《Environmental Pollution》：Contrasting ozone-response patterns across Chinese cities driven by meteorology and emissions during the warm season
编辑推荐：
•
不同的臭氧响应模式揭示了城市臭氧（O3）变异性的时空异质性。
•
发现了受温度放大、湿度调节和静止空气影响下的臭氧积累模式。
•
热浪与臭氧污染的复合事件遵循不同的气象响应路径。
•
排放变化主导了年际趋势，而气象条件则调节了臭氧（O3）的变
- •
不同的臭氧响应模式揭示了城市臭氧（O3）变异性的时空异质性。
- •
发现了受温度放大、湿度调节和静止空气影响下的臭氧积累模式。
- •
热浪与臭氧污染的复合事件遵循不同的气象响应路径。
- •
排放变化主导了年际趋势，而气象条件则调节了臭氧（O3）的变性。
引言
全球气候变暖改变了极端天气事件的频率和强度，导致许多地区热浪更加频繁和严重（Cui et al., 2025; Perkins-Kirkpatrick and Gibson 2017; Yang et al., 2024）。热浪创造了有利于光化学臭氧（O3）形成的气象条件，从而增加了极端高温和臭氧污染同时发生的可能性（Sun et al., 2026; Zhou et al., 2025）。在中国，这个问题日益严重，尽管持续采取控制措施并显著减少了PM2.5的排放，但地表臭氧（O3浓度仍保持在较高水平（Geng et al., 2024; Li et al., 2020b; Lu et al., 2020）。典型的污染区域如北京-天津-河北（BTH）、长江三角洲（YRD）、汾渭平原（FWP）和四川盆地（SCB）的臭氧（O3）浓度一直超过全国平均水平（Guan et al., 2021; Liu et al., 2026b; Lyu et al., 2025），对人类健康、生态系统生产力和空气质量管理构成了日益严重的威胁（Li et al., 2026; Oh et al., 2026）。
臭氧的形成受涉及氮氧化物（NOx）和挥发性有机化合物（VOCs）的非线性光化学反应控制，其效率受气象条件的强烈影响（Guo et al., 2022; Wang et al., 2025）。温度、湿度、太阳辐射、边界层动力学和大气输送共同调节光化学反应的产生、前体物的积累和污染物的扩散，使得臭氧的形成对大气变化非常敏感（Ji et al., 2023; Wang et al., 2025; Zhao et al., 2025）。由于臭氧（O3及其前体物的相对较长的大气寿命，这些过程在局部、区域和天气尺度上同时发生，共同决定了臭氧污染的幅度和时空变性（Monks et al., 2015; Pan et al., 2026; Shi et al., 2026）。对中国不同地区的区域研究表明，臭氧（O3）变异性的主导因素存在显著的空间差异（Lyu et al., 2025; Wang et al., 2025; Ye et al., 2026; Zhang et al., 2025b）。最近的一项多城市分析进一步表明，在北京、西安和成都，温度在臭氧污染事件中起主导作用，而在上海和武汉，相对湿度的影响更大（Ke et al., 2026）。这些差异可能与温度和湿度在调节光化学反应、化学前体物和大气稳定性方面的不同作用有关，它们对臭氧形成的影响可能因不同的城市环境而异（Guo et al., 2022; Li et al., 2021; Li et al., 2025）。然而，关于温暖季节臭氧（O3的非线性响应模式在不同城市之间的差异，特别是关键气象因素和前体物相关因素的相互作用和阈值行为，仍然不够明确。
了解臭氧如何响应不同地区的排放变化和气象条件对于准确描述城市臭氧（O3）的变性至关重要。在数值模拟研究中，设计了不同的气象和排放情景来隔离各个因素对臭氧形成的影响，提供了有价值的过程洞察（Zhang et al., 2025c; Zheng et al., 2026）。最近，数据驱动的方法，特别是可解释的机器学习，被越来越多地采用来量化非线性关系，并改进臭氧（O3）变异性对气象和排放驱动因素的归因（Han et al., 2026; Qiu et al., 2025; Shi et al., 2026; Tong et al., 2026）。尽管取得了这些进展，大多数现有研究仍然集中在臭氧（O3）变异性的统计归因或贡献分解上。然而，在不同前体物排放和气象条件下臭氧（O3的对比响应仍不甚清楚，特别是这些因素之间的相互作用如何影响不同城市的臭氧（O3）变性。这一限制在理解动态气象变化和极端事件（如热浪和严重污染事件）如何调节臭氧响应路径方面尤为明显，以及在这些条件下这些过程如何导致不同城市环境中臭氧响应的增强、减弱甚至相反变化。这突显了需要进行多尺度归因分析，以描述复杂大气条件下的臭氧-气象相互作用。
在这里，我们研究了2018年至2023年温暖季节期间六个代表性中国城市的臭氧响应的时空异质性。通过将可解释的机器学习与气象标准化相结合，我们进行了多时间尺度的调查，研究了温暖季节臭氧驱动因素的空间异质性、热浪和污染事件期间的动态演变，以及气象因素对年际臭氧（O3）变异性的影响。这项研究提供了对不同空间和时间尺度上臭氧响应差异的洞察，强调了这些响应如何随着气象和排放条件的变化而变化。
章节片段
方法论
本研究结合了可解释的机器学习和气象标准化，来研究温暖季节主要中国城市聚集区的臭氧（O3）变性。这一综合框架便于对城市臭氧动态进行多时间尺度分析，包括臭氧驱动因素的空间异质性、污染和热浪事件期间的动态演变，以及气象因素对年际臭氧（O3）变异性的影响。该方法提供了对臭氧（O3
温暖季节主导臭氧驱动因素的空间异质性
要了解不同城市环境中温暖季节臭氧（O3）变异性的主导因素，需要准确表示臭氧与其控制因素之间的关系。LightGBM模型在六个代表性城市中表现出出色的预测性能，R2、RMSE和MAE分别为0.90-0.93、13.73-15.70 μg/m3和9.91–11.42 μg/m3（图S1），从而为后续基于SHAP的臭氧（O3）驱动因素解释提供了信心
结论
本研究结合了可解释的机器学习和气象标准化，研究了2018年至2023年六个代表性中国城市的温暖季节臭氧（O3）变性。应用基于SHAP的归因分析来研究臭氧驱动因素的空间异质性及其在热浪和污染事件期间的动态演变。进一步采用了气象标准化来隔离气象因素对年际臭氧（O3）变异性的影响。研究结果表明
CRediT作者贡献声明
Hanxiang Chen：验证、数据整理。Jingnan Hu：监督、资源获取。Xiao Liu：验证、数据整理、监督、项目管理、资金获取。Yangxi Chu：写作——审稿与编辑、监督、项目管理、资金获取。Chundu Wu：监督、资源。Peng Wei：调查、正式分析。Lingling Lv：写作——初稿编写、可视化、方法论研究、概念化
未引用参考文献
Li et al., 2020; Liu et al., 2026; Zhang et al., 2025; Zhang et al., 2026.
利益冲突声明
作者声明他们没有任何已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家自然科学基金（编号：42507136）和中国博士后科学基金（编号：2023M731362）的支持。
Lingling Lv|Peng Wei|Yangxi Chu|Xiao Liu|Jingnan Hu|Hanxiang Chen|Chundu Wu
