限额火热招生中，点击上图了解精华
城市数据派会员服务，为城市数据玩家提供专属资源百宝箱，你不再需要把时间浪费在基础工作之上，我们将持续提供“成长养料”，为你的数据之路“保驾护航”！
《美国国家科学院院刊》曾发表研究报告称，人类的平均寿命可能因为空气污染缩短了5年左右，而细颗粒物PM2.5污染是近年来最为常见的空气污染类型。
目前，PM2.5污染暴露的研究多是基于监测站点数据和静态人口数据。然而，监测站点的PM2.5浓度数据难以理想地刻画出其空间异质性。并且，居民的动态位置信息并没有在空气污染暴露评估中被充分考虑。为降低污染暴露评估的不确定性，应该如何将居民位置的时空变化及精度更高的PM2.5浓度分布信息整合到空气污染暴露评估模型中呢？
香港中文大学黄波团队在最近发表的文章《Dynamic assessment of PM2.5 exposure and health risk using remote sensing and geo-spatial big data》解答了上述问题。
使用遥感数据估算PM2.5浓度，相比于站点检测数据具有更高的精度和空间分辨率。
利用社交媒体的位置数据来表征京津冀地区居民位置的时空变化。
采用动态模型来更好地评估PM2.5的暴露水平及其造成的健康风险。
通过比较五种暴露评估模型，证明了因忽略居民位置变化及PM2.5分布精度所产生的不确定性。
目前，已有大量的流行病学研究致力于探讨细颗粒物（PM2.5）污染暴露对人类健康所造成的威胁。然而，多数此类研究并没有充分考虑居民位置的不断变化及PM2.5浓度的精度对暴露评估所产生的影响。
因此，本研究通过利用社交媒体的位置数据及基于遥感影像的高质量PM2.5浓度信息提出了一个改进后的PM2.5污染暴露评估模型，旨在弥补常用模型中的缺陷。该模型最终被应用于中国受PM2.5污染较为严重的京津冀地区，以探究该地区2015年居民PM2.5暴露水平及其对健康的危害。
-
居民的位置及其变化是评估PM2.5污染暴露不可忽视的信息，来自社交媒体的位置数据可以帮助我们更好的刻画居民的实时分布特征。
-
基于遥感数据的PM2.5浓度数据可以提供更丰富和准确的污染分布信息。
-
整合了居民位置变化信息及更高精度的PM2.5污染数据的暴露评估模型可有效的降低评估结果的不确定性。
-
该暴露评估模型也同样可应用于其他环境因子的暴露评估当中。
通过时空加权回归模型（GTWR）估算基于气溶胶光学厚度（AOD）的PM2.5浓度分布。
利用整合人口统计数据及社交媒体的位置数据（LBS data），表征不同时段的居民分布特征。
通过居民所在位置及其周围PM2.5浓度，估算京津冀地区居民在不同时段PM2.5暴露水平，并计算其月均值和年均值。
在年均暴露水平的基础上，采用浓度响应函数（C-R function）估算2015年京津冀地区居民因PM2.5暴露而造成生命损失。
比较5种不同的暴露评估模型来进一步探讨居民位置变化信息及PM2.5浓度的精度对降低不确定性的意义。
（1）来自社交媒体的位置数据表征出了居民的时空分布及变化特征（图2）。
图 2 （a-b） 基于社交媒体位置数据的京津冀及北京地区居民分布特征 （2015/08）；（c）北京居民月均分布变化矩阵
北京地图（图2b）表明，基于LBS的人口地图可以提供人口密度的空间直观可视化，特别是对于城市核心。北京居民月均分布相关系数矩阵（图2c）进一步表明了人口分布在空间和时间上的动态变化。居民的月均分布动态变化可以通过直接或间接影响人口分布和运输的若干因素来解释，例如天气状况，通勤惯例和特殊假期。
（2）基于遥感AOD产品和GTWR模型的PM2.5浓度更精确的量化其空间分布特征（图3）。总体上看，京津冀东南平原地区的污染程度严重于西北的山地地区。各月间污染浓度和空间分布有明显变化，其中12月为污染最严重的月份（平均PM2.5浓度最高）。
图 3 （a-d）2015年1月、4月、9月和10月PM2.5浓度分布（月均）；（e）2015年京津冀地区各市PM2.5月均浓度
（3）通过使用动态居民分布特征和相应的PM2.5浓度，我们估算出了京津冀地区各市PM2.5暴露的平均水平及其动态变化。对于2015年而言，1-2月及11-12月为污染暴露最严重的时期，并且大多数城市的暴露峰值出现在12月。全年当中，超过50% (20%) 的居民的暴露水平高于80 (120) μg/m3。在12月，50%的居民的暴露水平高达110μg/m3（图4）。
图 4 京津冀地区居民2015年PM2.5暴露水平累计百分比
（4） 通过使用浓度响应函数，我们估算出了因PM2.5污染而造成的生命损失。结果显示，在2015年京津冀地区因空气污染造成的过早死（全因）高达138150人，其中由心血管疾病和呼吸系统疾病造成的过早死分别为80945人和18752人。
（5）用过对比基于不同数据集的PM2.5暴露评估方法发现，忽略居民的位置移动信息和PM2.5浓度的分布精度，都会在不同程度上造成结果的高估或低估。
Dynamic assessment of PM2.5 exposure and health risk using remote sensing and geo-spatial big data
https://www.sciencedirect.com/science/article/pii/S026974911930418X
宋祎萌，博士，香港大学副研究员（博后），毕业于香港中文大学地理与资源管理系。研究方向为城市环境量化，环境暴露及健康评估，以及时空大数据分析。
E-mail: yimengsong@link.cuhk.edu.hk
https://www.researchgate.net/profile/Yimeng_Song3
黄波，香港中文大学地理与资源管理系教授，太空与地球信息科学研究所副所长，教育部长江学者讲座教授。研究方向为时空大数据分析、一体化遥感影像融合、环境监测、智能交通系统与可持续空间规划。
E-mail: bohuang@cuhk.edu.hk
https://www.researchgate.net/profile/Bo_Huang10
Huang, B., Wu, B., & Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 24(3), 383-401.
https://www.tandfonline.com/doi/abs/10.1080/13658810802672469?journalCode=tgis20
Song, Y., Huang, B., Cai, J., & Chen, B. (2018). Dynamic assessments of population exposure to urban greenspace using multi-source big data. Science of the Total Environment, 634, 1315-1325.
https://www.sciencedirect.com/science/article/pii/S0048969718312257
He, Q., & Huang, B. (2018). Satellite-based high-resolution PM2. 5 estimation over the Beijing-Tianjin-Hebei region of China using an improved geographically and temporally weighted regression model. Environmental pollution, 236, 1027-1037.
https://www.sciencedirect.com/science/article/pii/S0269749117324946
商业合作、投稿等，请联系客服小派派微信号 xiaopaipai_udparty，加好友必须备注：合作+机构名称/个人姓名
原文始发于微信公众号（城市数据派）：基于时空大数据的PM2.5动态暴露及健康风险评估丨城市数据派
规划问道
