Abstract To link short-term exposures of air pollutants to health outcomes, scientists must use high temporal and spatial resolution estimates of PM2.5 concentrations. In this work, we develop a daily PM2.5 product at 1 × 1 km2 spatial resolution across the eastern United States (east of 90° W) with the aid of 1 × 1 km2 MAIAC aerosol optical depth (AOD) data, 36 × 36 km2 WRF-Chem output, 1 × 1 km2 land-use type from the National Land Cover Database, and 0.125° × 0.125° ERA-Interim re-analysis meteorology. A gap-filling technique is applied to MAIAC AOD data to construct robust daily estimates of AOD when the satellite data are missing (e.g., areas obstructed by clouds or snow cover). The input data are incorporated into a multiple-linear regression model trained to surface observations of PM2.5 from the EPA Air Quality System (AQS) monitoring network. The model generates a high-fidelity estimate (r2 = 0.75 using a 10-fold random cross-validation) of daily PM2.5 throughout the eastern United States. Of the inputs to the statistical model, WRF-Chem output (r2 = 0.66) is the most important contributor to the skill of the model. MAIAC AOD is also a strong contributor (r2 = 0.52). Daily PM2.5 output from our statistical model can be easily integrated into county-level epidemiological studies. The novelty of this project is that we are able to simulate PM2.5 in a computationally efficient manner that is constrained to ground monitors, satellite data, and chemical transport model output at high spatial resolution (1 × 1 km2) without sacrificing the temporal resolution (daily) or spatial coverage (>2,000,000 km2).

中文翻译：

---

使用间隙填充 MAIAC AOD 和 WRF-Chem 估算美国东部 1 公里分辨率下的每日 PM2.5 浓度

摘要 为了将空气污染物的短期暴露与健康结果联系起来，科学家必须使用 PM2.5 浓度的高时空分辨率估计值。在这项工作中，我们借助 1 × 1 km2 MAIAC 气溶胶光学深度 (AOD) 数据，在美国东部（西经 90°以东）以 1 × 1 km2 空间分辨率开发了每日 PM2.5 产品，36 × 36 km2 WRF-Chem 输出，来自国家土地覆盖数据库的 1 × 1 km2 土地利用类型，以及 0.125° × 0.125° ERA-临时再分析气象。当卫星数据丢失（例如，被云或雪覆盖的区域）时，将间隙填充技术应用于 MAIAC AOD 数据以构建可靠的 AOD 每日估计值。输入数据被合并到一个多元线性回归模型中，该模型被训练用于 PM2.5 的表面观测。5 来自 EPA 空气质量系统 (AQS) 监测网络。该模型生成了美国东部每日 PM2.5 的高保真估计值（r2 = 0.75，使用 10 倍随机交叉验证）。在统计模型的输入中，WRF-Chem 输出 (r2 = 0.66) 是模型技能的最重要贡献者。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。该模型生成了美国东部每日 PM2.5 的高保真估计值（r2 = 0.75，使用 10 倍随机交叉验证）。在统计模型的输入中，WRF-Chem 输出 (r2 = 0.66) 是模型技能的最重要贡献者。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。该模型生成了美国东部每日 PM2.5 的高保真估计值（r2 = 0.75，使用 10 倍随机交叉验证）。在统计模型的输入中，WRF-Chem 输出 (r2 = 0.66) 是模型技能的最重要贡献者。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。5 遍及美国东部。在统计模型的输入中，WRF-Chem 输出 (r2 = 0.66) 是模型技能的最重要贡献者。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于，我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率（1 × 1 平方公里）的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。5 遍及美国东部。在统计模型的输入中，WRF-Chem 输出 (r2 = 0.66) 是模型技能的最重要贡献者。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。MAIAC AOD 也是一个强大的贡献者（r2 = 0.52）。我们统计模型的每日 PM2.5 输出可以轻松整合到县级流行病学研究中。该项目的新颖之处在于我们能够以计算效率高的方式模拟 PM2.5，该方式受限于地面监测器、卫星数据和高空间分辨率 (1 × 1 km2) 的化学传输模型输出，而不会牺牲时间分辨率（每日）或空间覆盖（>2,000,000 平方公里）。