较低。
讨论
所提出的统计方法能够识别每对污染物与监测站之间的长期趋势,并量化各种预测因子对污染物浓度的影响。一个明确的结论是,季节性(doy)和短期持续性(滞后项)是导致污染物浓度变化的主要因素。这一结果与现有认知一致,即空气污染时间序列主要受重复出现的季节性模式和日常动态的影响。
结论
所提出的方法解决了长期每日空气质量序列统计建模中的诸多难题,其实现方式是将GAMs与基于数据的Box–Cox变换以及Tobit似然函数相结合。不过,由于不同监测站和污染物对应的变换方式不同,直接比较各个监测站的数据较为困难,因此需要进一步处理模型输出结果。
CRediT作者贡献声明
克劳迪娅·科拉林:写作——审稿与编辑,写作——初稿撰写,可视化,软件应用,方法论,正式分析,数据整理,概念构建。
保罗·吉拉尔迪:写作——审稿与编辑,写作——初稿撰写,方法论,概念构建。
毛罗·马西奥尔:写作——审稿与编辑,写作——初稿撰写,数据整理,概念构建。
伊拉里亚·普罗斯多奇米:写作——审稿与编辑,写作——初稿撰写,方法论,正式分析,概念构建。
利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢
作者感谢Marianna D’Amico博士协助获取污染数据。同时感谢Simon Wood教授在mgcv R包中实现了带截断的Box–Cox高斯模型。作者还感谢编辑及匿名审稿人提出的宝贵意见和建议,这些意见大大提升了本文的清晰度和质量。CC、PG和IP在本研究中的工作得到了DoE 2023–2027项目(MUR)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号