基于可解释机器学习的臭氧前体敏感性空间特征识别新方法

《Journal of Environmental Sciences》：A novel approach to identify the spatial characteristics of ozone-precursor sensitivity based on interpretable machine learning

为解决中国日益严重的臭氧(O3 )污染问题，研究人员开发了一种结合XGBoost模型、SHAP算法和VOCs光化学衰减校正的创新方法，实现了秒级精准识别臭氧前体敏感性(OPS)。研究发现粤港澳大湾区OPS存在显著时空异质性，9月至10月由NOx 限制型向VOCs限制型转变，为制定区域差异化臭氧控制策略提供了科学工具。

近年来，中国大气治理在颗粒物控制方面取得显著成效，但臭氧(O₃
)污染却逆势上升，成为制约空气质量持续改善的瓶颈问题。臭氧作为典型的二次污染物，其生成与氮氧化物(NO_x
)和挥发性有机物(VOCs)的前体敏感性(OPS)密切相关。然而，现有OPS识别方法存在明显局限：光化学指标法阈值具有地域特异性，观测模型常忽略羰基化合物影响，排放清单法需大量情景模拟耗时耗力。更棘手的是，传统方法难以捕捉臭氧与前体间复杂的非线性关系，也无法快速响应污染事件的应急管控需求。

针对这一难题，中国研究人员在《Journal of Environmental Sciences》发表研究，创新性地将可解释机器学习技术引入OPS识别领域。研究团队以2022年秋季粤港澳大湾区持续28天的臭氧污染事件为案例，构建了融合XGBoost模型、SHAP解释算法和VOCs光化学衰减校正的三维技术体系。通过比较基准情景与前体减排情景下SHAP值差异，将OPS划分为NO_x
限制型、VOCs限制型和过渡型三类。技术关键点包括：采用10折交叉验证确保模型可靠性，使用广东生态环境监测中心的实时观测数据驱动模型，通过光化学衰减校正还原VOCs排放源影响。

模型性能评估显示，XGBoost模型在臭氧预测中表现最优，R²
达0.77-0.88，显著优于随机森林等对比模型。研究结果揭示大湾区OPS存在鲜明时空分异：时间维度上，9月以NO_x
限制型为主，10月转为VOCs限制型；空间维度上，核心区多属VOCs限制型，外围区域则倾向NO_x
限制型。通过后向轨迹分析发现，不同OPS类型对应差异化的污染来源区域。

该研究突破了传统OPS识别方法在时效性和准确性上的瓶颈，首次实现秒级精度的空间特异性臭氧管控指导。其创新性体现在三方面：一是通过SHAP值差异比较量化前体减排效果，二是引入VOCs光化学衰减校正提升模拟真实性，三是构建了可解释的机器学习框架。这项成果为动态调整区域差异化管控策略提供了科学依据，对破解中国臭氧污染防治难题具有重要实践价值。研究团队特别指出，该方法可扩展应用于其他大气复合污染区域，未来若与实时排放清单耦合，将进一步提升臭氧应急管控的精准性。