《Journal of Hazardous Materials》：Informing atmospheric pollution hotspots and exposure risks under climate change using machine learning: Evidence from 2,843 Chinese regions
编辑推荐：
本研究利用时间序列和因果推断模型，分析2013-2022年中国2843个地区主要污染物浓度变化及其对总死亡率的影响。结果表明极端高温和干旱增加，O3浓度年均上升2.66%，污染物与死亡率呈正相关，协同暴露及气候指标显著加剧健康风险，为应对气候变化和空气污染政策提供依据。
宁浩|赵圆圆|邓正阳|孙培轩|刘家鹏|曹麒麟|赵文进
教育部地下水资源与环境重点实验室，吉林大学，长春，130021，中国
摘要
2013年至2022年间，空气污染每年导致中国超过一百万人死亡，而气候变化可能会进一步增加这种暴露风险。本文应用时间序列和因果推断模型，量化了在气候变化背景下2843个地区CO、NO2、O3、SO2、PM2.5和PM10浓度的变化及其对全因死亡率（ACD）的相对影响。研究发现，中国极端高温和干旱事件平均每年增加2天，而极端降水和低温事件平均每年减少2天。除了全国范围内O3浓度呈上升趋势（年均增长2.66%）外，其他空气污染物仅在气候敏感地区（中国西部、东北部和东南部）出现区域性增加。地表压力和湖底温度等气候指标在调节和预测空气污染方面起着重要作用。除SO2外，所有空气污染物都与全因死亡率存在正相关关系，每单位污染物增加与平均30.68 ± 24.87例死亡相关；同时，多种污染物暴露和气候指标的联合作用会放大健康影响，但不确定性也会增加。我们的研究结果表明，气候变化和极端气候事件将进一步提高中国严重空气污染及相关死亡的风险。
摘要
本研究提出了一个基于气候变化背景下的污染物浓度深度学习模型（RSSFF），用于预测污染物浓度的变化及其与全因死亡率之间的因果关系。
引言
空气污染和气候变化已被证明对人类健康有显著影响[1]、[2]。2013年，中国启动了两阶段清洁空气行动计划（CAA），将CO、NO2、O3、SO2、PM2.5和PM10作为清洁空气行动效果的指标[3]。随着中国国内生产总值的快速增长，能源消耗、空气污染及相关死亡人数急剧增加[4]。最新研究表明，中国约有135万人因空气污染而过早死亡[5]。这些污染物的主要来源是居民燃料、交通运输和工业活动。这些人为排放被认为是导致污染恶化及相关过早死亡的主要原因[6]、[7]、[8]。然而，温度、蒸发量和降雨量等气候指标也在这一现象中起着重要作用[9]，但在相关研究中却很少被提及。
近年来，人为温室气体排放导致大气中热量滞留，从而引发气候恶化。这一现象对人类造成严重的身体和心理伤害，甚至导致死亡，已成为全球环境问题和公共政策的关键议题[10]、[11]。气候指标调节着人为排放产生的污染物的积累、传输和清除过程，与这些排放一起，显著影响污染物在不同时间尺度（从每小时到年际）的变化[9]、[10]。气候变化增加了极端天气事件的频率和强度，加剧了空气污染水平和环境暴露风险，并加重了呼吸系统疾病和心血管疾病等非传染性疾病[10]、[12]。研究人员分析了气候变化与污染物之间的协同效应，以准确识别广东、湖北和中国北部等地区的具体情况[13]、[14]、[15]。然而，由于中国地域辽阔、地形复杂、经济发展不均衡，各地区的气候和污染物状况存在显著差异[16]。同时，如果仅关注温度和降雨量指标而忽略风速和太阳辐射的作用，可能无法充分揭示气候变化对污染物变化及其对人类健康的综合影响。因此，需要开展全面的系统研究，涵盖中国各地的气候指标。
作为中国的基本行政单位，县级行政区负责国家政策和计划的实际执行[17]。在气候条件、生态环境、土地利用和社会经济发展存在显著差异的背景下，可以有效地识别气候变化的不利影响、污染物变化趋势及其对人类健康的综合影响。值得注意的是，县级数据收集具有挑战性，数据量庞大且复杂，基于县级行政区的研究较少。传统的统计方法和因子分解模型常用于评估气候变化下的污染物变化趋势[19]、[20]、[21]，但气候指标与污染物之间并非简单的线性关系。相反，深度学习（DL）算法通过多种方法处理大规模和高维数据集，有效捕捉了气候变量与污染物之间的非线性关系[22]、[23]。因此，利用DL算法厘清县级行政区内的气候变化与污染物之间的关系及其协同效应，对于应对气候变化、改善污染物状况和制定相关政策至关重要。
本研究分析了中国2843个地区的气候状况、污染物状况及其相互关系。基于高分辨率的中国气候指标栅格数据（ERA5-Land）和污染物栅格数据（CHAP），以及改进的时间序列预测框架和因果推断模型，实现了污染物的时空预测，并系统地分析和比较了不同气候指标对污染物浓度的贡献。进一步探讨了在单一和协同暴露情景下污染物与全因死亡率之间的因果关系，以及不同气候指标在这些关系中的调节作用，以揭示气候变化如何影响污染物暴露和相关健康风险。我们的方法细节在“方法”和“补充材料”中有详细描述。
数据来源
研究区域的选取基于中华人民共和国民政部发布的2023年中国县及县级以上行政区划代码。本研究选取了2838个县级行政区、4个无下属区县的地级市（东莞、中山、丹洲和嘉峪关），以及海西蒙古族藏族自治州管辖的地区（大柴旦）作为研究对象。
中国区域气候变化状况
中国的气候变化表现为显著升温、水能失衡以及明显的区域差异，这加剧了对生态系统和水资源的压力。图S4展示了2013年至2022年中国2843个地区的气候指标年均变化率及Moran’s I值。在显著升温方面，约73.57%的地区气温年均升高1.98%。
结论
本研究展示了将基于深度学习的预测框架应用于气候变化下的污染物预测的科学和理论意义。所提出的方法结合了多模块集成和时空特征，提高了预测准确性和适应性，为理解气候变化下的复杂污染物状况提供了有力工具。尽管Captum分析确定了关键的气候指标预测因子，但其应用仍处于探索阶段。
环境影响
本研究基于深度学习预测框架，系统分析了气候变化对空气污染物暴露和全因死亡率的因果效应，填补了县级健康风险研究的空白。结果表明，极端高温和干旱显著放大了多种污染物的协同危害。该研究不仅提高了污染物预测的准确性和可解释性，还为区域健康风险评估提供了科学依据。
相关内容
无
数据和代码获取
补充材料
补充材料包括8篇文本、10张表格（前4张为Word格式，其余6张为Excel格式）和9张图表，用于补充手稿中的结果。内容包括：Moran’s I、Spearman’s ρ和Kendall’s τ（文本S1）；极端天气定义（文本S2）；GA-VMD（文本S3）；数据预处理（文本S4）；多步直接预测和训练-泛化策略（文本S5）；两阶段RSSFF训练流程（文本S6）；评估指标（文本S7）；不确定性分析（文本S7）等。
作者贡献声明
宁浩：撰写初稿、软件开发、资源获取、方法论设计、数据分析、概念构建。
赵圆圆：撰写修订稿、方法论设计、数据分析、概念构建。
刘家鹏：方法论设计。
曹麒麟：方法论设计。
孙培轩：数据管理。
邓正阳：方法论设计、数据管理。
赵文进：撰写修订稿、监督工作、项目管理和资金筹集。
利益冲突声明
作者声明不存在可能影响本文研究的已知财务利益或个人关系。
