北京科技大学环境暴露与健康研究中心徐翔宇博士于TOP1区期刊《Environmental Pollution》发表题为“Potential for developing independent daytime/nighttime LUR models based on short-term mobile monitoring to improve model performance”的文章！

空气污染近年来一直是公众关注的热点问题，开发符合人的时空动态暴露特征的暴露评估方法也是当前研究的热点之一。本研究提出了一种将昼夜分开的LUR建模策略并进行了验证，发现该策略下能够捕捉到更多污染物的时空变化，并且与人的行为规律相适应，有助于实现更精细化和可靠的暴露评估。

土地利用回归模型由于其原理简单、开发便利、模拟效果好等优势，在空气污染物的暴露评估中被广泛应用于监测缺失区域的空气污染物浓度模拟。在量化个体或人群的空气污染物的暴露时，往往通过推移人的位置信息与空气污染物时空浓度相结合来完成。然而，以往开发的模型很少考虑如何与人的行为模式相对应。首先，当前城市人群的位置信息通常存在一种昼夜的模式，白天在工作场所，晚上在住宅地址；其次，空气污染物受城市交通和气象条件等因素的影响也存在一定的昼夜差异，如白天小汽车通行数量大且集中在城市中心区域，而夜间城市周边有大量的卡车活动。基于以上两个方面的考虑，这项研究提出了将白天和夜间分开的建模策略并进行了验证。

研究区域是山西省太原市的中心城区。研究采用车载移动监测的方式分别测量了采暖期前（2019年10月20-22日）后（2019年11月26-28日）的白天和夜间的PM2.5、PM10和NO2的浓度。在两个时期均发现了夜间的污染物浓度高于白天的现象。

整个移动监测的线路共覆盖了184个自然路段（以红绿灯或交叉路口为端点划分）。其中，182个路段的监测数据被聚合到了各路段的中点位置作为LUR模型的浓度输入数据，以各中点为中心结合土地利用、路网、人口等数据通过空间分析生成了模型的潜在预测变量。LUR模型的变量选择过程使用的是有监督的前向逐步回归的方法。

下图中总结了研究中构建的所有LUR模型调整后的R²的情况。对于PM2.5和PM10的LUR模型，无论在非采暖期和采暖期、白天和夜间，模型调整后的R²总是要优于利用全天数据建立的模型。

从三种验证方式的结果来看，留一交叉验证和10折交叉验证的R²也都呈现分开建模后的效果要优于使用全天数据建立的模型，并且采暖期和非采暖期两个时期验证的结果相一致。

虽然，NO2模型并未呈现出与颗粒物模型同样的特征，但PM2.5和PM10的结果也一定程度上展现出了使用昼夜分开建模的策略具有提升LUR模型性能的潜力。此外，LUR模型在该区域的模拟结果显示出白天和夜间的空气污染物在空间分布上存在明显的空间差异。这一现象证实使用昼夜分开建模的策略能够捕获更多的空间差异，使用全天数据开发的模型会忽略这些差异。

提出昼夜独立建立LUR模型的潜在目标是优化空气污染物的暴露评估。这一策略能够更好地捕获空气污染暴露评估中的空间和时间动态，不仅能够与人们的日常行为规律相结合，还具有提升模型预测性能的潜力。这项研究通过两个时期（采暖期和非采暖期）的相互印证的结果证实了这一潜力。而在未来研究中，这一策略可以推广到更多时间尺度下（季节、年度等），进一步扩展应用场景，更好的捕获空气污染暴露的时空变化。