Pesticide concentration monitoring: investigating spatio-temporal patterns in left censored data
鉴于对环境安全的主要关切以及增加公共健康风险的可能性，监测农药浓度对公共当局非常重要。该过程的一个重要方面在于从大量收集的数据中定位异常信号。这类数据通常是复杂的，因为它受到量化的限制，导致左删失的观察，并从抽样程序，这是不规则的时间和空间跨越测量站。本手稿处理的问题，正是检测农药浓度水平的时空集体异常，并介绍了一种新的方法来处理时空异质性。后者结合了一个变点检测程序，适用于一系列的最大日值在所有站，和一个聚类步骤，旨在空间分割的站。定量限在变点程序中处理，假设一个潜在的左删失参数模型，分段平稳。空间分割考虑到地理条件，并可能是基于河流网络，风向等，与时间段和空间集群，最终可以分析数据，并确定上下文异常。拟议的程序详细说明了一个数据集，包含丙硫威浓度水平在中央卢瓦尔河谷地区的地表水。
2022-12-20 stat.AP
Modelling and characterization of fine Particulate Matter dynamics in Bujumbura using low cost sensors
University of Burundi（布隆迪大学）；Ecole Normale Supérieure de Bujumbura（布琼布拉高等师范学院）；Imperial College London（帝国理工学院）；The Cyprus Institute（塞浦路斯研究所）
本研究利用布琼布拉低成本传感器的一年监测数据，首次表征当地PM2.5时空变异特征，发现浓度超世卫组织标准，并探究基于LSTM的RNN模型用于PM2.5浓度预测。
2023-12-19 cs.LG stat.ML
Geo-Spatial Cluster based Hybrid Spatio-Temporal Copula Interpolation
在没有高斯性假设的情况下，在不干扰空间连续性的情况下，针对不同的时间滞后沿着整个空间表面进行内插是具有挑战性的。过去的研究者对时空插值的关注不够，忽略了空间均值函数的动态行为、阈值距离和保持空间连续性的方向。因此，我们采用层次空间聚类（HSC）来保持局部空间平稳性。本文提出了一种基于混合极值Copula的时空插值算法。空间依赖性由混合极值概率分布（BEVD）捕获。采用双向长短时记忆（BLSTM）模型，在1个月、2个月和3个月的不同时间粒度下对时间依赖进行建模。时空依赖性由Gumbel-Hougaard Copula（GH）建模。我们建议的时空插值方法的空气污染数据（室外颗粒物（PM）浓度）的德里，从中央污染控制委员会，印度的网站收集作为一个重要的环境研究。提出了一种概率递归神经网络时空插值算法。这种时空混合copula插值算法的性能优于，是有效的，足以检测空间趋势和时间的影响。从整个研究过程中，我们注意到PM浓度在一年中达到最大值，一般在11月和12月。德里的北部和中部是空气污染最敏感的地区。
2022-11-25 stat.AP
Spatiotemporal Calibration of Atmospheric Nitrogen Dioxide Concentration Estimates From an Air Quality Model for Connecticut
时空校准和分辨率精化模型拟合校准二氧化氮（NO $_2$）浓度估计从社区多尺度空气质量（CMAQ）模型，使用两个来源的观测数据NO $_2$，在其空间和时间分辨率不同。为了改进CMAQ模型估计的空间分辨率，我们利用了额外的局部协变量，包括2公里内的总交通量，人口密度，海拔和土地利用特征。通过NO $_2$监测中心的均方误差（MSE）观察到，该模型的预测大大改善了CMAQ估计值的偏倚。最终的模型用于预测在具有大小为300 x 300 m的像素的网格上的整个康涅狄格州的环境NO $_2$的日浓度。预测图与CMAQ估计的类似图的比较显示空间分辨率的显著改善。局部协变量的影响是显而易见的，在更精细的空间分辨率的地图，交通的主要高速公路上的环境NO $_2$浓度的贡献脱颖而出。此外，亦以动画显示一九九四年及一九九五年空气中NO $_2$浓度随时间及空间的变化。
2019-01-04 stat.AP
Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss
Yonsei University（延世大学）
韩国的颗粒物（PM）浓度对人类生活产生了强烈的负面影响，因此对其进行预测已成为当务之急。在大多数统计或机器学习方法中，假设独立和相同分布的数据，例如高斯分布;然而，空气污染和天气数据等时间序列不满足此假设。本研究应用最大相关熵回归损失准则（MCCR）分析大气污染与天气资料的统计特性。由于空气污染和天气数据具有复杂的季节性模式，而且即使在去季节化之后数据仍具有重尾分布，因此对它们进行了严格的季节性调整。MCCR损失被应用于多个模型，包括传统的统计模型和最先进的机器学习模型。结果表明，MCCR损失比传统的均方误差损失更适合于预测极值。
2021-08-30 cs.LG stat.AP stat.ML
Reduced-rank spatio-temporal modeling of air pollution concentrations in the Multi-Ethnic Study of Atherosclerosis and Air Pollution
流行病学文献中越来越多的证据表明空气污染与不良健康结果之间的关系。在环境保护局（EPA）资助的动脉粥样硬化和空气污染的多种族研究（MESA空气）研究中，个人空气污染暴露的预测依赖于一个灵活的时空预测模型，该模型将土地利用回归与克里格法相结合，以考虑污染物浓度的空间依赖性。时间变异性捕获使用时间趋势估计通过修改奇异值分解和随时间变化的空间残差。该模型利用来自现有监管网络的监测数据和MESA空气监测补充数据来预测单个群组成员的浓度。在一般情况下，时空模型是有限的，由于计算的棘手性，在其大数据集的功效。我们开发的MESA空气时空模型的降阶版本。要做到这一点，我们应用低秩克里金占空间变化的平均过程，并讨论这种方法的局限性。作为一种替代方案，我们表示空间变化使用薄板回归样条。我们比较了使用EPA和MESA空气监测数据预测的氮氧化物（NO $_x$）的浓度的概述模型的性能-在MESA空气中的主要利益的污染物-在洛杉矶大都市区通过交叉验证的$R^2$。我们的研究结果表明，在某些情况下，使用降秩模型可以提高计算效率。低秩克里金法和薄板回归样条在所考虑的配方中具有竞争力，尽管TPRS在某些情况下似乎更稳健。
2015-02-03 stat.AP
Spatio-temporal modelling of $\text{PM}_{10}$ daily concentrations in Italy using the SPDE approach
本文说明了一个时空插值过程的主要结果$\text{PM}_{10}$浓度在日常分辨率使用一组410个监测站点，分布在整个意大利领土，为2015年。插值过程是基于贝叶斯分层模型，其中的空间分量表示通过随机偏微分方程（SPDE）的方法与滞后1时间自回归分量（AR 1）。通过集成嵌套拉普拉斯近似（INLA）进行推断。我们的模型包括11个空间和时空预测因子，包括气象变量和气溶胶光学厚度。由于预测因素的影响在不同月份有所不同，回归基于12个月模型，具有相同的协变量集。预测模型的性能进行了分析，使用交叉验证研究。结果表明，预测值与实测值符合良好（相关范围：0.79 - 0.91;偏差：0.22 - 1.07 $μ\text{g}/\text{m}^3$ ; RMSE：4.9 - 13.9 $μ\text{g}/\text{m}^3$）。该模型的最终输出是一组365网格（1公里$\times$ 1公里）每天$\text{PM}_{10}$地图在意大利配备了不确定性措施。空间预测性能表明，插值过程是能够再现大规模的数据功能，而不现实的工件在生成的$\text{PM}_{10}$表面。本文还提出了两个说明性的例子，我们的模型的实际应用，曝光概率和人口暴露地图。
2020-09-22 stat.AP
Bayesian Source Apportionment of Spatio-temporal air pollution data
Politecnico di Milano（米兰理工大学）；University of California Irvine（加州大学欧文分校）
本文提出一种贝叶斯源解析模型，通过潜在功能因子模型和源特定收缩参数估计未知污染源数量并考虑时空依赖性，在模拟数据中验证了其准确性，并在加州PM$_{2.5}$数据中识别出3个主要来源。
2025-10-31 stat.AP stat.ME
Regionalization of China's PM2.5 through Robust Spatio temporal Functional Clustering Method
针对中国PM2.5分布异质、聚类分析受噪声干扰的问题，提出融合空间信息、可处理两类异常值的鲁棒时空功能聚类框架，划分出10个同质区域，为空气污染区域协同管控提供支撑。
2023-11-05 stat.AP
Gaussian Markov Random Fields versus Linear Mixed Models for satellite-based PM2.5 assessment: Evidence from the Northeastern USA
研究空气污染对健康的影响是环境流行病学的一个关键领域。准确估计空气污染的影响需要时空分辨的空气污染数据集，特别是细颗粒物（PM）。卫星技术大大提高了在无法直接测量的地点提供PM评估的能力。间接PM测量是一个统计预测问题。时空统计文献提供了各种预测模型：高斯随机场（GRF）和线性混合模型（LMM），特别是。GRF强调数据中的时空结构，但计算要求很高。LIFE在计算上更容易适应，但需要一些篡改来处理空间和时间。时空统计文献中的最新进展提出通过高斯马尔可夫随机场（GMRF）近似GRF来减轻计算负担。由于LMF和GMRF都是计算上可行的，问题就出现了：哪一个在统计上更好？我们发现，尽管LPERS在环境监测和污染评估中非常受欢迎，但在美国东北部，LPERS在统计学上不如GMRF测量PM。
2019-02-22 stat.AP
A spatio-temporal analysis of NO$_2$ concentrations during the Italian 2020 COVID-19 lockdown
当一项新的环境政策或一项具体的干预措施是为了改善空气质量，最重要的是评估和量化-在空间和时间-所采取的战略的有效性。2020年全球范围内为减少SARS-CoV- 2病毒传播而采取的封锁措施可以被视为对空气质量产生间接影响的政策干预。在本文中，我们提出了一个统计时空模型作为干预分析的工具，能够考虑到天气和其他混杂因素的影响，以及空间和时间的相关性存在的数据。特别是，我们在此重点关注意大利北部2019/2020年二氧化氮（NO $_2$）浓度的相对变化，在此期间，封锁措施生效。作为输出，我们提供了一组每周连续地图，描述了NO $_2$ 2019/2020相对变化的空间模式。我们发现，在2020年3月和4月期间，除了3月的第一周和4月的第四周（中位数约为5%）外，大部分研究区域的特征是负相对变化（中位数约为-25%）。由于这些变化不能归因于天气影响，因此很可能是封锁措施的副产品。
2021-10-28 stat.AP
Connection between forest fire emission and COVID-19 incidents in West Coast regions of the United States
森林火灾对土壤、水和生物资源的影响已得到广泛研究。虽然森林火灾深刻影响整个生态系统的大气和空气质量，但研究其对当前流行病的影响的研究要少得多。现场空气污染数据被用于研究2020年森林大火对大气和新型冠状病毒（COVID 19）伤亡的影响。收集了2020年（火灾年）和2019年（参考年）8月1日至10月30日的颗粒物（PM2. 5和PM10）和二氧化氮（NO2）的时空浓度。空间（多尺度地理加权回归）和非空间（负二项回归）回归分析进行评估火灾排放对人体健康的不利影响。现场数据导致的测量结果表明，在8月1日至10月30日期间，PM2.5，PM10和NO2浓度的最大增加集中在西海岸火灾多发州。在受森林火灾影响严重的所有火灾状态下，颗粒物（PM2.5和PM10）和NO2的平均浓度都有所增加。2019年，加利福尼亚州、科罗拉多州、俄勒冈州和华盛顿州的PM2. 5平均浓度分别为7. 9、6. 3、5. 5和5. 2，2020年分别上升至24. 9、13. 4、25和17。空间和非空间回归模型均显示火灾排放与COVID 19事件之间存在统计学显著相关性。共开发了30个模型，用于分析预测因子和响应因子之间的空间非平稳性和局部关联。所有这些空间模型都证明了火灾排放与COVID计数之间的统计学显著相关性。需要进行更深入的研究，以更好地了解森林火灾与人类健康之间的复杂联系。
2021-06-06 stat.AP
The construction of variance estimators for particulate material sampling
样品中浓度的方差可以使用颗粒质量、浓度和颗粒相关选择的参数的知识来估计。构造了若干方差估计量，其中包括一类混合估计量。
2010-05-17 stat.AP
Non-separable Dynamic Nearest-Neighbor Gaussian Process Models for Large spatio-temporal Data With an Application to Particulate Matter Analysis
颗粒物（PM）是一类对人体健康有害的有害环境污染物。不同国家旨在控制PM水平的监管工作通常需要高分辨率的时空地图，以确定超过法定浓度限制的红旗区域。连续时空高斯过程（GP）模型可以提供描述预测PM水平的地图，并量化预测的不确定性。然而，基于GP的方法通常会受到大型数据集带来的计算挑战的阻碍。我们构建了一类新的可扩展动态最近邻高斯过程（DNNGP）模型，其可以提供对任何时空GP的稀疏近似（例如，具有不可分离的协方差结构）。我们在这里开发的DNNGP可以用作任何贝叶斯分层模型中时空随机效应的稀疏诱导先验，以提供完整的后验推理。DNNGP模型的存储和内存需求在数据集的大小上是线性的，从而在不牺牲推理丰富性的情况下提供了巨大的可扩展性。广泛的数值研究表明，DNNGP提供了实质上优于低秩近似的基本过程的近似。最后，我们使用DNNGP来分析大量的空气质量数据集，以结合LOTOS-EUROS化学传输模型（CTM）大幅改善对整个欧洲PM水平的预测。
2016-04-14 stat.AP
Effects of West Coast forest fire emissions on atmospheric environment: A coupled satellite and ground-based assessment
森林火灾对整个生态系统的大气环境和空气质量产生深远影响。最近在美利坚合众国（美国）西海岸发生的森林大火打破了以往的所有记录，并造成了严重的环境和公共卫生负担。截至9月中旬，近600万英亩森林面积被烧毁，迄今已有25人伤亡。在这项研究中，利用卫星和现场空气污染数据来研究这场前所未有的野火对大气环境的影响。对2020年（火灾年）和2019年（参考年）8月15日至9月15日期间一氧化碳（CO）、二氧化氮（NO2）、二氧化硫（SO2）、臭氧（O3）、颗粒物（PM2. 5和PM10）和气溶胶指数（AI）6种空气污染物的时空浓度进行了测量。以现场数据为主导的测量结果显示，在8月15日至9月15日期间，CO（ppm），PM2.5和PM10浓度（μg/m3）的最高增幅集中在西部沿海火灾多发州。平均CO浓度（ppm）在俄勒冈州（1147.10）增加最显著，其次是华盛顿州（812.76）和加利福尼亚州（13.17）。与此同时，在受野火严重影响的所有三个州，颗粒物（PM2.5和PM10）的浓度（μg/m3）都有所增加。PM2.5和PM10的变化（正）在华盛顿最高（PM2.5和PM10分别为45.83和88.47），其次是俄勒冈州（PM2.5和PM10分别为41.99和62.75）和加利福尼亚州（PM2.5和PM10分别为31.27和35.04）。还测量了所有三个易发生火灾的州的CO、PM2.5和PM10…
2020-10-24 stat.AP
Pollution State Modeling for Mexico City
地面臭氧和颗粒物污染物与各种健康问题和死亡率增加有关。为此，墨西哥环境机构对污染物水平进行管制。此外，墨西哥城使用依赖于臭氧和直径小于10微米的颗粒物（$\text{PM}_{10}$）的区域最大值的阈值来定义污染紧急情况。为了预测当地的污染紧急情况并评估墨西哥环境空气质量标准的合规性，我们使用双变量时空模型分析了2017年墨西哥城24个站点的每小时臭氧和$\text{PM}_{10}$测量值。使用这个模型，我们预测未来的污染物水平，使用当前的天气条件和最近的污染物浓度。使用每小时的污染物预测，我们预测区域最大值需要估计未来的污染紧急情况的概率。我们将讨论2017年墨西哥城各地区对法定污染限制的预测遵守情况如何变化。我们发现，污染突发事件的预测概率是有限的几个时间段。相比之下，我们发现墨西哥环境空气质量标准的预测超标几乎每天都会发生。
2018-07-11 stat.AP
Spatio-temporal spread of COVID-19 and its associations with socioeconomic, demographic and environmental factors in England: A Bayesian hierarchical spatio-temporal model
本研究基于英格兰 MSOA 层面的周度病例数据构建贝叶斯分层时空模型，识别 COVID-19 感染率的异质时空聚集及其社会经济、人口与环境风险因素，预测表现优于 OLS 和 GWR。
2023-08-18 stat.AP
Bayesian nonparametric clustering for spatio-temporal data, with an application to air pollution
本文回顾了贝叶斯非参数聚类方法在时空数据中的应用，重点介绍空间乘积划分模型，并在意大利北部PM10数据上验证其识别污染模式的能力，为环境风险评估提供见解。
2025-05-30 stat.AP stat.ME
A class of covariate-dependent spatiotemporal covariance functions for the analysis of daily ozone concentration
在地质统计学中，通常通过基本的平稳和各向同性的空间过程对空间分布现象进行建模。然而，由于相关结构中局部效应的影响，这些假设在实际中往往是站不住脚的。因此，提供灵活有效的方法来模拟空间效应中的非平稳性一直是文献的兴趣所在。可以说，由于问题的局部性质，我们可以设想，相关性结构将高度依赖于研究领域的局部特征，即观测点的纬度、经度和海拔高度，以及其他局部定义的协变量信息。在这项工作中，我们提供了一个灵活的和计算上可行的方式，使相关结构的基础过程依赖于当地的协变量信息。我们讨论了诱导的协方差函数的性质和方法来评估其依赖于当地的协变量信息。所提出的方法是用来分析每日臭氧在美国东南部。
2012-02-28 stat.AP
GWSDAT - GroundWater Spatiotemporal Data Analysis Tool
对工业和商业场所地下水质量的定期监测产生大量时空浓度数据。数据建模通常限于分析单个井中的单调趋势，或将空间浓度分布独立拟合（例如克里格法）到单独的监测时间段。这两种技术都不能令人满意地阐明数据的空间和时间成分之间的相互作用。潜在的负面后果包括对地下水羽流动态的不完全理解，这可能导致选择不适当的补救战略。地下水时空数据分析工具（GWSDAT）是一个用户友好的，开源的，决策支持工具，已开发，以解决这些问题。独特的是，GWSDAT适用于一个时空模型的地下水溶质浓度的空间和时间序列分量的相互作用的一个更连贯和顺利的解释。GWSDAT旨在处理标准地下水监测数据集，没有特殊的数据要求。数据输入通过标准化的Microsoft Excel输入模板进行。底层的统计建模和图形输出是使用R生成的。本文详细介绍了各种绘图选项，以及如何使用图形用户界面进行快速，严格和交互式的趋势分析，并方便生成报告。GWSDAT已被广泛用于壳牌下游资产的土壤和地下水条件评估，讨论部分描述了其应用的好处。这些措施包括快速解释复杂的数据集、及早发现新的溢漏、探测场外羽流迁移和简化地下水监测报告的编写-所有这些都有助于加快风险评估和补救。
2013-10-30 stat.AP
Comparing air quality statistical models
空气污染因其对人类健康和环境的影响而受到极大关注。统计模型在增进对这一复杂的时空现象的了解和支持公共机构和决策者方面发挥着重要作用。我们专注于类的层次模型，提供了一个灵活的框架，将时空在不同层次的相互作用。面临的挑战是选择一个模型，是令人满意的拟合优度，可解释性，简约性，预测能力和计算成本。为了支持这一选择，我们提出了一个比较方法的基础上总结了一套标准的表，可以很容易地传达给非统计学家。我们的建议-简单的原则，但在实践中阐述-适用于许多环境现象的层次结构是合适的，一个大规模的趋势，包括时空协方差函数必须选择。我们说明了我们的建议，通过案例研究有关颗粒物浓度在皮埃蒙特地区（意大利）在寒冷的季节2005年10月至2006年3月的细节。从我们的案例研究的建议标准的评价，我们得出一些结论。首先，具有复杂层次结构的模型全局上优于具有复杂时空协方差函数的模型。此外，在没有合适的计算资源的情况下，可以选择结构简单且具有简单协方差函数的模型，因为它以合理的计算成本显示出良好的预测性能。
2011-03-14 stat.AP
Spatio-temporal models with space-time interaction and their applications to air pollution data
对空气污染状况有清楚的了解，并为公众和环境研究人员提供有关空气质量的预测和见解是至关重要的。以前的时空模型研究表明，即使是短期暴露于高浓度的大气细颗粒物也会对普通人的健康造成危害。在这项研究中，我们开发了一个时空模型的空气污染数据的时空相互作用。该模型使用了一个参数的时空相互作用组件以及空间和时间的平均结构的组成部分，并引入了一个随机效应的零均值时空过程的形式指定的组件。为了应用，我们分析了台湾66个监测站的空气污染数据（PM2.5）。
2017-12-31 stat.ME
Spatio-temporal Joint Modelling on Moderate and Extreme Air Pollution in Spain
该研究针对西班牙PM10污染，构建贝叶斯时空联合模型分析中度与极端污染的影响因素差异，识别出空气污染热点区域，为环境政策制定提供支撑。
2023-08-24 stat.AP
Copula-based spatio-temporal modeling of air pollutant data incorporating covariate dependencies
针对韩国PM10浓度超标的问题，提出结合协变量时空邻域的藤Copula时空建模方法，采用Gumbel和广义极值分布为边际分布，在极值预测上优于传统模型，可推广至多领域复杂依赖结构建模。
2025-03-20 stat.AP
A spatio-temporal block aggregation model for latent log Gaussian outcomes: application on modelling wastewater virus concentration in Wales
Imperial College London（帝国理工学院）；Lancaster University（兰卡斯特大学）；Northumbria University（诺森比亚大学）；UK Health Security Agency（英国卫生安全局）；Public Health Wales（威尔士公共卫生局）；Bangor University（班戈大学）
本研究针对废水监测数据的块聚合问题，提出潜在对数高斯结果的时空块聚合模型，采用INLA方法推断，应用于威尔士47个集水区的新冠病毒建模，证实其预测性能良好且与阳性率强相关，为公共卫生监测提供新方法。
2026-08-28 stat.AP
Modeling and Predicting Spatio-temporal Dynamics of PM$_{2.5}$ Concentrations Through Time-evolving Covariance Models
细颗粒物（PM $_{2.5}$）由于其对健康的不利影响已成为全世界关注的焦点。PM $_{2.5}$浓度通常表现出复杂的时空变化。由于季节性的影响，PM的平均值和时空相关性都随着时间的推移而变化，这使得PM $_{2.5}$的统计分析具有挑战性。在地质统计学中，高斯过程是描述和预测这种时空动态的有力工具，时空协方差函数的确定是高斯过程的关键。虽然现有的文献提供了广泛的选择灵活的静态时空协方差模型，时间演变的时空依赖性只得到很少的关注。为此，我们提出了一个随时间变化的时空协方差模型来描述PM $_{2.5}$浓度随时间变化的时空依赖性。对于估计，我们开发了一个复合似然为基础的程序来处理大型时空datasets.The建议的模型优于传统的模型，通过模拟研究方面的预测。我们应用我们的模型来分析美国俄勒冈州的PM $_{2.5}$数据。其中，我们表明，空间尺度和平滑性表现出周期性。所提出的模型也被证明是有益的传统上使用的模型在这个数据集上的预测。
2022-02-24 stat.ME
Time Series Forecasting for Air Pollution in Seoul
本研究利用2015-2018年首尔空气污染数据，比较ETS与ARIMA模型预测未来12个月PM2.5月均浓度，并通过五项指标和2019年数据交叉验证，证明ETS模型预测性能更优。
2023-09-18 stat.AP
Posterior concentration in spatio-temporal Hawkes processes
University of Cyprus（塞浦路斯大学）
本文提出了一种贝叶斯非参数框架，用于时空Hawkes过程的推断，推导了条件强度函数和参数的后验收缩率，并将纯时间Hawkes过程的理论结果推广到时空设置。
2026-01-07 math.ST stat.TH
Bayesian spatio-temporal weighted regression for integrating missing and misaligned environmental data
Department of Statistical Sciences, University of Toronto（多伦多大学统计科学系）；School of Environmental Sciences, University of Toronto（多伦多大学环境科学学院）
本文提出了一种贝叶斯加权回归框架，用于整合缺失和错位的环境数据，通过空间时间核和数值近似方法提高预测精度和鲁棒性。
2025-12-29 stat.AP stat.ME
Spatio-Temporal Cross-Covariance Functions under the Lagrangian Framework with Multiple Advections
在分析大多数环境和地球科学变量的时空依赖性时，如大气不同层的污染物浓度，观察到一个特殊的属性：协方差和互协方差在某些方向上更强。这一特性归因于自然力的存在，如风，它导致这些变量的传输和分散。这种时空动态促使拉格朗日参考框架与任何高斯时空地质统计模型一起使用。在这种建模框架下，一个全新的类诞生了，被称为拉格朗日框架下的时空协方差函数类，在单变量设置中已经建立了几个发展，在固定和非固定的配方，但在多变量的情况下。尽管这种建模方法取得了许多进展，但还需要努力探索使用多个平流的情况，特别是当涉及多个变量时。考虑到多个平流将使拉格朗日框架在模拟现实的多变量运输方案的一个更可行的方法。在这项工作中，我们建立了一类拉格朗日时空交叉协方差函数与多重平流，研究其性质，并证明其使用的双变量污染物数据集的颗粒物在沙特阿拉伯。
2022-05-22 stat.ME
Modeling high and low extremes with a novel dynamic spatio-temporal model
针对现有动态时空模型难捕捉极值、空间极值模型多假设时间独立的问题，提出采用尾指数可变的轻重尾分布混合的新型动态时空模型，可识别时空极值相关性、量化不确定性并支持缺失值预测，经美国中部小时级颗粒物再分析数据集验证有效。
2025-08-02 stat.ME
Network of Low-cost Air Quality Sensor for Monitoring Indoor, Outdoor, and Personal PM2.5 Exposure in Seattle during the 2020 Wildfire Season
美国西部野火发生频率的增加引起了公众的担忧。暴露于野火烟雾与癌症和心肺疾病的风险增加有关。循证干预措施可以减轻野火烟雾对健康的不利影响。野火期间的公共卫生指导是基于具有有限时空分辨率的区域空气质量数据。我们展示了使用低成本颗粒物（PM）传感器网络来收集西雅图市区七个地点的室内，室外和个人PM2.5暴露数据，以及2020年华盛顿野火事件期间居住在其中一个地点的居民佩戴的个人暴露监测器。这些数据被用来确定PM浓度室内/室外（I/O）比，PM减少，和个人暴露水平。结果表明，配备高效微粒空气（HEPA）过滤器和HVAC过滤系统的位置的I/O比（中位数I/O = 0.43）显著低于未配备空气过滤系统的位置（中位数I/O = 0.82）。使用HEPA的地点的PM2.5减少中位数为58%，而没有HEPA的地点为20%。室外PM传感器显示出较高的相关性，附近的区域空气质量监测站（R2 = 0.93）。当用户移动通过不同的微环境时，个人监测器显示出PM测量的高方差，并且不能完全由室内或室外监测器的网络表征。研究结果表明，可以根据室内，室外传感器的组合开发基于证据的干预措施，以减少污染暴露。在个人的呼吸区进行的个人暴露监测提供了捕捉PM暴露时间峰值的最高保真度数据。
2022-03-26 stat.AP
Spatio-temporal Event Studies for Air Quality Assessment under Cross-sectional Dependence
本文扩展事件研究框架并结合HDGM时空回归与十六种检验统计量，在截面相关条件下评估伦巴第COVID-19封锁对NO2浓度的显著降低作用。
2022-10-24 econ.EM stat.AP
Timescale effect estimation in time-series studies of air pollution and health: A Singular Spectrum Analysis approach
大量流行病学数据表明，肺和心血管不良事件的死亡率/发病率与空气污染之间存在关联，但尽管数据丰富，但这些关联所暗示的程度仍不确定。在本文中，我们描述了一个SSA（奇异谱分析）为基础的方法，以分解的时间序列的颗粒物浓度到一组暴露变量，每一个代表一个不同的时间尺度。我们实施我们的方法，调查急性和长期的影响，$PM_{10}$暴露的发病率从呼吸系统的原因在城市地区的巴里，意大利。
2008-06-16 stat.AP
A comparison between geostatistical and machine learning models for spatio-temporal prediction of PM2.5 data
Oberlin College and Conservatory（欧柏林学院与音乐学院）；University of Houston - Downtown（休斯顿大学市中心分校）
针对传统空气质量监测数据时空覆盖不足的问题，本研究基于PurpleAir传感器数据对比多类地统计与机器学习模型的PM₂.₅时空预测效果，发现融合时空依赖的集成模型校正数据偏差后预测精度更优。
2026-02-26 stat.AP stat.ML
A Bayesian spatio-temporal model of panel design data: airborne particle number concentration in Brisbane, Australia
本文概述了一种方法，半参数时空建模的数据，这是密集的时间，但稀疏的空间，从一个分裂的面板设计，最可行的方法，以有限的设备覆盖空间和时间。这些数据是每小时平均颗粒数浓度（PNC），并作为交通排放和儿童健康（UPTECH）项目的一部分收集。在布里斯班大都会区的一些政府小学进行了为期两周的连续测量。监测设备按顺序运到每所学校。学校的数据得到了澳大利亚布里斯班三个地点长期监测站的数据的补充。拟合模型有助于描述UPTECH学校和长期监测点的空间和时间变化。的时间变化是分层建模与惩罚随机游动条款，一个共同的所有网站和一个长期占剩余的时间趋势在每个网站。参数估计和它们的不确定性在计算效率高的近似贝叶斯推断环境R-INLA中计算。该模型的时间部分解释了学校PNC的每日和每周周期，可用于估计学童对车辆排放的超细颗粒（UFP）的暴露。在每个学校和长期监测点，PNC的峰值可以归因于上午和下午的交通高峰和新的颗粒物形成事件。该模型的空间组成部分描述了学校之间的平均PNC在每个学校和每个学校内的变化。它示出了如何可以扩展的空间模型，以确定在城市规模的空间格局，包括更多的空间位置。
2013-02-06 physics.ao-ph physics.data-an stat.AP
Estimation of Spatial and Temporal Autoregressive Effects using LASSO - An Example of Hourly Particulate Matter Concentrations
University of Glasgow（格拉斯哥大学）；University of Augsburg（奥格斯堡大学）
本文提出基于LASSO的时空自回归面板模型估计方法，可同步估计未知空间权重矩阵与其他参数，经模拟验证性能良好，应用于德国巴伐利亚PM10浓度数据可提升空间依赖关系的可解释性。
2025-11-18 stat.AP stat.CO
Source Reconstruction for Spatio-Temporal Physical Statistical Models
在许多应用中，信号在被测量之前被熟知的动力学变形。例如，当污染物进入河流时，它立即开始分散，流动，沉降和反应。如果污染物从一个单一的点进入，它的浓度可以在进入河流系统的复杂动态之前测量。然而，在非点源污染物的情况下，目前还不清楚如何有效地测量其来源。一种可能性是记录河流中的浓度测量值，但该信号被河流的流体动力学所掩盖。具体而言，浓度是由对流扩散反应偏微分方程，与未知的源项。我们提出了一种方法来统计重建这些PDE变形测量的源项。我们的方法是通用的，适用于任何线性偏微分方程。该方法在环境DNA和非点源污染的研究中具有重要的应用价值。
2022-09-16 physics.flu-dyn stat.ME stat.OT
A general theory for preferential sampling in environmental networks
本文提出了一个通用的模型框架，用于检测记录跨空间和/或时间的环境过程的环境监测器的优先采样。这是通过考虑环境过程的联合分布和选址过程来实现的，选址过程考虑选址的地点和时间，以测量环境过程。环境过程在本质上可以是空间的、时间的或时空的。通过在两个过程之间共享随机效应，联合模型能够确定场地布置是否随机地依赖于所研究的环境过程。嵌入到一个时空框架也允许动态选址过程本身的建模。影响网络规模和位置的现实因素可以很容易地建模和量化。根据选择的人口的地点，考虑选择跨越空间和时间的选址过程中，可以获得不同的见解的确切性质的优惠抽样。本文中开发的通用框架旨在使用R-INLA软件包轻松快速地安装。我们将这个框架应用到一个案例研究中，涉及颗粒空气污染在英国的监测网络的大小，通过时间发生了重大减少。结果表明，一个显着的响应-有偏见的减少，在空气质量监测网络发生。我们还表明，在整个网络的运行寿命中，该网络始终不能代表GB大部分地区的颗粒物水平。最后，我们表明，这可能导致了严重的过度报告的人口-平均暴露水平经历了整个GB。这可能对黑烟水平对健康影响的估计产生重大影响。
2019-04-07 stat.ME
Spatio-Temporal Reconstructions of Global CO2-Fluxes using Gaussian Markov Random Fields
大气反演模型是一种利用观测到的大气浓度和大气示踪剂迁移模型重建陆地与大气之间温室气体历史通量的方法。相对于未知通量分量的数量，观测到的大气浓度的数量较少，使得逆问题病态，并且需要对通量进行假设以约束解。一种常见的做法是使用具有平均结构的潜在高斯场来模拟通量，该平均结构是根据过程模拟（自然通量）和统计簿记（人为排放）相结合的估计通量。在这里，我们重建全球\CO通量场建模通量使用高斯马尔可夫随机场（GMRF），从而在一个灵活的和计算的有益的模型与Matérn样的空间协方差，和时间协方差定义通过自回归模型与季节性依赖。与以前的反演相反，通量被定义在空间连续域上，并且传统的离散通量表示被传输模型指定的分辨率下的积分通量所取代。该公式消除了通量协方差中的聚集误差，这是由于离散点通量的面积积分的传统表示，并提供了一个更接近现实生活中的时空连续通量的模型。
2019-07-05 stat.AP stat.CO stat.ME
Source-specific contributions of particulate matter to asthma-related pediatric emergency department utilization
很少有研究将小于2.5 $μ$ m（PM2.5）的环境颗粒物的特定来源与哮喘联系起来。在这项研究中，我们估计了特定来源对PM2.5的贡献，并研究了它们与美国俄亥俄州辛辛那提市哮喘医院日常利用率的关系。我们使用泊松回归模型来估计每天哮喘ED访问的第一天，第一天和第二天分别增加PM2.5及其源组件，调整时间趋势，假期，温度和湿度。此外，我们使用了基于模型的聚类方法，将具有类似源特定贡献的天数分组为六个不同的聚类。具体而言，与其他集群相比，在燃煤贡献低的日子发生的PM2.5浓度升高显示出因哮喘住院的风险显著降低（率比：0.86，95% CI：[0.77，0.95]）。减少燃煤对PM2.5水平的贡献可能是减少哮喘相关医院利用的有效干预措施。
2019-12-31 stat.AP
Spatial analysis of tails of air pollution PDFs in Europe
本研究分析欧洲3544个站点的NO、NO₂、PM₁₀和PM₂.₅浓度时间序列，发现其PDF普遍具有q指数型重尾，并绘制q与λ的空间分布图。
2024-07-17 math.DS physics.ao-ph stat.AP
Methods for Estimating the Exposure-Response Curve to Inform the New Safety Standards for Fine Particulate Matter
本研究通过72种模拟情景比较七种ERC估计方法，并基于6800多万名Medicare受益人数据发现低浓度$PM_{2.5}$下死亡风险急剧上升，支持制定更严格限值。
2023-06-05 stat.AP
Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal Autoregressions with an Application to NO2 Satellite Data
我们考虑一个高维模型，其中变量在时间和空间上进行观察。该模型包括一个时空回归包含时间滞后和空间滞后的因变量。与经典的空间自回归模型不同，我们不依赖于预定的空间相互作用矩阵，而是从数据中推断所有的空间相互作用。假设稀疏性，我们估计的空间和时间的依赖性完全数据驱动的惩罚一组Yule-Walker方程。这种正则化可以是非结构化的，但我们也提出了自定义的收缩过程时，观察来自空间网格（例如卫星图像）。有限的样本误差界推导和估计的一致性建立在一个渐近的框架，其中的样本大小和空间单元的数量发散联合。外生变量也可以包括在内。一个模拟演习显示出强大的有限样本性能相比，竞争的程序。作为一个实证应用，我们在伦敦卫星测量NO2浓度模型。我们的方法提供了一个有竞争力的基准预测改进，我们发现了强有力的空间相互作用的证据。
2021-12-31 econ.EM stat.ML
An analysis of degradation in low-cost particulate matter sensors
低成本传感器（LCS）越来越多地用于测量世界各地城市的细颗粒物（PM2.5）浓度。最常部署的LCS之一是PurpleAir，在美国部署了大约15，000个传感器。然而，传感器性能随时间的变化尚未得到很好的研究。重要的是要了解这些传感器的寿命，以确定何时应该更换它们，以及何时应该或不应该将这些设备的测量结果用于各种应用。本文通过利用以下事实填补了这一空白：1）每个PurpleAir传感器由两个相同的传感器组成，可以观察到它们的测量值之间的差异，以及2）在监管监视器的50米范围内有许多PurpleAir传感器，可以比较这两种仪器之间的测量值。我们提出了PurpleAir传感器的衍生退化结果，并评估这些结果如何随时间变化。平均而言，我们发现每个PurpleAir中的两个传感器不一致的“标记”测量值的数量在运行4年后会增加到4%。大约有2%的PurpleAir传感器出现永久性退化。永久退化的PurpleAir传感器的最大部分似乎位于炎热和潮湿的气候区，这表明该区域的传感器可能需要尽快更换。我们还发现，PurpleAir传感器的偏差，即校正后的PM2.5水平与相应参考测量值之间的差异，每年随时间变化-0.12 ug/m3（95%CI：-0.13 ug/m3，-0.11 ug/m3）。平均偏差在3.5年后急剧增加。气候带是退化结果与时间之间关系的重要修正因素。
2022-10-27 stat.AP
Bayesian estimation of airborne fugitive emissions using a Gaussian plume model
提出了一种新的方法，通过测量沉积和浓度来估算多个时间依赖源的颗粒物无组织排放速率。我们投这个源反演问题的贝叶斯框架内，并使用基于高斯羽流解决方案的正演模型。我们提出了三种替代模型，用于构建作为时间函数的排放率的先验分布。接下来，我们提出了一个工业案例研究中，我们的框架被应用到估计率的铅颗粒从特雷尔，加拿大不列颠哥伦比亚省，冶炼厂的逃逸排放。贝叶斯框架不仅提供了一个近似的解决方案，反问题，但也量化的解决方案中的不确定性。利用这些信息，我们进行了不确定性传播研究，以评估工业现场周围地区的估计源的影响。
2016-02-29 stat.AP
Estimating a Causal Exposure Response Function with a Continuous Error-Prone Exposure: A Study of Fine Particulate Matter and All-Cause Mortality
许多研究已经研究了长期暴露于细颗粒物（PM2.5）和不良健康结果之间的关系。最近，许多这些研究已经开始采用高分辨率的预测PM2.5浓度，这是测量误差。先前用于曝光测量误差校正的方法已经应用于非因果设置中或者仅考虑了分类曝光。此外，大多数程序都没有考虑到误差校正引起的不确定性时，拟合的响应函数（ERF）。为了弥补这些不足，我们开发了一个多重插补框架，结合回归校准和贝叶斯技术来估计因果ERF。我们演示了如何输出的测量误差校正步骤可以无缝集成到贝叶斯加性回归树（BART）估计的因果ERF。我们还演示了如何从BART的后验样本的局部加权平滑可以用来创建一个更准确的ERF估计。我们提出的方法也适当地传播曝光测量误差的不确定性，以产生准确的标准误估计。我们评估我们提出的方法在广泛的模拟研究的鲁棒性。然后，我们应用我们的方法来估计PM2.5对2000-2012年新英格兰医疗保险参保者全因死亡率的影响。
2022-11-28 stat.AP stat.ME
Statistical downscaling with spatial misalignment: Application to wildland fire PM$_{2.5}$ concentration forecasting
细颗粒物（PM $_{2.5}$）已被证明具有不利的健康影响，并且荒地火灾是美国PM $_{2.5}$空气污染的主要贡献者。预报员使用数值模型来预测PM $_{2.5}$浓度，以警告公众即将发生的健康风险。为了减少偏差和量化不确定性，需要使用统计方法来校准数值模式预报。典型的模型校准技术不允许由于地理位置的未对准而引起的误差。我们提出了一个时空尺度缩小的方法，使用图像配准技术来识别空间错位和帐户，并纠正这种扭曲产生的偏见。我们的模型适合在贝叶斯框架，以提供不确定性量化的不对准和其他来源的错误。我们将这种方法应用到不同的模拟数据集，并显示出增强的性能的方法中存在的空间错位。最后，我们应用该方法在华盛顿州的一场大火，并表明，该方法提供了更现实的不确定性量化比标准方法。
2019-09-26 stat.AP
Automatic Emergency Dust-Free solution on-board International Space Station with Bi-GRU (AED-ISS)
National Central University（中央大学）；National Taipei University of Technology（台北科技大学）
本研究针对国际空间站仪器受颗粒物威胁的问题，提出基于Bi-GRU算法的早期预警系统，通过收集过去90分钟数据预测未来1分钟的颗粒物水平，为宇航员提供反应时间并具备开发为遥感烟雾报警器的潜力。
2023-08-03 cs.AI cs.LG cs.NE
Estimating exposure response functions using ambient pollution concentrations
本文提出了一种估计环境危害对健康影响的方法。这一方法是一般性的，但在这里适用于空气污染的情况。它使用一个包含环境污染和温度输入的计算机模型，模拟城市地区个人经历的暴露，同时纳入确定暴露的机制。该模型的输出包括来自感兴趣群体的个体样本的一组每日暴露。这些每日暴露量近似于参数分布，因此可以生成随机选择的个体的预测暴露量分布。这些分布，然后纳入一个分层贝叶斯框架（推理使用马尔可夫链蒙特卡罗模拟），以检查短期变化之间的关系，暴露和健康结果，同时考虑到长期趋势，季节性，潜在的混杂因素的影响和生态偏见的可能性。本文采用这种方法来颗粒污染（PM $_{10}$）和呼吸道死亡率计数老年人在大伦敦（$\geq$ 65年）在1997年。在这一实质性流行病学研究中，对环境浓度和（估计）个人接触对健康的影响进行了比较。
2007-10-31 stat.AP
Modeling and forecasting daily average PM$_{10}$ concentrations by a seasonal ARFIMA model with volatility
本文研究了大气颗粒物（PM $_{10}$）日平均浓度是一个具有时变方差（波动性）的季节分数积分过程的可能性。在这种情况下，一个方便的扩展是考虑具有甘精胰岛素型创新的SARFIMA模型（Reisen等人，2006 a，b）。该模型在理论上是合理的，其实用性与应用程序中的PM $_{10}$浓度在Cariacica-ES（巴西）的城市得到证实。调整后的模型能够捕捉到系列中的动态。考虑异方差误差，样本外预测区间得到了改善，并且能够识别波动性更大的时期。
2012-06-12 math.ST stat.AP stat.TH
Unified calibration and spatial mapping of fine particulate matter data from multiple low-cost air pollution sensor networks in Baltimore, Maryland
针对多低成本传感器网络校准冲突问题，提出贝叶斯空间滤波模型，统一校准并预测PM2.5，在巴尔的摩野火烟雾期验证，提升预测精度与置信区间。
2025-09-10 stat.AP stat.ME
A Bayesian Non-linear State Space Copula Model to Predict Air Pollution in Beijing
空气污染是一个严重的问题，目前影响着世界上许多工业城市，并可能导致严重的疾病的人口。特别是，已经证明，空气中极高含量的污染物对人类健康具有危险的短期影响，因为会增加因心血管和呼吸道疾病住院的人数，并增加死亡风险。因此，准确估计和预测空气污染物浓度至关重要。在本文中，我们提出了一种灵活的新方法来模拟2014年在北京收集的细颗粒物和气象数据的小时测量。我们表明，标准的状态空间模型，基于高斯假设，不能正确地捕捉观测的时间动态。因此，我们提出了一种非线性非高斯状态空间模型，其中观测和状态方程都由Copula规范定义，我们使用哈密顿蒙特卡罗方法进行贝叶斯推断。所提出的Copula状态空间方法是非常灵活的，因为它允许我们单独建模的边缘，并容纳各种各样的依赖结构的数据动态。我们表明，所提出的方法使我们不仅可以预测颗粒物测量，而且还调查用户指定的气候情景的影响。
2019-11-11 stat.AP
A hierarchical model for estimating exposure-response curves from multiple studies
炉灶替代试验发现，其对呼吸健康的影响好坏参半。个体研究的浓度范围有限和样本量小是可能限制其统计功效的重要因素。我们提出了一个分层的方法来模拟暴露浓度和汇集数据，从多个研究，以估计一个共同的风险-反应曲线。暴露浓度模型适应时间稀疏，集群纵向观察。在适应异质性聚类数据的同时，确定性-响应曲线模型提供了确定性-响应关系的灵活的半参数估计。我们将此模型应用于尼泊尔儿童炉灶和呼吸道感染的三项研究的数据，这些研究代表三种研究类型：交叉试验，平行试验和病例对照研究。我们发现的证据增加疾病的几率之间的颗粒物浓度为50和200 $μ$ g/m $^3$和一个平坦的曝光浓度更高的风险-响应曲线。我们提出的模型可以纳入其他研究，并适用于其他设置。
2019-08-14 stat.AP stat.ME
