美国本土野火烟雾影响下PM2.5与臭氧复合极端事件的概率评估

《Environmental Science & Technology》：Probabilistic Assessment of PM2.5 and Ozone Co-Occurring Extremes under Wildfire Smoke in the Contiguous United States

　　

野火烟雾已成为美国各地极端空气质量事件的重要诱因。然而，其在细颗粒物（PM_2.5）与臭氧极端事件联合发生中的作用仍鲜为人知。尽管越来越多的证据表明二者同时发生可能增加健康风险，但以往大多数研究仍将这两种污染物分开考察。本研究开发了一个概率性时空框架，用于量化2004年至2023年间美国本土在野火烟雾影响下PM_2.5-臭氧复合极端事件的发生风险。时空贝叶斯神经场（spatiotemporal Bayesian neural field, ST-BayesNF）模型整合了卫星烟雾覆盖产品、PM_2.5和臭氧地面观测以及气象再分析资料，以5 km空间分辨率估算复合极端事件的逐日概率。该模型利用神经场能够显式捕捉非线性协变量效应、复杂空间依赖性和时间演变，并提供不确定性量化。模型评估表明，ST-BayesNF模型能够区分复合极端日与非复合极端日，且模型对烟雾密度及其与边界层高度和近地表温度的相互作用具有强敏感性。预测结果显示，烟雾事件期间复合极端风险显著增加，且这种放大的风险不仅出现在美国西部，还因烟雾远距离输送而日益见于中西部和东北部。ST-BayesNF模型为表征变化火情制度下增加的复合极端事件提供了一种概率性、时空显式的方法。

**研究背景与科学问题**

野火烟雾已成为美国有害空气质量状况的主要贡献因素，日益增多的远距离输送事件使数千万人暴露于远离活跃火源的危险污染物浓度中。2021年7—8月，美国西部野火将烟雾输送至东海岸；2023年6月加拿大魁北克野火造成东北部城市数十年来最严重的空气质量事件，主要大都市区地表PM_2.5超过400 μg/m³。尽管细颗粒物（PM_2.5）被认为是野火烟雾的主要污染物，近期野火事件表明高浓度臭氧常与烟雾污染物并存。PM_2.5与臭氧极端事件的复合发生较单一污染物对健康的危害更大，尤其对呼吸系统和心血管健康构成显著威胁。然而，以往大多数研究将两种污染物分开考察，且多集中于个别火事件、单季节案例或西部特定区域，难以刻画长期趋势、区域异质性与不确定性。现有研究多集中于6—9月夏季，对其他季节的复合动态刻画不足；化学传输模型在模拟野火事件中臭氧（高估达25%）和PM_2.5（分数偏差?33%至?27%）时存在系统性偏差，而广义加性模型、确定性模型和机器学习等现有方法往往无法显式量化预测不确定性或捕捉非线性复合动态。为此，研究人员开发了时空贝叶斯神经场（spatiotemporal Bayesian neural field, ST-BayesNF）模型，以量化2004—2023年美国本土（contiguous United States, CONUS）野火烟雾影响下PM_2.5-臭氧复合极端事件的发生风险。论文发表在《Environmental Science》。

**关键技术方法**

主要技术方法包括：（1）采用修正的反距离加权（inverse distance-weighted, IDW）算法将美国环保署空气质量系统（Air Quality System, AQS）的PM_2.5和臭氧观测插值至0.05°×0.05°网格；（2）将NOAA Hazard Mapping System（HMS）烟雾多边形栅格化并保留轻、中、重三个密度等级；（3）基于本地第90百分位数阈值定义复合极端事件，并采用泊松广义线性模型（generalized linear model, GLM）分析长期趋势；（4）构建ST-BayesNF逻辑回归框架，融合可解释协变量效应、非线性气象-烟雾交互项与神经网络学习的时空潜场，通过Pyro