《Environmental Pollution》：Estimating marine PM
2.5 concentrations and exploring the drivers over the eastern China seas using multi-source data and machine learning
编辑推荐：
•多源数据支持中国东部海域海面PM2.5浓度估算。•XGBoost在多种验证策略下均表现出具有竞争力的性能。•近海至远海的PM2.5浓度梯度反映出陆源影响。•海面PM2.5呈波动性下降趋势，冬季出现峰值。•季节控制因素由AOD主导转向扩散抑制和传输过程。引言由于快速的工业化、
• 多源数据支持中国东部海域海面PM2.5 浓度估算。
• XGBoost在多种验证策略下均表现出具有竞争力的性能。
• 近海至远海的PM2.5 浓度梯度反映出陆源影响。
• 海面PM2.5 呈波动性下降趋势，冬季出现峰值。
• 季节控制因素由AOD主导转向扩散抑制和传输过程。
引言 由于快速的工业化、城市化进程以及污染物的长距离传输，空气污染已成为一个全球性问题，对大气环境和生态系统构成重大威胁（Yuan等，2024；Karmoude等，2025；Zhao等，2025）。在众多污染物中，细颗粒物（PM2.5 ）被认为是影响海洋生态系统和区域气候过程的关键污染物（Han等，2022a；Ding等，2024）。PM2.5 的沉降不仅有助于缓解寡营养海域的营养限制并提高初级生产力，还会加剧海洋酸化并促进有害污染物的积累（Xu等，2021a；Wang等，2026）。此外，PM2.5 中的某些人为组分可以通过直接散射太阳辐射或作为云凝结核和冰核间接改变海洋云微物理性质，从而影响海洋区域的能量平衡和气候系统（Jang等，2023；Yoshioka等，2024；Yu等，2025）。中国东部海域（包括渤海、黄海和东海）位于源自中国东部污染物的传输路径上，是研究海洋空气污染及其环境影响的独特区域（Zhou等，2023）。具体而言，这些边缘海域的PM2.5 浓度受到大陆外流（Hu等，2025）、船舶排放（Jang等，2023）以及海气相互作用（Zhou等，2025）的强烈影响，形成了一个高度动态的污染环境。因此，中国东部海域代表了受大陆影响的边缘海环境，而非原始开阔海洋。准确估算该区域的PM2.5 浓度对于表征区域污染变率及其环境影响至关重要。
目前，PM2.5 浓度的估算主要依赖于地面直接监测和卫星遥感观测。地面监测网络提供高精度观测数据，但由于其空间分布稀疏，难以捕捉海洋区域空间连续的PM2.5 变化（Christopher和Gupta，2020）。相比之下，卫星遥感能够实现大范围、时空连续的观测，为在空间和时间上补充地面监测网络提供了有效手段（Ma等，2022）。在众多卫星反演参数中，气溶胶光学深度（AOD）因其与近地面PM2.5 浓度之间存在强正相关关系，已成为统计PM2.5 估算模型的核心参数（van Donkelaar等，2010）。因此，越来越多的研究聚焦于利用卫星AOD，采用多种方法估算PM2.5 浓度（van Donkelaar等，2006；Xu等，2021b；Wei等，2023；Zhu等，2023a）。然而，AOD表征的是整个大气柱中气溶胶的消光特性，而PM2.5 反映的是近地面质量浓度（He等，2021）。AOD与PM2.5 之间的关系高度复杂且非线性，受气溶胶垂直分布（Su等，2017）、边界层高度（Yang等，2019）和气溶胶化学组成（Rogozovsky等，2026）等因素的强烈影响。具体而言，中国东部海域气溶胶特性的区域变异性，以及海面粗糙度和高湿度条件下气溶胶吸湿性增长的变化，会进一步加剧这一非线性关系的复杂性（Levy等，2013；Jin等，2023；Zhu等，2024）。因此，仅以AOD作为单一预测因子来估算海面PM2.5 浓度存在局限，且存在较大不确定性（Li等，2015）。
为提高PM2.5 估算精度，气象变量通常被与AOD数据整合，作为重要的辅助输入参数（Ma等，2022；Zhu等，2023a）。气象变量的引入主要针对污染物扩散条件和气溶胶吸湿性增长过程的物理机制，这些过程会显著改变PM2.5 浓度（Wang等，2023a；Zhu等，2023b）。在中国东部海域的高湿度海洋环境中，吸湿效应被放大，气象变量尤为重要（Li等，2024）。此外，PM2.5 的形成是一个复杂的物理化学过程，涉及物理传输和化学转化（Lyu等，2026）。PM2.5 既来源于一次颗粒物排放，也来源于气态前体物——二氧化硫（SO2 ）、氮氧化物（NOx ）和氨（NH3 ）通过光化学反应生成的二次气溶胶颗粒（Ali等，2022；Song等，2025）。具体而言，长距离传输的气态污染物与海洋气溶胶发生化学反应，促进二次气溶胶的形成，进一步影响中国东部海域的PM2.5 变率（Xie和Liao，2022；Yuan等，2024；Zhou等，2025）。以往研究还表明，将一氧化碳（CO）、臭氧（O3 ）和二氧化氮（NO2 ）等气态污染物纳入估算模型，能够通过考虑大气化学转化过程显著提高PM2.5 估算精度（Zaman等，2024；Song等，2025；Jin等，2026b）。因此，仅基于物理因素估算中国东部海域的PM2.5 是不够的，必须同时考虑这些化学转化过程。
尽管此类多源框架在陆地区域表现出良好的应用前景，但其在东部中国海域的适用性仍未得到充分探索。此外，陆地PM2.5 估算模型通常纳入人口密度、道路密度、土地利用和植被指数等辅助因子，而这些因子在海洋区域信息量较少。这限制了陆基模型向海洋区域的直接迁移，也凸显了评估卫星AOD、气象变量和大气化学参数能否有效表征该海洋环境中PM2.5 变率的必要性。为评估此类多源框架在东部中国海域的适用性，本研究开发了一个PM2.5 估算框架，将Sentinel-5P反演的大气化学参数（NO2 、O3 、CO和SO2 ）与卫星AOD和气象变量进行整合。由于机器学习方法在捕捉多源预测因子与PM2.5 浓度之间复杂非线性关系方面具有强大能力（Ni等，2018；Jiang等，2021；Chen等，2024；Lolli，2025），本框架采用了包括反向传播神经网络（BPNN）、随机森林（RF）和极端梯度提升（XGBoost）在内的机器学习方法。本研究系统比较和评估了各算法在东部中国海域PM2.5 估算中的适用性和性能。此外，研究分析了估算PM2.5 的年际和季节时空特征，以刻画海洋污染的长期变化趋势和季节周期。同时，采用Shapley加性解释（SHAP）方法量化各预测因子的相对贡献，为海洋PM2.5 污染驱动机制提供新的认识。
章节摘要 地面观测数据 本研究获取了2019–2024年间的地面日尺度PM
2.5 浓度数据，数据来源于中国环境监测总站（CNEMC，
http://www.cnemc.cn/ ），该平台提供经质量控制的国家监测网络空气质量数据。PM
2.5 测量不确定性据报道小于5 μg/m
3 （Hao等，2024）。在研究区域内，选取了距离海岸线10公里范围内的共89个监测站点（图1a）。浓度超过2000 μg/m
3 的数据被识别
模型性能比较 本研究采用观测值与估算值的密度散点图（图2）评估了三种机器学习模型（RF、XGBoost和BPNN）对PM2.5 浓度的估算性能。该图比较了三种模型在基于样本、基于空间和基于时间的验证策略下的表现。统计指标表明，基于树的集成模型在三种验证策略下总体优于BPNN。RF和XGBoost表现
结论 本研究开发了一个多源机器学习框架，通过整合AOD、Sentinel-5P大气化学参数和气象数据，估算了东部中国海域的海面PM2.5 浓度。通过系统的特征选择、基于样本、基于空间和基于时间的验证以及多模型比较，XGBoost模型在三种验证策略下均表现出具有竞争力的性能，达到R2 为0.721、RMSE为14.309 μg/m3
CRediT作者贡献声明 文鑫： 写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法学、调查、形式化分析、数据管理、概念化。常亮： 写作——审阅与编辑、监督、资源、项目管理、方法学、资金获取、概念化
生成式AI及AI辅助技术在稿件准备过程中的使用说明 在本研究准备过程中，作者使用ChatGPT改进语言表达。使用此工具后，作者根据需要审查和编辑了输出内容，并对已发表论文的内容承担全部责任。
利益冲突声明 ? 作者声明不存在可能影响本文所报告工作的已知的竞争性经济利益关系或人际关系。
致谢 我们衷心感谢审稿人提出的建设性意见和建议。本工作得到了国家自然科学基金 的资助（项目编号：42174016）
Xin Wen|常亮
