污染源与气象变量定义的状态空间中排放-扩散动态的聚类分析及其在空气质量预测中的应用

本研究针对空气污染源、气象条件与污染物浓度间的复杂关系，提出了一种基于状态空间聚类的新方法。研究人员通过整合高分辨率气象数据和交通排放指标，对以色列85个监测站点的NO、NO2、NOx、PM2.5和O3数据进行分析，建立了30-40个特征聚类。结果表明，基于聚类训练的统计模型显著优于传统全周期模型，为空气质量精准预测和科学管理提供了新思路。

　　

空气污染治理一直是环境科学领域的重大挑战。在城市化进程加速的今天，如何准确预测污染物浓度变化、理解污染形成机制，成为科学家们亟待解决的难题。传统研究方法往往将空气污染数据简单视为时间序列，忽略了污染源排放与气象条件之间复杂的非线性相互作用。特别是在以色列这样的地中海气候区，从寒冷稳定的夜晚到湍流强烈的风暴天气，气象条件的剧烈变化使得污染物扩散过程呈现高度动态特征。这种复杂性导致常规统计模型预测精度有限，难以满足精准环境管理的需求。

为突破这一瓶颈，研究人员创新性地将混沌系统理论引入环境数据分析。受Lorenz系统状态空间分析的启发，研究团队将四年的小时级监测数据（包括ICON-LAM气象模型输出和交通流量数据）转化为多维状态空间中的轨迹。通过改进的K-means++聚类算法，在85个监测站点分别识别出30-40个特征聚类，每个聚类代表独特的排放-扩散动态模式。

研究采用了多项关键技术：1）基于ICON-LAM数值天气预报模型获取高分辨率气象数据；2）使用交通流量作为NO_x和PM_2.5的排放代理指标；3）开发稳健的聚类方法处理高维数据；4）通过交叉验证比较聚类模型与传统模型的预测性能。数据来自以色列环保部提供的四年连续监测数据，涵盖85个空气质量监测站。

研究结果显示，状态空间聚类能有效捕捉日内尺度的排放-扩散特征。以特拉维夫PTR站点为例，27个主要聚类呈现出明显的环境特征梯度：夏季白天集群（如集群1）显示高温、强对流和低NO₂（5.9ppb），而冬季夜晚集群（如集群27）则表现为稳定大气条件和高NO₂（25.1ppb）。这种精细划分使模型能更准确地反映不同气象条件下的污染动态。

模型验证表明，基于聚类的预测方法显著优于传统方法。对所有监测站点的统计分析显示，NO₂预测的归一化平均绝对误差（NMAE）从0.60降至0.53，Spearman相关系数从0.36提升至0.50。类似改进也见于NO、NO_x和O₃的预测，证实了该方法在不同污染物上的普适性。

这项发表在《Science of The Total Environment》的研究具有多重重要意义。理论上，它将动力系统理论引入环境数据分析，为理解空气污染的复杂动力学提供了新视角。方法学上，开发的聚类流程解决了高维环境数据处理的难题，具有高度可重复性。实践上，该模型能更精准预测污染事件，为制定分时段、分区域的差异化管控措施提供科学依据。特别是研究发现夏季白天的强扩散条件可能降低减排措施的必要性，而冬季稳定天气则需要更严格的排放控制，这些结论对优化空气质量管理策略具有直接指导价值。