机器学习解析地表臭氧的化学与气象驱动机制：面向气候协同治理的策略启示

本研究针对东亚地区日益严重的近地面臭氧(O3)污染问题，通过机器学习模型结合高分辨率大气成分监测数据，揭示了NOx、VOCs(挥发性有机物)与气象因子的季节性交互作用。研究发现冬季化学-气溶胶变量贡献82.4%的O3预测方差，夏季降至62.1%，温度(T)和1,2,3-三甲苯等关键驱动因子被精准识别，为制定区域差异化臭氧-气候协同控制策略提供了量化依据。

　　

随着全球气候变化加剧，东亚地区近地面臭氧(O₃)污染问题日益凸显。这种由氮氧化物(NO_x)和挥发性有机物(VOCs)在阳光下发生复杂光化学反应形成的二次污染物，不仅导致每年全球约49万人过早死亡，还会显著降低农作物产量。更令人担忧的是，过去十年中国和台湾地区的O₃浓度呈现持续上升趋势，而传统的大气化学传输模型受限于排放清单精度和化学反应机制认知，难以准确解析其复杂成因。在此背景下，来自中国的研究团队在《Environment International》发表了一项创新研究。

研究团队选取台湾新北市土城站这个被工业区和高速公路包围的典型监测点，收集了2022-2023年冬夏两季的高时间分辨率数据，包括54种VOCs物种、常规空气污染物(PM_2.5、NO_x等)和气象参数。通过随机森林机器学习模型结合SHAP(Shapley Additive Explanations)可解释性算法，建立了臭氧预测框架，并采用10折交叉验证评估模型性能。

季节性污染特征差异
数据分析显示，冬季O₃平均浓度(28.9 ppb)显著高于夏季(21.5 ppb)，51%的冬季监测小时数超过WHO安全标准(31 ppb)。冬季污染物浓度普遍较高，而夏季温度(29.8°C)和风速(1.32 m/s)的升高促进了臭氧光化学过程。极坐标分析发现夏季西北风向下臭氧污染更严重，暗示区域传输的重要作用。

机器学习模型性能
模型表现出优异的预测能力，冬季和夏季的交叉验证R²分别达到0.906和0.867。参数优化显示最优决策树数量(ntree)为500，冬季和夏季的最佳节点分裂变量数(mtry)分别为19和18。敏感性分析证实，采用总VOCs(TVOC)或单个VOCs物种作为输入时模型性能相当，但后者能提供更精细的物种级信息。

驱动因子贡献解析
SHAP值分析揭示了显著的季节差异：

1. 冬季主导因素为1,2,3-三甲苯(|SHAP|=2.83)、NO_x(2.34)和反式-2-丁烯(2.02)，化学-气溶胶变量贡献82.4%的解释方差；
2. 夏季温度(6.13)成为最强驱动因子，气象变量贡献比例升至37.9%；
3. 意外发现低臭氧生成潜势(OFP)的乙烷在夏季贡献突出，可能与长寿命特性及局地排放特征有关；
4. PM_2.5与O₃呈正相关，可能通过促进二次气溶胶形成产生协同效应。

昼夜动态规律
冬季VOCs的SHAP值在非正午时段更高，而夏季温度驱动在10:00-16:00期间显著增强。相对湿度(RH)始终呈负向影响，降雨(RF)的作用则微乎其微。

这项研究创新性地量化了气候条件与污染前体物的协同作用，提出了"臭氧-气候协同控制策略"框架。特别指出在气候变暖背景下，需重点关注温度敏感型VOCs物种(如1,2,3-三甲苯)的减排，同时考虑季节差异实施精准调控。虽然受限于单点短期数据，但建立的方法体系可推广至其他污染热点区域，为制定基于机器学习的动态环境管理政策提供了新范式。

研究结果对公共卫生具有直接指导价值：冬季应优先控制工业源和交通源排放的芳香烃和烯烃，夏季则需强化高温天气下的应急减排措施。这种数据驱动的管理思路，有望在气候变化加剧的背景下，为东亚地区臭氧污染防治提供科学决策支持。