In air pollution studies, dispersion models provide estimates of concentration at grid level covering the entire spatial domain, and are then calibrated against measurements from monitoring stations. However, these different data sources are misaligned in space and time. If misalignment is not considered, it can bias the predictions. We aim at demonstrating how the combination of multiple data sources, such as dispersion model outputs, ground observations and covariates, leads to more accurate predictions of air pollution at grid level. We consider nitrogen dioxide (NO2) concentration in Greater London and surroundings for the years 2007-2011, and combine two different dispersion models. Different sets of spatial and temporal effects are included in order to obtain the best predictive capability. Our proposed model is framed in between calibration and Bayesian melding techniques for data fusion red. Unlike other examples, we jointly model the response (concentration level at monitoring stations) and the dispersion model outputs on different scales, accounting for the different sources of uncertainty. Our spatio-temporal model allows us to reconstruct the latent fields of each model component, and to predict daily pollution concentrations. We compare the predictive capability of our proposed model with other established methods to account for misalignment (e.g. bilinear interpolation), showing that in our case study the joint model is a better alternative.

中文翻译：

---

在 R-INLA 中整合空间错位空气污染数据的联合贝叶斯时空模型

在空气污染研究中，分散模型提供覆盖整个空间域的网格级别的浓度估计，然后根据监测站的测量值进行校准。然而，这些不同的数据源在空间和时间上是错位的。如果不考虑未对齐，则可能会使预测产生偏差。我们旨在展示多个数据源（如离散模型输出、地面观测和协变量）的组合如何在网格级别更准确地预测空气污染。我们考虑了 2007-2011 年大伦敦及周边地区的二氧化氮 (NO2) 浓度，并结合了两种不同的扩散模型。包括不同的空间和时间效果集，以获得最佳预测能力。我们提出的模型介于校准和贝叶斯融合技术之间，用于数据融合红色。与其他示例不同，我们在不同尺度上对响应（监测站的浓度水平）和分散模型输出进行联合建模，以考虑不同的不确定性来源。我们的时空模型使我们能够重建每个模型组件的潜在场，并预测每日污染浓度。我们将我们提出的模型的预测能力与其他已建立的方法进行比较以解决未对准（例如双线性插值），表明在我们的案例研究中联合模型是更好的替代方案。我们联合对响应（监测站的浓度水平）和不同尺度的离散模型输出进行建模，以考虑不同的不确定性来源。我们的时空模型使我们能够重建每个模型组件的潜在场，并预测每日污染浓度。我们将我们提出的模型的预测能力与其他已建立的方法进行比较以解决未对准（例如双线性插值），表明在我们的案例研究中联合模型是更好的替代方案。我们联合建模响应（监测站的浓度水平）和不同尺度的离散模型输出，考虑到不同的不确定性来源。我们的时空模型使我们能够重建每个模型组件的潜在场，并预测每日污染浓度。我们将我们提出的模型的预测能力与其他已建立的方法进行比较以解决未对准（例如双线性插值），表明在我们的案例研究中联合模型是更好的替代方案。