通过同步观测与可解释机器学习方法解析中国冬季PM2.5的空间异质性成因

《Atmospheric Environment》:Unraveling spatially heterogeneous drivers of winter PM 2.5 in China through synchronous observations and explainable machine learning

【字体: 大 中 小 】 时间:2026年08月11日 来源:Atmospheric Environment 3.8

编辑推荐:

  摘要中国冬季的PM2.5污染受排放强度、气象条件、传输过程以及大气氧化能力等要素的显著空间差异影响。而这些因素在可直接比较的观测条件下很少被量化分析。本研究在东北、华北和华中的五个具有代表性的城市开展了同步冬季观测,这些城市包括长春、天津、安阳、武汉和长沙。我们结合成分解析观测数

  

摘要

中国冬季的PM2.5污染受排放强度、气象条件、传输过程以及大气氧化能力等要素的显著空间差异影响。而这些因素在可直接比较的观测条件下很少被量化分析。本研究在东北、华北和华中的五个具有代表性的城市开展了同步冬季观测,这些城市包括长春、天津、安阳、武汉和长沙。我们结合成分解析观测数据、与排放相关的预测因子、与气象相关的预测因子以及与化学过程相关的预测因子,构建了随机森林模型。随后运用SHapley加性解释方法,来量化与PM2.5浓度变化及化学成分变化相关的各因素的重要性。研究结果表明,影响PM2.5变化的因素存在明显的空间异质性。在长春和武汉,与化学过程相关的预测因子具有最高的SHAP重要性,分别占比42.2%和46.8%;而在天津、安阳和长沙,与排放相关的预测因子的重要性最高,占比分别为38.0%、39.1%和50.9%。该解释框架还能区分硫酸盐和硝酸盐的形成路径。分析显示,不同地区的硫酸盐浓度变化与不同的氧化路径相关,在长春和天津,与NO2相关的预测因子重要性更高,而在安阳、武汉和长沙,则是与H2O2相关的预测因子更为重要。理论计算结果总体趋势一致,但在安阳地区存在路径不确定性。硝酸盐浓度的变化则与白天的OH相关化学反应以及夜间的非均相反应有关,同时还存在与NO3·化学过程相关的区域特异性特征。这些发现表明,中国不同地区的冬季雾霾形成机制存在显著差异。本研究还表明,将同步的成分解析观测数据与基于物理原理的可解释机器学习方法相结合,有助于制定更具针对性、更符合各地区特征的PM2.5控制策略。

引言

大气中的细颗粒物(PM2.5)浓度受气象条件(An等人,2019;Chen等人,2020)、排放强度(Morawska等人,2021)、区域及长距离传输(Huang等人,2020;Yu等人,2020;Hu等人,2021)以及化学形成过程(Huang等人,2014;Peng等人,2021;G. Chen等人,2025)的共同影响。先前的研究表明,人为排放是决定PM2.5长期变化趋势的主要因素(Q. Zhang等人,2019;Geng等人,2024;Zheng等人,2024、2025),而气象条件的变化则会对短期污染事件产生显著影响(Le等人,2020;Huang等人,2021)。例如,在2013年至2017年间,全国PM2.5浓度的下降中,约有84%可归因于排放量的减少(Q. Zhang等人,2019)。然而在COVID-19封锁期间,由于不利的气象条件促进了二次气溶胶的形成,中国北方仍出现了严重的雾霾现象(Le等人,2020)。这些研究结果表明,PM2.5浓度的变化是排放、气象、传输和化学过程之间非线性相互作用的结果,而非由单一因素导致。要制定有效的、针对特定地区的空气污染控制措施,就必须明确这些因素的相对贡献。
机器学习技术越来越被用于分析空气污染物浓度与其影响因素之间的非线性关系。当与解释框架相结合时,可解释机器学习方法能够将污染物浓度的变化归因于特定的预测因子(Zhang等人,2022;Li等人,2023;Zheng等人,2023;Hu等人,2024;G. Chen等人,2025;Zheng等人,2026)。Lundberg等人(2020)开发的SHapley加性解释方法,如今已被广泛用于量化全局和局部的预测因子贡献。基于SHAP方法的研究已经阐明了气象、排放和化学过程在PM污染中的作用,比如巴黎的PM1污染(Stirnberg等人,2021)、天津的雾霾现象(Hou等人,2022),以及太原和上海的硝酸盐形成过程(Dong等人,2025;G. Chen等人,2025)。不过,目前大多数可解释机器学习应用仍局限于单个城市、个别污染事件或孤立区域,这限制了它们在相同观测条件下分析PM2.5形成因素的空间异质性的能力。
中国为研究这种空间异质性提供了理想的背景,因为该国的PM2.5主要生成因素在不同地区存在显著差异。排放分布不均(见图1a),中部地区的排放强度较高,而北部和南部地区的排放强度较低(Zheng等人,2018;Geng等人,2021)。中国的气候条件从南部的热带季风气候到北部的寒冷温带大陆性气候不等,冬季气温差异可达约50℃(见图1b)。此外,不同地区的大气氧化能力也存在很大差异(见图1c)。这些空间差异会导致不同的PM2.5形成机制。现有文献表明,中国不同地区以及不同污染事件中,导致PM2.5浓度变化的主导因素存在显著差异(Hou等人,2022;Li等人,2023;G. Chen等人,2025)。在区域层面,长江三角洲和珠江三角洲地区以直接排放为主,而华北平原、汾渭平原和四川盆地则受大气氧化能力的限制(M. Chen等人,2025)。不同地区的气象条件也对PM2.5浓度产生影响,在汾渭平原、太行山平原和长江三角洲地区,气温上升有助于降低PM2.5浓度,而在珠江三角洲和四川盆地,边界层高度的增加则是影响PM2.5浓度的关键因素(Zheng等人,2024)。由传输过程引发的雾霾也表现出明显的空间差异。持续微弱的南风会加剧华北平原的污染(Callahan等人,2019;G. Zhang等人,2019),而冷锋则能迅速改善华北平原的空气状况,并将污染物输送到下游地区,如长江三角洲、太行山平原等(Li等人,2018;Huang等人,2020)以及太行山平原(Yu等人,2020;W. Hu等人,2022)。即便在同一地区,不同雾霾事件中的主导形成路径也可能存在显著差异(Hou等人,2022;G. Chen等人,2025),这表明PM2.5的形成在很大程度上取决于具体地点和气象条件。
尽管已有相关研究,但目前仍存在一个重要空白。现有的可解释机器学习研究很少将多个地区的同步、成分解析型PM2.5观测数据与经过传输效应校正的排放数据以及化学反应相关指标结合起来。因此,尚未在相同的冬季观测时段内系统地比较排放、气象条件和化学形成过程的作用。许多以往的研究要么仅关注PM2.5的质量数值,要么只是针对个别案例进行分析,这就难以区分是地区特性导致的差异,还是观测时间、数据覆盖范围或模型设计不同所造成的差别。
为填补这一空白,我们在2023年冬季对东北、华北和华中的五个城市进行了同步的PM2.5及其化学成分观测。首先,我们分析了这些地区PM2.5浓度、化学成分及潜在影响因素的空间差异。接着,我们构建了随机森林模型,用以捕捉PM2.5、其主要化学成分与三类预测因子之间的非线性关系,这三类预测因子分别是与排放相关的因子、与气象相关的因子以及与化学过程相关的因子。通过SHAP分析,我们明确了各类预测因子的相对重要性,同时研究了硫酸盐和硝酸盐等主要化学成分的形成机制。通过将多地区的成分解析观测数据与可解释机器学习框架相结合,本研究能够直接识别冬季雾霾形成的空间异质性,为制定更有针对性的PM2.5减排策略提供依据。

章节节选

实地观测

2023年12月20日至2024年1月20日期间,我们在长春、天津、安阳、武汉和长沙的五个监测点同时开展了观测工作。文本S1中介绍了这五个监测点的周边环境情况。每个监测点都会每小时检测一次PM2.5的主要化学成分,包括水溶性离子、碳质物质以及微量元素。气体中的水溶性离子包括NH+ 4、Na+、Mg2 +、K+、Ca2+、Cl?、NO? 3和SO2? 4

PM2.5浓度、化学成分及潜在影响因素的空间异质性

图2a展示了研究期间PM2.5浓度的空间分布情况。安阳的PM2.5平均浓度最高,为104 ± 63.9 μg m?3,这一数值明显高于武汉的89.8 ± 56.4 μg m?3、长沙的86.5 ± 52.4 μg m?3、天津的60.8 ± 54.6 μg m?3以及长春的47.8 ± 30.3 μg m?3(p < 0.001;见图2b)。不同监测点的PM2.5成分也存在显著差异。在长春,有机质是PM2.5中的主要成分,占比达31.0%,而且其贡献程度总体上

硫酸盐的形成路径

大气中的硫酸盐可通过气相途径、水相/多相途径以及异质表面介导途径形成。在气相环境中,SO2被OH·氧化是主要的形成途径(Zhang等人,2015),不过这一过程仅占对流层总硫酸盐量的大约20%(Sofen等人,2011),这说明水相和多相化学过程同样起着重要作用。SO2溶解到气溶胶、云或雾水中后会发生水合反应,随后转化为S(IV)形态,主要包括SO2

结论

本研究通过结合同步的成分解析观测数据与可解释机器学习方法,分析了2023年12月20日至2024年1月20日期间中国五个具有代表性的城市——长春、天津、安阳、武汉和长沙的PM2.5浓度变化的相关因素。在此观测期间,我们发现了PM2.5浓度明显的空间梯度,其中安阳的PM2.5平均浓度最高,为104 ± 63.9 μg m?3,其次是武汉,为89.8 ± 56.4

CRediT作者贡献说明

姚立泉:撰写——审阅与编辑。王冰:数据整理。赵海丽:资金获取、数据整理。陈楠:数据整理。郑黄:撰写——审阅与编辑、可视化分析、方法设计、资金获取、概念构思。郑明明:撰写——审阅与编辑、资金获取。陈薇薇:数据整理。毕晓辉:数据整理。孔少飞:撰写——审阅与编辑、项目监督

未引用参考文献

Chen等人,2025;Hu等人,2022;Liu等人,2020;Liu等人,2025;Zhang等人,2019。

利益冲突声明

? 作者声明不存在任何可能影响本文研究结果的已知财务利益关联或个人关系。

致谢

本研究得到了中国国家自然科学基金(编号:42307147、42307151)以及中华人民共和国科学技术部的重点项目(编号:2024YFC3713701)的资助。
Huang Zheng|Shaofei Kong|Xiaohui Bi|Weiwei Chen|Nan Chen|Haili Zhao|Bing Wang|Liquan Yao|Mingming Zheng
中国武汉科技大学资源与环境工程学院,武汉430081
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