基于LightGBM-SHAP多尺度解析的中国PM2.5污染驱动机制及区域调控策略

本研究针对中国PM2.5污染空间异质性难题，采用LightGBM机器学习模型结合SHAP解释方法，首次在城域和网格尺度系统量化了污染物浓度（NO2/CO/SO2）、气象因子及社会经济因素的贡献度，揭示长三角/珠三角以一次排放主导、京津冀等地区受大气氧化容量限制的区域分异规律，为精准治霾提供科学依据。

　　

随着中国大气污染防治进入深水区，PM_2.5污染治理面临空间异质性显著、驱动机制复杂等挑战。传统空气质量模型受限于排放清单不完整、计算成本高等问题，而机器学习为解析PM_2.5非线性形成机制提供了新思路。中国科学院研究人员联合多所高校，在《Environment International》发表研究，通过整合2015-2022年全国城域和10km网格数据，创新性地将污染物浓度纳入LightGBM模型，结合SHAP可解释性分析，首次实现多尺度PM_2.5驱动因子量化解析。

研究采用三大关键技术：1）构建包含29个特征的8类数据集（城域/网格尺度含/不含污染物）；2）通过LightGBM算法优化预测模型（R²达0.96-0.99）；3）应用SHAP方法量化各因子贡献度，并对比京津冀（BTH）、汾渭平原（FWP）等五大重点区域差异。

【主要发现】

1. 城域尺度：污染物浓度贡献超49.3%，其中NO₂（24.7%）、CO（21.3%）主导。加入污染物使模型R²从0.79提升至0.93，证实二次气溶胶生成的关键作用。

2. 网格尺度：气象因子贡献升至51.1%，温度（T2M,24.0%）和降水（PRCP,11.8%）成为郊区PM_2.5主控因素，反映非城市区更依赖自然清除机制。

3. 区域差异：长三角（YRD）、珠三角（PRD）PM_2.5主要受SO₂（30.6%）、CO（23.9%）等一次排放驱动；而京津冀等地区受大气氧化容量（O_x/SO₂比值）限制，NO₂贡献达44.4%。

该研究突破传统模型局限，首次通过机器学习揭示PM_2.5形成存在"城市-郊区"和"南北区域"双重分异规律。成果为制定差异化管控策略提供理论支撑：对高氧化容量区应强化SO₂/NO_x协同减排，而对北方地区需重视气象条件优化与VOCs控制。这种数据驱动的研究范式，为大气污染精准治理开辟了新路径。