基于机器学习的大湾区群组细颗粒物,黑碳及臭氧暴露评估模型的优化与综合验证

Adverse health effects of fine particulate matter (PM2.5), black carbon (BC) and ozone (O3) exposures have been widely reported. Personal exposure modeling and accurate estimates of individual exposure to air pollution is a critical component in environmental epidemiology for exposure-response relationships. The recent advance in mobile sensor monitoring technologies combined with machine learning approaches provide a broader scientific perspective and have the potential to improve personal exposure assessment with higher prediction accuracy. In this study, we propose using the machine learning to conduct PM2.5, O3 and BC exposure assessment. The best-fit model will be utilized to estimate the population exposure to air pollutants in the Great Bay area. The primary study objectives are: to obtain human time-activity patterns database for population in the Great Bay area, and to characterize the variability and city-specific heterogeneity; to characterize the seasonal and regional variations of individual exposure to PM2.5, BC, and O3 as well as the corresponding determinants of human exposure; to establish a novel statistical model to estimate population exposure to PM2.5, BC, and O3 using a machine learning approach in combination of population activity database. The results will further be applicable for setting up an activity-pattern database for air pollution epidemiological studies in the Greater Bay Area and provide a reliable exposure assessment model for investigating short-term and long-term health effects and for air pollution mitigation strategies.

大气污染物PM2.5、BC及O3暴露对人体健康的危害显著。准确的暴露水平监测及模型评估是有效分析暴露-效应关系的前提和基础。移动传感器监测技术结合机器学习方法为人群污染物暴露评估模型提供了更广阔的科学视角，与传统模型相比，模型预测准确度更高。本研究计划在大湾区不同城市，运用机器学习的方法，建立人群PM2.5、O3及BC暴露评估模型。本研究目的包括：解析不同群组时间-活动轨迹特征，揭示大湾区群组PM2.5、BC及O3暴露水平的季节与区域特征，获取影响固定人群不同污染物暴露水平的影响因子；通过多种机器学习的方法验证与评估，获取最优的暴露评估模型，提高模型预测准确率。本项目开展污染物暴露评估可为大湾区一体化进程的大气污染与健康影响的流行病学研究提供数据基础，并提供有价值的暴露评估模型以作参考，为污染物控制策略提供科学依据。

大气污染物PM2.5、BC及细颗粒物组分（金属，多环芳烃等）暴露对人体健康的危害显著。准确的暴露水平监测及模型评估是有效分析暴露-效应关系的前提和基础。移动传感器监测技术结合机器学习方法为人群污染物暴露评估模型提供了更广阔的科学视角，与传统模型相比，模型预测准确度更高。. 本研究主要研究内容包括：（1）解析不同群组时间-活动轨迹特征，揭示大湾区群组PM2.5、BC及其他组分暴露水平的季节与区域特征，获取影响固定人群不同污染物暴露水平的影响因子；（2）本研究计划在大湾区不同城市包括香港和广州，运用线性混合模型，建立人群PM2.5及其化学（多环芳烃、重金属）组分暴露评估模型。（3）本研究通过蒙特卡洛模型，详细分析了细颗粒物中重金属及多环芳烃暴露等致癌风险。（4）本研究还探讨了如何通过数据驱动的方法来评估暴露水平，研究通过系统的文献调查进行环境与个体细颗粒物及黑碳暴露相关性的荟萃分析。. 本项目的研究结果表明：（1）群组PM2.5、BC及细颗粒物组分（金属，多环芳烃等）暴露水平存在季节性差异，呈现冬季远高于夏季的趋势。（2）环境因素（季节差异），个体活动特征（处于室内外时间差异，乘坐不同类型交通工具）是群体污染物暴露水平的显著决定性因素。（3）群组金属，多环芳烃的暴露水平均有不同程度的致癌风险（> 百万分之一）。（4）群体PM2.5、BC暴露水平跟对应环境污染物浓度之间存在中等程度的相关关系（r = 0.49-0.63），其中环境浓度对持续性疾病患者的暴露水平代表性较差。. 本项目开展污染物暴露评估可为大湾区一体化进程的大气污染与健康影响的流行病学研究提供数据基础，并提供有价值的暴露评估模型以作参考，为污染物控制策略提供科学依据。这一成果有助于我们更好地了解空气质量，并为改善环境质量提供了有价值的科学依据。

内容获取失败，请点击重试