中国中部平原城市群及周边地区PM2.5长期趋势的主要影响因素识别

《Atmospheric Pollution Research》：Identifying the Dominant Contributors to Long-term PM 2.5 Trends in the Central Plains Urban Agglomeration and Its Surrounding Areas, China.

　　

•硝酸铵是2021年至2024年间PM2.5反弹的主要贡献者；
•气温升高和长波辐射减弱加剧了污染反弹；
•识别出五个污染区和四个主导贡献者区，用于制定精准治理策略。

引言

空气污染仍然是全球范围内威胁人类健康和生态环境的关键挑战之一。其中，细颗粒物（PM2.5，指空气动力学直径≤2.5微米的气溶胶颗粒物）是一种典型的大气污染物；由于其粒径小、停留时间长，容易进入血液和体循环系统（Lai等，2025）。PM2.5可在大气中停留数天至数周，并在大气湍流驱动下传输数百公里（He等，2022；Kim等，2023）。因此，PM2.5污染通常表现出区域性特征，特别是以城市群为中心进行分布，例如中国的京津冀地区及其周边地区（Chu等，2024）、珠三角地区（He等，2025；Gao等，2026）、印度加尔各答都市区（Ghosh等，2024）以及美国加利福尼亚州的圣华金谷（Sun等，2022）。考虑到行政成本和经济发展的迫切需求，实施精准的治理策略对于应对区域空气污染至关重要。然而，PM2.5的来源复杂，既包括人为源（如燃料燃烧、燃煤和刹车磨损），也包括自然源（如火山爆发和沙尘暴）（Li等，2021），同时还受到气象条件、前体物和大气氧化能力等非线性的影响（Wang等，2024；Chen等，2025；Zhou等，2024）。因此，明确每个城市PM2.5的关键外部驱动因素和内部贡献者，是实现区域大气PM2.5浓度持续改善的首要任务。

目前，关于PM2.5影响因素的研究已逐渐从传统的统计方法和数值模型转向以机器学习为中心的数据驱动范式（Yan等，2021；Wei等，2025）。随机森林和梯度提升决策树等算法，凭借其强大的非线性拟合能力，已被广泛应用于分析影响PM2.5的主导因素（Patel等，2025）。Zhao等（2025）采用LightGBM机器学习模型分析气象条件对中国安庆市PM2.5的影响，结果表明气象因素的贡献率为16.6%，主要由湿度和气压驱动。Tang等（2025）应用随机森林机器学习模型和气象归一化方法，发现中国深圳市PM2.5浓度从2014年到2024年下降了47%，这主要归因于长期减排措施，气象影响仅占变化的11.9%。Xu等（2025）利用随机森林机器学习模型，观察到2022年气象条件和人为排放分别导致中国芜湖市PM2.5浓度上升8.7%和6.3%。

为实现精准管控，基于已识别的主导因素开展分区管理是一项常见策略。例如，Choi等（2024）采用K-Means聚类分析方法阐明了分区管理下不同聚类中PM2.5化学成分的异质性模式和代表性空气质量特征。Gu等（2025）发现，中国北方和东北地区城市普遍呈现低密度空间蔓延模式，面临的PM2.5污染最为严重。相比之下，尽管东部沿海和中西部核心城市群的经济活动高度集中，但较强的治理能力和空间布局优化有效抵消了扩张带来的一些负面环境影响。Alani等（2025）采用K-means算法将监测站点分为三组，分别对应"非常好"、"良好"和"中等"的空气质量水平。结果表明，冬季污染聚类在城市核心站点的平均PM2.5浓度（15.7 μg/m3）明显高于半城市站点（8.5 μg/m3），表明交通和供暖等城市排放源是驱动高污染聚类形成的主导因素。然而，上述分区结果主要基于各参数的绝对值，未能考虑这些参数与PM2.5浓度之间的因果关系。因此，难以准确反映不同区域PM2.5影响因素的实际差异。

中原城市群和鲁皖豫接边地带（CPA-SAH带）涵盖河南省（除济源市外）、安徽省的宿州、淮北、亳州、蚌埠和阜阳五市，以及山东省的聊城和菏泽两市（城市名称缩写见表S1）。该区域位于中国内陆，介于京津冀地区和长江三角洲之间，总面积达22.5万平方公里，占中国国土总面积的2.3%。2023年人口为1.3亿，占全国总人口的9.2%；GDP为77,481亿元，占全国总量的6.2%。该区域经济结构以农业和重工业为主导。在工业大气污染物排放方面，2023年该区域的PM2.5、SO?和NO?排放分别占全国总量的31.6%、25.9%和25.4%（Geng等，2024）。在这个人口密度高、经济发展水平相对较低、污染排放强度大的典型区域，2024年PM2.5年均浓度达到45.7 μg/m3，比中国国家二级标准（30 μg/m3）高出52.3%，且所有城市均未达到二级标准。关于CPA-SAH带PM2.5的研究主要集中于化学成分分析、源解析以及利用现场观测数据和区域空气质量模型。例如，Zhang等（2025）应用受体源解析模型发现，二次气溶胶是CPA-SAH带部分城市的主导来源，最高贡献率出现在2019年的信阳，达75%；郑州机动车排放的贡献率从2019年的10%增加到2023年的19%。Yang等（2021）利用嵌套空气质量预报模式系统对一次重污染过程的PM2.5进行解析，发现本地排放是环境PM2.5浓度的最大贡献者（26.9%–44.0%），其次是来自北部CPA-SAH带五个受体站点周围城市的传输贡献。这些研究通常仅关注短期时段或特定年份，在多城市、长期、政策阶段分化的分析以及PM2.5贡献归因方面仍存在不足。机器学习模型已被应用于分析PM2.5的长期变化特征；然而，此类研究主要聚焦于京津冀地区和珠三角等关键城市群。例如，Wang等（2023）采用融合多源数据的LightGBM模型，结合SHAP方法，量化了2000–2020年京津冀地区气象因素对PM2.5的贡献。结果表明春季相对湿度对PM2.5具有负效应，而夏季则方向相反，在长江三角洲和珠三角地区反照率对PM2.5有显著贡献。Pan等（2026）基于京津冀和长江三角洲地区40个城市2015–2022年的PM2.5观测数据，融合GEOS-FP气象数据和CEDS排放清单，构建了包含SHAP归因的LightGBM模型；研究发现PM2.5浓度显著下降，主要归因于人为排放的减少，且在国际尺度上，气象条件仅对PM2.5产生约+2–4 μg/m3的正向净异常，并未逆转总体下降趋势。

鉴于此，本研究将利用CPA-SAH带内各城市的历史空气质量、PM2.5化学成分和气象因素数据。通过将机器学习模型与K-Means聚类方法相结合，识别区域内不同城市PM2.5的主导影响因素，建立污染特征区和主导因素区，从而为该区域PM2.5浓度的持续降低提供科学支撑。

章节摘要

研究区域

CPA-SAH带的分布如图1所示。该区域地势西高东低，北部为太行山脉，西部为伏牛山脉，南部为桐柏山和大别山，沿省界呈半圆形分布，对空气污染物的聚集和扩散产生了显著影响。中部和东部由黄淮海冲积平原组成。

PM2.5的变化

CPA-SAH带自2015年以来PM2.5的时空分布特征如图2所示。2024年该区域内城市PM2.5年均浓度为45.7 μg/m3，较2015年下降了41.2%，但仍比中国国家二级标准（30.0 μg/m3）高出52.3%，明显高于京津冀及周边地区（42.2 μg/m3）和长江三角洲等其他城市群。

结论

本研究表明，高排放内陆地区的PM2.5持续改善，更多地依赖于对主导贡献者变化的预判，而非继续控制一次源排放。在CPA-SAH带，2015–2024年PM2.5下降了41.2%，但在2021年后趋于平稳并出现反弹，一次排放让位于二次无机气溶胶和有机物，其中硝酸铵成为反弹的关键贡献者。气象条件从有利转为不利，施加了……

启示

本研究为高排放内陆地区的空气质量管控提供了若干具有政策相关性的启示。首先，观察到的主导贡献者从一次排放向二次无机气溶胶和有机物的转变表明，传统的源控制措施已不足以维持PM2.5的持续下降。未来策略必须优先考虑协同减少NO?、VOCs和NH?以抑制二次生成，尤其关注……

CRediT作者贡献声明

王心雨：调研、数据整理。王文胜：调研、数据整理。许元千：调研、数据整理。王明楷：调研、数据整理。许振涛：撰写—原稿。王慎博：方法论、概念化。张瑞钦：资金获取、数据整理。

未引用参考文献

Li等，2021；Papa和Koutroulis，2025；Wang等，2024；Wang等，2023；Zhang等，2022。

利益冲突

作者声明不存在利益冲突。

资金来源

本研究得到国家重点研发计划（编号：2024YFC3713701）、国家自然科学基金（编号：42505100）以及河南省高等学校重点科研项目计划（编号：26A610019）的支持。

利益冲突声明

? 作者声明不存在可能影响本文所报道工作的已知经济利益冲突或个人关系。

许振涛 | 王慎博 | 张瑞钦 | 许元千 | 王明楷 | 王心雨 | 王文胜