中国城市群PM2.5与生态系统生产力之间气候依赖的非线性关系

《Environmental Pollution》：Climate-dependent nonlinear relationships between PM 2.5 and ecosystem productivity across China’s urban agglomerations

　　

**研究区域与时空数据整合**

为捕捉城市化强度和气候条件的代表性梯度，我们选择中国五个主要城市群，涵盖不同的气候带（Fang和Yu, 2020；Fang等, 2020）：北天山（TSB）、京津冀（JJJ）地区、成渝城市群（CY）、长三角（YRD）和粤港澳大湾区（GBA）。

**PML-V2.2a数据集**（Xu等, 2026）提供毛净初级生产力（GPP）（Zhang等, 2018；Zeng等, 2019），该数据集涵盖2001年至2024年，时空分辨率为0.05°×0.05°（约5 km）和日-月尺度。

**PM2.5数据**来自SatPM2.5数据集版本V6.GL.02.04（Li等, 2020），该数据集基于卷积神经网络（CNN）从卫星观测数据中反演而来，提供2001年至2024年的月度PM2.5浓度，时空分辨率为0.01°×0.01°（约1 km）。

**气象数据**来自1-km分辨率的中国气象数据。变量包括年均温度（MAT）、月降水量（MAP）、年蒸散量（ET）和相对湿度（RH）。蒸散量和相对湿度在干旱半干旱和湿润半湿润地区的气候差异方面具有重要作用。

**土地覆盖数据**来自MOD13Q1数据集版本V6（Hansen等, 2014），提供月尺度归一化植被指数（NDVI），时空分辨率为250 m×250 m（约0.01°×0.01°）。

**海拔数据**来自GlobeLand 30数据集（Feng等, 2015），覆盖全球，分辨率约30 m。

**土壤湿度**通过遥感观测和再分析数据获得。

**人类人口密度**来自WorldPop数据集版本1.1（Braccone等, 2019；Gutman等, 2015），提供2001年至2024年的1 km分辨率年数据。

**夜光强度**来自黑河河流域夜间灯数数据集版本V1（Li等, 2020），提供月尺度数据，分辨率约500 m。

**大气活性氮**数据来自黑河河流域氮沉积数据集版本V2（Li等, 2020），提供2001年至2024年的月尺度数据，分辨率约500 m。

研究区域从约18°N至45°N、97°E至123°E，覆盖中国五大城市群。所有数据均调整到统一的500 m×500 m空间分辨率，时间范围为2001年至2024年，以进行后续分析。

---

**3. 方法概述**

为研究PM2.5浓度与GPP之间的非线性关系，采用可解释机器学习方法，包括SHAP（SHapley Additive exPlanations）分析。SHAP分析基于Shapley值框架，能够量化各环境变量对GPP预测的贡献（Fryer等, 2018；Lundberg等, 2017）。SHAP值能够区分各变量的独立贡献以及变量之间的交互效应，使非线性关系可视化成为可能（Fryer等, 2018；Lundberg等, 2017）。

研究中使用的主要环境变量包括：

1. **PM2.5浓度**：来自SatPM2.5数据集版本V6.GL.02.04。
2. **年均温度（MAT）**：来自气象再分析数据。
3. **月降水量（MAP）**：来自气象再分析数据。
4. **年蒸散量（ET）**：来自气象再分析数据。
5. **相对湿度（RH）**：来自气象再分析数据。
6. **归一化植被指数（NDVI）**：来自MOD13Q1数据集。
7. **海拔**：来自GlobeLand 30数据集。
8. **土壤湿度**：来自遥感观测和再分析数据。
9. **人类人口密度**：来自WorldPop数据集。
10. **夜光强度**：来自夜间灯数数据集。
11. **大气活性氮**：来自氮沉积数据集。

数据整合后，在500 m×500 m的空间分辨率上，对研究区域内所有格点进行机器学习建模。

---

**结果**

**非参数效应**

SHAP分析揭示了PM2.5浓度与GPP之间的非线性关系。图2显示，PM2.5浓度对GPP的影响呈现出复杂的非线性模式，这种模式在不同气候区域表现出显著差异。在湿润和半湿润地区，PM2.5浓度与GPP呈负相关关系，表明PM2.5浓度的增加导致植被生产力下降。相比之下，在干旱和半干旱地区，PM2.5浓度与GPP之间可能存在较弱的负相关或正相关关系，表明在干旱环境中PM2.5浓度的增加可能对植被生产力产生不同的影响。

图3展示了PM2.5-GPP关系的空间异质性。在中国五大城市群中，PM2.5浓度与GPP的关系在不同气候区域表现出显著差异。在京津冀地区和长三角地区，PM2.5浓度较高，且与GPP呈明显的负相关关系，表明高PM2.5浓度对这些地区的植被生产力产生抑制作用。相比之下，在成渝地区和粤港澳大湾区，PM2.5浓度与GPP的关系相对较弱，可能由于这些地区的气候条件（如温度、降水、湿度）与其他因素共同作用所致。

---

**空间异质性与交互效应**

**PM2.5-GPP关系的空间异质性**

图4显示，PM2.5浓度与GPP的关系在不同区域表现出显著的空间异质性。在京津冀和长三角地区，PM2.5浓度与GPP呈明显的负相关关系，表明高PM2.5浓度对这些地区的植被生产力产生抑制作用。相比之下，在成渝地区和粤港澳大湾区，PM2.5浓度与GPP的关系相对较弱，可能由于这些地区的气候条件与其他因素共同作用所致。

**GPP变化中的交互效应**

SHAP交互分析揭示了PM2.5与其他环境变量之间的交互效应对GPP变化的影响。图5显示，PM2.5浓度与大气干燥度、NDVI等变量之间存在显著的交互效应。具体而言，PM2.5浓度增加时，大气干燥度降低和NDVI增加的格点表现出更弱的负相关关系。这种交互效应表明，PM2.5浓度升高可能与大气干燥度降低和植被覆盖率增加相关，进而影响植被生产力。

---

**讨论**

空气污染日益被认为是影响生态系统功能的重要因素，但PM2.5-GPP关系仍然复杂、空间可变且机制不明确。本研究通过整合卫星观测、环境数据集和可解释机器学习分析，揭示了中国主要城市群中PM2.5与生态系统生产力之间稳健但气候依赖的关系。特别是，我们表明PM2.5-GPP关系在不同气候区域呈现系统性变化。

**污染物排放削减与生态系统生产力**

PM2.5浓度增加通常与大气干燥度降低和植被覆盖率（NDVI）增加相关。这种协同效应可能源于PM2.5与氮沉降之间的关联，其中氮作为关键植物营养素在促进植被生长方面发挥重要作用。同时，PM2.5浓度增加还可能减少大气干燥度，这可能与大气湿度和蒸散量变化有关。这些相互作用可能通过影响植物水分利用效率和光合过程间接增强植被生产力。

相比之下，在湿润和半湿润地区，PM2.5浓度与GPP呈负相关关系，这可能与PM2.5对太阳辐射的散射和吸收有关。气溶胶通过散射和吸收太阳辐射减少到达地面的直接辐射，同时增加扩散光的比例，这可能改善植被冠层的光合作用效率。然而，在PM2.5浓度较高的情况下，总辐射的减少可能超过扩散光增加带来的好处，导致GPP净效应为负。在湿润地区，植被生产力受水分限制较小，因此总辐射减少可能对光合作用产生更强的抑制作用。

**不同区域PM2.5-GPP关联的机制差异**

在干旱和半干旱地区，生态系统的生产力主要受水分可用性和大气干燥度限制（Yang等, 2009；Yuan等, 2019；Zhang等, 2023）。在这些地区，辐射重分配只有在气孔和水力约束允许的范围内才会转化为GPP变化。相比之下，在湿润和生产力较高的生态系统中，水分可用性限制较小，气溶胶负荷引起的辐射变化可能对光合作用产生更强的影响（Ezhova等, 2025；Sanchez等, 2025）。此外，城市化引入额外的复杂性，因为人为排放改变大气组成，而土地利用变化修改生态系统结构和功能（Chen等, 2024；Zhong等, 2015）。这些相互作用因素表明，植被生产力对空气污染的响应可能随气候梯度和城市化水平系统性变化。

**环境管理意义**

本研究通过整合卫星观测、环境数据集和可解释机器学习分析，揭示了中国主要城市群中PM2.5与生态系统生产力之间稳健但气候依赖的关系。我们特别展示了PM2.5-GPP关系在不同气候区域如何系统性变化，并识别了区域统计过渡点。这一框架使我们能够评估空气污染在多大程度上与气候和生态系统过程协同塑造陆地生产力。

**大气氮对植被生产力的协同效应**

氮沉降对植被生产力的影响在湿润地区可能更为显著。在京津冀和长三角等人口密集和工业化程度高的地区，氮沉降量较大，可能对植被生产力产生积极影响。然而，在PM2.5浓度较高的地区，氮沉降的积极影响可能被气溶胶辐射效应的负面影响所抵消。这种复杂的相互作用凸显了大气污染物对生态系统生产力的影响是多因素的。

**大气氮对植被生产力的协同效应**

氮作为关键植物营养素，在促进植被生长方面发挥重要作用。在湿润地区，氮沉降可能通过增加植被覆盖率和NDVI间接增强GPP。然而，在PM2.5浓度较高的地区，氮沉降的积极影响可能被气溶胶辐射效应的负面影响所抵消。这种复杂的相互作用凸显了大气污染物对生态系统生产力的影响是多因素的。

---

**局限性**

尽管本研究揭示了中国主要城市群中PM2.5与生态系统生产力之间稳健但气候依赖的关系，但仍存在若干局限性。首先，SHAP分析仅能识别非线性统计响应，但不能分离辐射、营养和混杂路径的具体贡献。第二，PM2.5是光学和化学上复杂的混合物，可与大气活性氮共变，其沉降使许多中国生态系统获得肥料效应。第三，本研究主要关注PM2.5与其他环境变量之间的交互效应，对其他气溶胶组分（如PM10、SO2、NO2等）的影响考虑不足。第四，研究区域限于中国五大城市群，可能无法推广到其他地理区域。未来的研究需要结合机理模型和更全面的观测数据，以更深入地理解PM2.5对生态系统生产力的影响机制。

---

**CRediT作者贡献声明**

王熠成：写作——审阅与编辑，监督，资源，项目管理，方法论，概念化。

邵微微：写作——审阅与编辑，监督，资源，项目管理，方法论，资金获取，概念化。

李佳奇：写作——审阅与编辑，原始草稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。

邵瑞：写作——审阅与编辑，原始草稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。

---

**未引用参考文献**

Mu?oz Sabater, S.

---

**数据可用性**

本研究分析的数据可从以下库公开获取。毛净初级生产力（GPP）来自Penman–Monteith–Leuning数据集版本2.2a（PML-V2.2a），可从青藏高原国家数据获取（https://doi.org/10.11888/Terre.tpdc.303314）。PM2.5数据来自卫星数据集（SatPM2.5）V6.GL.02.04，可从大气成分分析组（ACAG）库获取（//wustl.box.com/v/ACAG-V6GL0204-CNNPM25）。

---

**代码可用性**

本研究分析使用的代码可在以下网址获取：https://github.com/LaianLaian/Air-pollution_Ecosystem-productivity，附简要指南和基本输入数据。

---

**利益冲突声明**

? 作者声明不存在任何可能影响本文工作的已知经济利益冲突或个人关系。

---

**致谢**

本研究受京津冀区域一体化环境改善——国家科技重大专项（项目编号：2026ZD1211902）、水循环与水资源安全国家重点实验室研究基金（项目编号：SKL2025RCPY02）、北京市自然科学基金（项目编号：8222036）和国家自然科学基金（项目编号：U2240223和51979285）资助。

---

李佳奇 | 邵瑞 | 邵微微 | 王熠成