四川盆地PM2.5与O3变化的气象机制控制:基于混合因果机器学习分析的见解

《Atmospheric Environment》:Meteorological regime controls on PM 2.5 and O 3 variability in the Sichuan Basin: insights from a hybrid causal-machine learning analysis

【字体: 大 中 小 】 时间:2026年07月23日 来源:Atmospheric Environment 3.8

编辑推荐:

  摘要:细颗粒物(PM2.5)和臭氧(O3)始终是中国空气质量方面的主要问题,尤其是在四川盆地这种地形复杂的区域,那里通风条件差且气象状况变化大,使得污染物动态更为复杂。本研究利用2016年至2023年的多年观测数据以及ERA5再分析数据,构建了一种混合因果机器学习框架,将空气污染

  摘要:细颗粒物(PM2.5)和臭氧(O3)始终是中国空气质量方面的主要问题,尤其是在四川盆地这种地形复杂的区域,那里通风条件差且气象状况变化大,使得污染物动态更为复杂。本研究利用2016年至2023年的多年观测数据以及ERA5再分析数据,构建了一种混合因果机器学习框架,将空气污染的变异性分为系统记忆和气象条件调控两部分。该框架结合了用于识别因果依赖结构的潜在PCMCI方法与基于LightGBM的估计方法,以量化非线性条件响应。研究结果表明,PM2.5在冬季具有较强的系统记忆特性,1小时自回归项可解释80%-90%的变异性,这与滞留条件下污染物的积累现象一致。而夏季的PM2.5则短期持续性降低,对多时间尺度的气象和化学调控因素更为敏感。臭氧的系统记忆时间则短得多,其形成主要受快速化学反应影响,包括NO2的氧化作用以及局部生成过程。边界层高度作为反映大气混合状态的关键参数,有助于区分以污染物积累为主和通风良好的情况,同时减少不同气象因素之间的干扰。通过对污染事件的进一步分析,可将其划分为五种不同的污染类型,包括热力驱动型积累、滞留型二次气溶胶形成、区域传输影响型、通风传输型以及局部光化学作用型。通过将因果依赖结构与化学成分特征相结合,这些污染类型可被理解为基于物理过程的机制,而非单纯的统计模式,从而为污染现象的解释提供更有力的依据。总体而言,本研究为分析四川盆地的空气污染变异性提供了一种统一的诊断框架,明确了系统记忆和气象调控各自的作用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号