评估美国大陆地区高时空分辨率的PM2.5暴露

已经开发出多种模型来估计PM2.5暴露，包括基于卫星的气溶胶光学深度（AOD）模型、土地利用回归或化学运输模型模拟，这些模型各有优缺点。归一化差异植被指数（NDVI）、表面反射率、吸收气溶胶指数和气象场等变量也能提供关于PM2.5浓度的信息。我们的目标是建立一个混合模型，结合多种方法和输入变量，以提高模型性能。为了考虑复杂的气候机制，我们使用神经网络来模拟非线性和相互作用。我们在神经网络中使用卷积层，聚合邻近信息，以考虑空间和时间自相关性。我们对2000年至2012年美国大陆地区的神经网络进行了训练，并用未包含的监测器进行测试。十折交叉验证显示，未包含监测器的总R(2)为0.84，模型性能良好。对于美国东部和中部地区，区域R(2)可能更高。即使在低PM2.5浓度下，模型表现也依然良好。随后，我们利用训练好的神经网络对1 km × 1 km网格单元的PM2.5进行每日预测。该模型使流行病学家能够访问短期和长期的PM2.5暴露数据。