利用可解释的人工智能揭示美国土地覆盖和气候极端事件对野火烟雾中PM2.5颗粒物影响的研究

《Environmental Science & Technology》：Uncovering the Influence of Land Cover and Climate Extremes on Wildfire Smoke PM2.5 in the United States Using Explainable Artificial Intelligence

美国野火PM2.5污染驱动因素研究综合运用时间序列分析、多水平回归和XGBoost-SHAP模型，揭示高温、干旱及降水不足是主要诱因，西部和北部地区尤为显著，冷锋和强降雨有轻微缓解作用，土地利用影响因地区燃料和景观异质性而异，后期复合驱动因素作用增强，需制定时空适配的烟雾治理策略。

　　

来自野火烟雾的细颗粒物（PM_2.5）已成为美国（U.S.）严重的环境健康威胁，然而气候极端事件和土地覆盖类型在影响野火烟雾中PM_2.5暴露程度方面的综合作用仍不甚明了。我们利用2010年至2018年的人口普查数据，构建了一个综合框架，结合时间序列分析、多层回归和可解释的机器学习方法（XGBoost与SHapley Additive Explanations，简称SHAP），来研究影响野火烟雾中PM_2.5浓度的因素。无论采用哪种方法，气温升高、干旱条件以及降水量减少都始终预示着PM_2.5浓度的增加，尤其是在美国西部和北部地区；相比之下，寒潮和强降雨则会导致PM_2.5浓度略有下降。土地覆盖类型对烟雾暴露的影响因地区而异，森林、湿地和草原的影响取决于当地的燃料可用性和景观异质性。XGBoost-SHAP模型表现出较高的预测性能（R² = 0.77–0.87），并进一步揭示出在后期年份，干旱加剧效应和寒潮抑制效应等复合因素变得越来越重要。我们的研究结果强调了制定适应性强的、具有地理针对性的烟雾缓解策略的必要性，这些策略需要考虑气候和土地因素在时空变化中的影响。