基于可解释机器学习的中国臭氧时空变异对排放与气象响应机制研究

本研究针对中国日益严重的臭氧污染问题，采用可解释机器学习方法，系统分析了2016-2023年全国监测站点的臭氧数据。研究人员通过Kolmogorov-Zurbenko滤波分解臭氧时间序列，结合XGBoost模型量化排放与气象因素的贡献，揭示了臭氧变化的南北差异特征及关键驱动因子。研究发现北方臭氧受温度主导，而南方主要受太阳辐射影响，为区域协同治理提供了科学依据。成果发表于《iScience》。

　　

随着中国工业化进程加速，地表臭氧污染已成为威胁生态系统和公众健康的重大环境问题。作为典型的二次污染物，臭氧通过氮氧化物(NO_x)和挥发性有机物(VOCs)在太阳辐射下的光化学反应生成。尽管中国政府实施了一系列减排政策使多数空气污染物浓度下降，但臭氧水平却逆势上升，这主要源于其与前体物的非线性关系及气象条件的不可控性。在此背景下，西南大学资源环境学院的研究团队在《iScience》发表重要成果，首次在全国尺度上揭示了臭氧对排放和气象响应的地理变异规律。

研究采用三大关键技术：1)基于全国1495个监测站点2016-2023年的臭氧观测数据，运用Kolmogorov-Zurbenko(KZ)滤波分解长期趋势、季节周期和短期波动；2)构建XGBoost机器学习模型区分排放与气象贡献，结合SHAP算法解析关键气象因子；3)通过热点分析识别区域差异特征。

【臭氧时空变化特征】

研究显示中国臭氧年均浓度从2016年80.07μg/m³增至2023年96.04μg/m³，京津冀(BTH)和长三角(YRD)浓度显著高于珠三角(PRD)和四川盆地(SCB)。季节变化呈现北方以年周期主导、南方以短期波动为主的鲜明对比。

【排放与气象驱动趋势】

长期趋势分析表明，全国84%站点臭氧显著上升，但排放驱动增速放缓至0.41μg/m³ a^-1。气象影响呈现区域分异：BTH和SCB气象条件抑制臭氧增长，而YRD和PRD则促进臭氧累积，贡献率分别达134.02%和78.03%。

【关键气象因子解析】

SHAP分析显示温度是华北臭氧主控因子，而其他区域主要受太阳辐射支配。两者存在交互效应：中等辐射(0.65×10⁷-1.4×10⁷ J/m²)下温度影响更强，极端辐射下太阳辐射主导。边界层高度和经向风分别在西南和沿海地区起重要作用。

该研究首次在全国尺度上系统量化了臭氧对排放和气象的响应差异，揭示了太阳辐射与温度的阈值效应，为制定区域差异化防控策略提供了理论支撑。特别是在气候变化背景下，研究指出的气象敏感区需要重点关注，而排放驱动增速放缓则印证了现行政策的有效性。未来研究可结合更高分辨率模型进一步验证机器学习结果的物理机制。