《Environmental and Ecological Statistics》:Modelling air pollution concentrations via spatio-temporal Bayesian quantile regression
编辑推荐:
暴露于高浓度空气污染,尤其是在城市环境中,是危害人类健康的主要风险因素。然而,文献中的大多数模型关注的是分布的主体部分,仅有少数研究涉及其极端部分,如右尾。本研究将贝叶斯时空分位数回归(QR)框架应用于意大利罗马市2011年至2022年间的每日空气污染数据(N
暴露于高浓度空气污染,尤其是在城市环境中,是危害人类健康的主要风险因素。然而,文献中的大多数模型关注的是分布的主体部分,仅有少数研究涉及其极端部分,如右尾。本研究将贝叶斯时空分位数回归(QR)框架应用于意大利罗马市2011年至2022年间的每日空气污染数据(NO2、PM10和PM2.5)。模型设定包含时间、空间和时空预测因子,并采用空间高斯过程(GP)来调整截距水平并捕捉监测站点间的空间变异性。通过时间和时空交叉验证(CV)对模型进行评估,并进行了敏感性分析。结果表明,大部分变异性由高斯过程捕捉。空间变异性尤其体现在NO2上;然而,同一污染物在空间交叉验证中也最难预测。所有污染物均显示出良好的时间交叉验证结果和适当的样本内校准。2011年和2022年的暴露表面显示总体下降趋势,同时保持了相同的高浓度热点区域。这些基于分位数的暴露表面可为决策制定和后续流行病学研究提供支持。
**基于时空贝叶斯分位数回归的城市空气污染暴露制图:方法与实证**
**一、研究背景与问题提出**
城市空气污染是重大公共卫生与政策挑战。随着城市化进程加速,精准评估高浓度污染暴露对健康的影响愈发重要。然而,现有统计模型大多聚焦于条件均值,即污染浓度分布的中央主体部分,鲜有研究直接刻画分布的极端尾部——而这恰恰是表征短期高暴露风险的关键。极端值理论(EVT)虽能有效推断极尾行为,但在需生成每日、空间连续且纳入复杂协变量结构的暴露表面方面存在局限。分位数回归(QR)提供了一种替代视角,可直接对条件分位数建模。尽管已有若干时空QR应用,但将其作为日常分位数特异性暴露表面的操作性框架,并在城市尺度下系统评估其预测性能的研究仍较为缺乏。为此,研究人员针对罗马市2011–2022年NO
2、PM
10和PM
2.5三种交通相关污染物,构建了贝叶斯时空QR模型,旨在刻画条件浓度分布的上尾(τ=0.75、0.90、0.95),并生成1 km网格的分位数特异性暴露表面,以支持决策与流行病学研究。
**二、研究内容与主要结论**
研究人员应用贝叶斯时空QR框架,分别对三种污染物建模。模型包含时间趋势、季节项、工作日/节假日指示变量、气象协变量及空间协变量,并引入空间高斯过程(GP)调整截距以捕捉站点间空间变异性。模型通过时间交叉验证(LOYO)和空间交叉验证(LOSO)评估,并开展先验敏感性分析。主要结论包括:GP捕捉了大部分变异性,其中NO
2的空间变异性尤为显著,但其在空间CV中最难预测;所有污染物在时间CV中表现出良好的校准性能;2011至2022年间,三种污染物的上尾暴露表面均呈明显下降趋势,但高浓度热点区域保持稳定。该研究首次将贝叶斯时空QR系统性地应用于城市日度多污染物暴露制图,为量化高浓度暴露风险提供了新工具,论文发表于《Environmental and Ecological Statistics》。
**三、关键方法与技术**
为开展研究,研究人员采用了以下关键技术方法:(1)基于非对称拉普拉斯(AL)分布的贝叶斯分位数回归框架,利用其正态混合表示实现马尔可夫链蒙特卡洛(MCMC)推断;(2)空间高斯过程(GP)刻画截距的空间随机调整,采用指数协方差函数;(3)两阶段模型选择策略:先在经典分位数回归框架下基于校正R
1准则筛选协变量子集,再对选定模型进行贝叶斯拟合;(4)基于留一站交叉验证(LOSO)和留一年交叉验证(LOYO)及前推式LOYO(FF-LOYO)的预测性能评估;(5)基于偏差信息准则(DIC)的模型比较与先验敏感性分析。数据来源包括ARPA Lazio区域监测网(13个NO
2站点、12个PM
10站点、8个PM
2.5站点)、Copernicus ERA5/ERA5-Land再分析气象数据、ISTAT人口普查、Copernicus不透水面数据及TomTom/Tele Atlas路网数据。
**四、研究结果**
**(一)固定效应估计**:气象协变量效应普遍接近零,2 m露点温度和总降水量呈小幅度负效应。时间趋势项对三种污染物均呈显著负效应,符合探索性分析中观测到的下降趋势。工作日/节假日指示变量也呈负效应。空间协变量效应接近零且不显著,可能与空间随机效应存在相关性有关。
**(二)空间随机效应**:NO
2在城市中心呈现最高污染水平,郊区尤其是西部(唯一农村背景站所在区域)浓度较低,空间变异性合理。PM
10表面较为均匀,市中心周边略高于平均水平。PM
2.5在市政区大部分区域高于平均值,高值集中于市中心东侧。后验不确定性在监测站点位置显著降低,其余区域呈可控范围内的较高变异性。
**(三)暴露表面**:2011至2022年间,三种污染物年均有条件90%分位数暴露表面均呈明显下降趋势。NO
2表面与空间随机过程后验均值高度一致,市中心东侧持续为热点区。PM
10表面在纳入时空协变量后更平滑。PM
2.5因监测网络稀疏呈现显著平滑特征,仅Tiburtina站附近存在持续高值点。基于PM
10线性回归插补扩充PM
2.5网络的敏感性分析仅产生适度变化。
**(四)空间交叉验证(LOSO)**:三种污染物的中位p值接近名义水平(0.92、0.89、0.91),但NO
2的局部p值范围极广(0.22–0.99)。NO
2在交通站点的预测显著恶化,R
1中位数从非交通站点的0.25降至-0.72,p中位数从0.94降至0.49,表明交通相关局部异质性未被当前模型规范充分捕捉。
**(五)时间交叉验证(LOYO、FF-LOYO)**:LOYO下各污染物校准接近名义水平(中位p≈0.89–0.90),NO
2的R
1中位数最高(0.34)。FF-LOYO(2019–2022)结果与LOYO基本一致,但PM
10和PM
2.5的校准略有下降(中位p=0.86和0.85),PM
10的R
1中位数降至0.03。
**(六)先验敏感性分析**:在更信息化和更不信息化的先验情景下,选定站点的β
0(s)后验估计高度一致。空间随机效应参数在更不信息化先验下变异性略增,PMs在方差和衰减参数上呈现一定的不对称性,表明弱可识别性。误差尺度参数和共享协变量的固定效应在各情景间保持稳定。
**五、讨论与结论**
本研究提出了基于贝叶斯QR的城市日度空气污染分位数特异性暴露制图的工作流程。时间预测性能优异,空间预测在PMs上表现稳定,但NO
2在交通站点存在显著局限,归因于其强烈的城市内部空间对比度和稀疏监测网络。暴露表面显示2011–2022年上尾浓度显著下降,热点区域保持稳定。研究局限性包括:气象协变量源于网格产品并采用最近邻匹配可能限制其判别力;模型未纳入显式潜在时间依赖结构;监测网络稀疏且分布不均,尤其PM
2.5仅8个站点。未来工作应改进外部协变量空间校准、引入自回归时空GP结构、扩展到更大空间域以引入优先采样过程。所提出的分位数暴露表面可支持后续健康研究中的暴露评估,但需考虑稀疏监测和NO
2交通站点建模的局限。