《Environmental Research》：Seasonally Adaptive Data-Driven Ozone Prediction in Megacity Environments
编辑推荐：
臭氧预测模型优化及季节性差异研究。基于首尔2015-2022年小时级数据，整合气象、污染物及交通流量，通过八种机器学习算法对比，发现CatBoost模型最优（R2=0.93）。季节分段建模显示冬季表现最佳（R2=0.96），夏季预测误差较高。特征重要性分析表明，温度和NO?对春夏季影响显著，而风速、CO、SO?在冬季起主导作用。研究揭示传统静态管理策略的局限性，提出季节适应性调控方案。
徐智勋（Ji Hoon Seo）| 趙在亨（Jaehyung Cho）| 洪英根（Eugene Hong）| 趙成宇（Sungwoo Cho）| 吉俊秀（Junsu Gil）| 朱泰圭（Taekyu Joo）| 温承铉（Seunghyun Weon）
韩国大学健康与环境科学学院及健康与安全融合科学系，韩国首尔安岩路145号，邮编02841
摘要
尽管通过法规和技术干预大幅减少了初级污染物的排放，但在过去十年中，城市大都市地区的地面臭氧（O3）浓度仍持续上升。与初级污染物不同，O3是通过对气象和环境条件高度敏感的非线性光化学反应产生的，这使得传统的基于前体物质的控制策略面临挑战。本文提出了一个针对大都市环境的综合O3预测框架，该框架整合了气象变量、空气污染物浓度和交通流量数据，使用了来自韩国首尔37个行政区的八年每小时数据集。通过对八种机器学习算法进行严格的超参数调整，发现CatBoost模型的预测准确性最高（R2 = 0.93）。为了解决季节性变化问题，我们为每个季节分别开发了模型，从而减少了预测误差并揭示了不同的季节性表现模式。冬季模型的准确性最高，R2为0.96，RMSE最低；而夏季模型的表现相对较差，这是由于温暖季节光化学反应的复杂性和不稳定性所致。特征重要性分析表明，温度和NO2是春季和夏季的关键预测因子，而在冬季，风速、CO和SO2的影响更大。这些发现凸显了全年静态方法的局限性，并支持采用考虑气象和人为因素的季节性适应策略。
引言
城市空气质量已成为一个关键的公共卫生问题，世界各国政府都在监测和控制方面投入了大量资金（Jonidi Jafari等人，2021年；Zhang等人，2022年）。作为这些举措的一部分，每年都会分配大量预算来通过监管框架和控制技术管理城市空气污染（Turnock等人，2016年；Vatavuk，2023年）。自21世纪初以来，包括纽约、北京和首尔在内的密集人口城市中的主要初级空气污染物（如二氧化氮（NO2）、二氧化硫（SO2）和一氧化碳（CO）的浓度已稳步下降，这主要得益于点源排放控制（Chae，2010年；Mananga等人，2023年；Seo等人，2020年；Vatavuk，2023年；Wen等人，2021年；Zhang等人，2021年）。同样，包含初级和次级成分的污染物（如颗粒物（PM）和挥发性有机化合物（VOCs）也通过针对前体的法规得到了缓解（Pye等人，2022年；Wang等人，2023年；Wu等人，2023年）。尽管取得了这些进展，许多城市地区的地面臭氧（O3）浓度仍在上升（Malashock等人，2022年；Sicard等人，2023年；Wang等人，2022b）。作为次级污染物，O3是通过涉及NOX和VOCs的非线性光化学反应生成的（Jenkin和Clemitshaw，2000年；Qin等人，2004年；Sillman，1999年），其生成受到太阳辐射、温度和风况等气象变量的强烈影响（Ding等人，2023年；Jenkin和Clemitshaw，2000年；Ran等人，2011年）。这种持续的增长凸显了管理O3形成的难度，并指出需要更复杂的方法来考虑其非线性和反应性特征。
O3暴露对公共健康构成严重威胁，会导致呼吸系统疾病、住院率增加和过早死亡（Bell等人，2006年；Choi等人，2023年；Lim等人，2019年；Uysal和Schapira，2003年）。当前针对O3的管理政策主要集中在监管工业活动和车辆交通的前体排放上（Chang等人，2009年；Lyu等人，2016年；Tsai等人，2008年）。然而，这些策略往往无法反映O3生成的复杂性和季节性变化，尤其是在大气化学与城市活动模式动态交互的大都市中。因此，迫切需要能够捕捉这种变化性的预测工具，以提高O3预测和控制策略的有效性，而不仅仅是减少排放。
传统的O3预测模型，如社区多尺度空气质量（CMAQ）模型和结合化学成分的天气研究与预报模型（WRF-Chem），使用详细的O3前体清单和气象输入来模拟大气化学传输（Hu等人，2016年；Li和Rappenglück，2014年；Seinfeld，1988年；Zhaoqi和Xuehua，2023年）。尽管这些模型为O3形成机制提供了有价值的见解，但其预测准确性常常受到排放清单不确定性的限制，且对快速变化的城市环境的适应性较差（Houyoux等人，2000年；Placet等人，2000年；Ziemke等人，2019年），因为交通流量的实时变化、突然的气象波动或意外的工业活动都可能降低模型性能。
机器学习（ML）方法作为一种灵活的替代方案，能够在不依赖详细排放清单的情况下捕捉气象、污染和城市活动变量之间的非线性关系（Lu和Wang，2014年；Masood和Ahmad，2021年）。最近的研究应用了神经网络、集成方法和混合ML框架，提高了全球范围内各种城市环境中的臭氧预测准确性，包括北美、欧洲和亚洲（Guo等人，2025年；Lingxia等人，2023年；Ma等人，2022年；Ren等人，2022年；Zang等人，2021年）（表1）。在中国和印度等亚洲大都市中，基于ML的模型在严重空气质量条件下表现出强大的预测能力；然而，大多数现有研究依赖于全年建模框架，主要关注气象和化学预测因子。因此，大都市环境的关键特征（如密集的交通活动作为主要的人为排放源和显著的季节性气象变化）往往没有得到充分体现。因此，尽管ML方法在实时臭氧预测方面具有潜力，但在捕捉由交通驱动的排放和季节性依赖的臭氧形成过程方面仍存在关键差距。这些限制阻碍了现有模型在气候变化对温度、太阳辐射和排放模式的影响日益增强的情况下，制定适应性、季节性特定的臭氧管理策略的能力（Cheng等人，2021年；Yeo和Kim，2021年）。
在这项研究中，我们使用来自韩国首尔的数据开发了一个优化的ML框架来预测O3浓度。首尔是一个每平方公里居民超过15,000人的密集人口大都市。“大都市环境”一词指的是具有复杂排放因素、强烈交通影响和显著季节性气象变化特征的密集城市环境，而不是多个城市之间的比较。该框架整合了八年期间的气象条件、空气污染物浓度和交通流量数据，并利用超参数调整和季节性分割来提高在不同环境条件下的预测准确性。此外，我们系统地分析了温度、风速和前体气体等影响因素的相对贡献，并评估了这些模式随季节的变化。通过将这些数据驱动的见解与现有的O3管理政策联系起来，本研究强调了静态、全年监管策略的局限性，并展示了在复杂城市环境中需要适应性、季节性响应的臭氧控制。
研究区域和数据集
本研究通过整合2015年至2022年在首尔收集的气象、空气污染和交通数据（n = 1,332,432），开发了一个优化的ML框架来预测O3浓度。整个框架包括一个结构化的多阶段流程，如图1所示。首尔是世界上人口最密集的大都市之一，人口密度超过15,000人/平方公里（图S1），这加速了大气前体物质的排放
大都市中O3管理的复杂性
图2提供了首尔全国臭氧趋势、空间人口分布和与臭氧形成相关的特征相关性的综合概览。尽管实施了越来越严格的空气质量政策，包括交通限制、工业排放上限和低排放区的引入，但主要城市的O3浓度仍在上升（图2a）。首尔的年平均O3浓度从早期的
结论
本研究通过整合气象条件、空气污染数据和交通流量，开发了一个用于预测城市环境中O3浓度的机器学习框架。在八个候选算法中，CatBoost表现出最强的预测性能，误差最低，跨季节的校准最为一致。重要的是，季节性分割显著提高了模型准确性，表明O3的主要驱动因素在一年中有所变化：
CRediT作者贡献声明
温承铉（Seunghyun Weon）：撰写——审阅与编辑，撰写——初稿，验证，监督。朱泰圭（Taekyu Joo）：撰写——初稿，调查，概念化。吉俊秀（Junsu Gil）：撰写——初稿，调查。赵成宇（Sungwoo Cho）：正式分析，数据管理。洪英根（Eugene Hong）：可视化，软件。赵在亨（Jaehyung Cho）：验证，方法论，数据管理。徐智勋（Ji Hoon Seo）：撰写——初稿，调查，概念化
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
利益冲突声明
? 作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
致谢
本研究得到了韩国国家研究基金会（NRF）的资助，该基金会由韩国政府（MSIT）资助（项目编号：NRF-2022R1C1C1009128），以及通过韩国贸易、工业与能源部（MOTIE）资助的韩国国家研究基金会和工业技术炼金术项目（项目编号：20025773，大都市直接空气捕获和利用技术开发）的资助。
