基于SHAP交互重分配分析评估臭氧形成的影响：量化VOC光化学损失与源贡献的新框架

推荐 为解决臭氧（O3）污染控制中难以量化光化学过程对污染源贡献的问题，研究人员基于改进的光化学年龄参数化方法和SHAP交互重分配分析（SIRA）框架，系统解析了VOC光化学损失对臭氧形成的影响。研究发现，VOCs的光化学损失占主导，且二次生成、生物源排放和工业排放是主要贡献者。该研究为精准控制臭氧污染提供了新思路。

　　

论文解读
臭氧（O₃）作为对流层的关键污染物，其形成机制复杂，涉及挥发性有机化合物（VOCs）和氮氧化物（NO_x）的光化学反应，并受气象条件显著影响。然而，现有研究难以准确量化光化学过程对污染源贡献的影响。为解决这一问题，绍兴市（中国长江三角洲地区）的研究团队基于改进的光化学年龄参数化方法，结合SHAP交互重分配分析（SIRA）框架，开展了系统性研究。

研究人员首先通过改进的光化学年龄参数化方法，计算了VOCs的光化学损失浓度，发现烯烃、芳烃和OVOCs的光化学损失占比最高。随后，利用SHAP分析揭示了气象因素和NO_x是臭氧形成的主要驱动因素，而VOCs与NO_x的重要性比值在污染期显著升高，表明臭氧形成进入VOC限制阶段。SIRA框架进一步识别了二次生成、生物源排放和工业排放为臭氧的主要贡献源，并通过交互分析发现生物源排放和生物质燃烧在二次生成中的贡献显著提升，车辆排放在人为源中占比最高。

研究结果表明，VOCs的光化学损失对臭氧形成至关重要，其累积R²值达6.12。气象因素主导臭氧形成（贡献率50.82%），而VOCs与NO_x的交互作用在污染期增强。SIRA框架通过重新分配二次生成贡献，明确了生物源排放和生物质燃烧的关键作用，并量化了不同污染源的交互影响。

该研究的重要意义在于提出了SIRA框架，有效避免了传统PMF方法的误差传播问题，并整合了机器学习与源解析技术，为臭氧污染控制提供了更精准的策略依据。研究成果发表于《Environmental Impact Assessment Review》。

研究方法
研究人员采用了改进的光化学年龄参数化方法，结合SHAP交互重分配分析（SIRA）框架和正矩阵因子分解（PMF）模型，基于绍兴市国家空气质量监测站2021年4月21日至10月24日的观测数据，包括47个特征变量（33种VOCs、8项气象参数和6种常规污染物）和地面臭氧浓度，开展了系统性分析。

研究结果
光化学损失与VOC贡献
通过改进的光化学年龄参数化方法，研究发现VOCs的光化学损失浓度均值为7.44±10.36 ppb，其中烯烃、芳烃和OVOCs的损失占比最高（分别为1.35、0.90和0.66）。

驱动因素分析
SHAP分析表明，气象因素（贡献率50.82%）和NO_x（贡献率12.24%）是臭氧形成的主要驱动因素。VOCs与NO_x的重要性比值在污染期从1.5升至2.4，表明臭氧形成进入VOC限制阶段。

源贡献解析
SIRA框架识别了二次生成（48.38%）、生物源排放（13.87%）和工业排放（9.33%）为臭氧的主要贡献源。交互分析显示，生物源排放和生物质燃烧的贡献显著提升（分别增加41.18%和40.27%），车辆排放在人为源中占比增加17.0%。

研究结论
该研究通过SIRA框架量化了光化学过程对臭氧形成的影响，明确了生物源排放和生物质燃烧的关键作用，并提出了更精准的污染控制策略。研究结果为复杂城市大气环境中的臭氧污染治理提供了科学依据，具有重要的应用价值。