编辑推荐：
本文针对资源有限地区（如非洲城市）空气质量监测的挑战，提出了一套利用低成本传感器（LCS）生成、解读和应用PM2.5数据的框架。研究通过在乌干达坎帕拉布设的11个LCS与一台β衰减监测仪（BAM）进行长达13个月的对比，发现24小时均值数据比小时数据与参考监测器有更强线性关系，且不同土地利用类型（如高/低排放区）显著影响污染水平与组成。这强调了在向公众传达空气质量信息时，必须结合本地环境与社会经济背景进行数据解读，以推动有效的社区行动和政策制定。
空气污染是全球中低收入国家环境相关疾病负担的主要驱动因素。在非洲，这一问题因人口增长、快速城市化和工业化而加剧。以乌干达首都坎帕拉为例，其年平均PM2.5浓度是世界卫生组织（WHO）建议指南值的近八倍。然而，由于基础设施和资金限制，标准参考监测器在非洲城市的覆盖极为有限，导致了巨大的数据缺口，阻碍了有效的政策干预和公共卫生保护。
在此背景下，低成本传感器（LCS）因其价格低廉、可提供本地化实时数据的能力而展现出巨大潜力。它们能改善空气污染的空间表征，并为污染减排、健康保护和公众意识提升提供信息。但LCS的准确性依赖于适当的校准和维护，且其测量值不能等同于标准参考监测器。因此，如何解读来自LCS的数据，使其在本地环境和社会经济背景下变得有意义，是推动社区行动的关键挑战。
为应对这一挑战，本研究在坎帕拉市及周边地区部署了一个由11个经过校准的AirQo LCS组成的监测网络，并与美国驻当地使馆的一台标准β衰减监测仪（BAM）进行了为期13个月（2022年1月至2023年1月）的对比。研究核心是比较LCS与BAM在小时和24小时平均PM2.5浓度上的一致性，并探究不同土地利用类型如何影响监测结果。
数据与方法
研究区域坎帕拉是非洲人口增长最快的城市之一，其基础设施面临巨大压力。监测站点根据AIRQO的土地利用描述符，依据周边排放源被分类为高排放区或低排放区。这种分类反映的是本地排放强度，而非单纯的居民区属性。
- •
低排放站点：主要为低密度的高档住宅区，特征包括更多绿地、铺设道路、附近交通或商业活动有限。代表站点有Bugolobi, Mbuya II, Naguru II, 和 Kiwatule。
- •
高排放站点：附近有大量排放源，包括商业中心、商业枢纽、靠近高速公路或主干道，以及土地混合利用的高密度居民区。这些区域通常包括小型零售店、餐馆、生物质燃料使用、未铺砌道路和露天垃圾焚烧。代表站点包括Bukasa, Nakawa, Ntinda, Buwate, Nsasa, Nsawo, Butabika, 以及作为参考点的Nsambya（美国使馆）。
研究中使用的AirQo LCS采用了基于机器学习的现场校准方法，以确保数据准确性。数据收集期间存在随机缺失，为平衡数据质量和空间代表性，研究保留了日观测值有效性至少60%的月份，最终纳入了11个LCS站点的数据进行分析。
结果与讨论
BAM与LCS的PM2.5测量值比较
线性回归分析显示，所有11个LCS站点与BAM的24小时平均数据之间存在较强的线性关系，而小时数据的线性关系则较弱。这表明，与小时读数相比，24小时平均读数能更全面地反映该区域的污染状况，这与PM2.5浓度的日变化规律一致。同时，在较高浓度值时，无论是24小时还是小时平均值，传感器的测量值都呈现出更大的离散性。考虑到与健康风险相关的科学研究和WHO环境空气污染阈值大多基于24小时平均值，在资源有限、难以支持大规模空气质量监测的地区，基于LCS的24小时读数对于支持污染管理干预和理解本地PM趋势具有实用价值。
不同土地利用类型的污染数据差异
研究进一步揭示了土地利用类型对污染水平的显著影响。尽管某些站点（如Bugolobi与Nsasa、Nsawo）的污染趋势相似，但各自不同的土地利用特征会影响污染的混合与成分。例如，Bugolobi是拥有更多绿化和铺设道路的高档社区，而Nsasa和Nsawo则是人口更密集、街道脏乱、生物质和露天焚烧更普遍的普通住宅区。暴露于不同污染源意味着不同的健康风险。因此，在多样化区域进行空气质量研究时，若仅根据单一地点的测量结果进行概括，可能会产生偏差（例如，在低排放区测量会低估整体污染，在高排放区测量则会高估）。这种不准确性在使用LCS时会被放大，特别是当没有考虑数据完整性、测量时长、传感器潜在技术问题以及缺乏定期校准时。
斜率与站点描述
从日平均（24小时）数据得出的回归斜率值显示，Bugolobi, Kiwatule, Ntinda, Mbuya等更城市化的区域斜率较低（约0.6-1.05），而Buwate, Nsasa, Nsawo等城郊区域斜率较高（约1.1-1.23）。城郊站点较高的斜率可能意味着污染水平波动更大，这可能源于一天中不同时间发生的活动变化（如生物质或垃圾焚烧），相比之下，城市站点因持续交通流产生的污染更为稳定。
敏感性分析与距离影响
敏感性分析表明，回归结果对抽样变异性具有稳健性。此外，研究发现站点与使馆参考点的距离与其回归斜率值之间没有明确的趋势关联。例如，Nakawa尽管是一个高排放站点（平均浓度约29.74 μg/m3），但其斜率较低（0.64）。这可能是因为其作为连接乌干达与肯尼亚的主要高速公路沿线的繁忙商业中心和交通枢纽，污染排放持续且缓慢稳定地增长。
结论
本研究表明，与小时读数相比，LCS与BAM的24小时平均读数之间存在更强的线性关系，能更全面地反映区域污染。研究未发现站点与参考监测点距离同数据一致性之间存在明确关联。更重要的是，不同土地利用类型（高档住宅区、普通住宅区、商业中心）导致的排放水平、混合和浓度的局部差异，深刻影响着各区域的空气质量。坎帕拉历史上无规划的城市发展和分区法律的缺失，造就了这种多样化的土地利用格局。
因此，在最终的空气质量读数中，必须考虑每个土地利用区域的独特性，以避免对多样化区域进行概括性空气质量报告时产生的不准确性。未来研究需要利用高分辨率卫星成像或其他创新技术来调查污染源解析和热点区域。总体而言，在高速部署传感器监测空气质量的同时，应辅以一个逐步、易于理解和消化的空气质量解读框架，将空气质量读数转化为公众可理解的信息。对自身空气质量有清晰认识的社区，将更愿意参与空气质量管理，并有助于推动政府在空气质量政策上更加透明。
