盆地城市气溶胶光学厚度驱动因素的非线性关系与多尺度空间异质性分析

《International Journal of Health Geographics》：Integrating explainable machine learning and multi-scale spatial modelling to reveal spatiotemporal dynamics and drivers of aerosol optical depth in a complex-terrain city: a case study of Chengdu Plain region, 2001–2024

　　

摘要

研究盆地城市气溶胶光学厚度（AOD）的驱动因素可以提高我们对大气过程及其对复杂地形和环境变化响应的理解。然而，AOD 与其潜在驱动因素之间的非线性关系，以及它们在不同尺度上的空间变化仍然知之甚少。使用 Theil-Sen 趋势估计器和非参数 Mann-Kendall 检验来估计和评估 AOD 的时间趋势。使用 XGBoost-SHAP 来识别 AOD 与驱动因素之间的非线性关系并量化单个预测变量的相对重要性，而多尺度地理加权回归（MGWR）则用于评估它们的空间异质性和特征空间尺度。在研究期间，AOD 显示出明显的先升后降模式。2015 年至 2020 年期间的年均 AOD 下降至 0.409，比 2015 年之前的水平减少了 42.1%。季节上，冬季 AOD 最高（0.844 ± 0.180），其次是春季（0.765 ± 0.152），而夏季（0.702 ± 0.178）和秋季（0.700 ± 0.158）的水平相似。空间上，较高的 AOD 值主要集中在中部和东部平原，而较低的值出现在西部龙门山地区。在留一年交叉验证中，XGBoost 的 R² 达到 0.85 ± 0.03，在独立的 2024 年测试集上达到 0.91。海拔、相对湿度和降水是三个最有影响力的预测变量，其归一化平均绝对 SHAP 贡献分别为 46.94%、19.37% 和 13.54%，总共占总数的 79.85%。MGWR 表明驱动因素之间存在不同的空间尺度，地形和气象变量的带宽为 44-47 公里，社会经济和植被相关变量的带宽为 38-41 公里，道路距离效应的带宽约为 36 公里。时间对比表明，人为因素的相对贡献从 2001-2013 年的 73.6% 下降到 2014-2024 年的 48.2%，表明 AOD 驱动因素的统计结构发生了变化。不同 AOD 水平上的人口分布不均匀，约 40% 的居民生活在 AOD 超过 0.45 的区域，近 20% 的居民生活在超过 0.55 的区域。这些结果表明，AOD 变化与区域地形和气象条件以及空间变化的人为因素有关，其相对重要性在不同时间和空间尺度上有所不同。