中国臭氧污染与健康风险：未来趋势及气候驱动因素

《Atmospheric Environment》：Chinese ozone pollution and health risks: Future trends and climate drivers

　　

摘要

气候变化和对流层臭氧污染对中国环境和公共健康构成了相互关联的挑战。为了量化气候变化对臭氧的影响，我们采用了在多源数据上训练的Transformer模型，这些数据包括来自第六阶段耦合模型比较项目（CMIP6）的多模型集合。该模型预测了2024至2100年中国在四种共享社会经济路径（SSPs：SSP1-2.6至SSP5-8.5）下的臭氧趋势，并量化了长期臭氧暴露所造成的健康风险。历史验证证实了臭氧Transformer模型的高准确性（R2 = 0.91），SHapley Additive exPlanations（SHAP）分析指出温度和表面太阳辐射是主要的气象驱动因素。结果显示，年平均近地面臭氧浓度呈明显上升趋势，在SSP5-8.5情景下，到2100年将达到92.66 μg/m3。在区域层面，东北部（NE）、东部中国（EC）和西北部（NW）的近地面臭氧浓度分别增加了1%至5%，其中东北部的增幅最大，且对气候变化的敏感性也最高。气候强迫加剧了季节性差异，延长了臭氧季节，并放大了冬春季节的臭氧浓度升高。健康风险评估显示，在SSP2-4.5情景下，人口加权超过世界卫生组织（WHO）长期空气质量指南的臭氧浓度增加了11.0%。尽管由于人口减少，全国过早死亡率在四种情景下下降了10%至42%，但LMDI分解显示，气候驱动因素的影响是积极的，在SSP2-4.5情景下，这一影响最为显著，增加了10.65万人。

引言

作为21世纪最紧迫的环境问题之一，全球气候变化与空气污染之间存在着密切的关联。这种协同作用对人类健康构成了重大风险，尤其是在热浪和极端臭氧事件同时发生时（Fu和Tian，2019；He等人，2025；Kinney，2018；J. Su等人，2025）。臭氧是大气中的一个天然成分，主要（约90%）存在于平流层，在那里它吸收了对地表生物有害的紫外线。在对流层，尤其是在近地面，臭氧作为一种强氧化剂，对生态系统和人类健康构成严重威胁。近地面臭氧通过细胞氧化损害植被并降低农作物产量（Li等人，2022；Zhao等人，2021）。更重要的是，臭氧会引发多种呼吸系统和心血管疾病（Bell等人，2004；Hua等人，2025；Turner等人，2016），并对慢性阻塞性肺疾病（COPD）有显著影响（Fang和Wang，2025；Kim等人，2024）。它对公共健康构成严重风险，并导致重大的社会经济损失（Y. Ma等人，2023；Song和Hao，2023）。

尽管自2013年以来在颗粒物控制方面取得了显著进展，年度平均PM2.5浓度下降了近60%（从72 μg/m3降至30 μg/m3），且严重污染天数减少，中国仍面临着严重的空气污染问题，臭氧污染仍然非常严重（S. Li等人，2023；Li等人，2024）。在像北京-天津-河北（BTH）、长江三角洲（YRD）和珠江三角洲这样的关键城市中心，臭氧已成为实现空气质量标准的主要障碍，其浓度超过了环境限值的100%至200%（Mousavinezhad等人，2021；T. Wang等人，2017）。

气象因素通过控制臭氧的形成、去除和积累来驱动其变化（Gong等人，2020；Gong和Liao，2019；Li等人，2024）。光化学生成过程主要受温度和太阳辐射的加速（Jacob和Winner，2009），而湿沉降（受湿度和降水影响）则成为主要的去除途径（Jeong和Park，2013；Lu等人，2019）。臭氧的积累还受到扩散条件的影响：高压系统抑制垂直混合（Jiang等人，2021；Zhao和Wang，2017），风速和风向控制水平传输（Altshuller，1986；Yan等人，2024），边界层高度决定了混合体积，浅层夜间层有利于污染积累（Haman等人，2014；He等人，2023）。研究表明，这些有利于臭氧形成的气象条件在近几十年来频率有所增加（X. Xiao等人，2022；Yang等人，2024）。

机器学习（ML）在空气质量预测中发挥了重要作用（J. Ma等人，2023a，2023b，Ma等人，2020；Qu等人，2022；Yu等人，2023）。它提供了补充传统数值模型的能力。虽然这些物理模型是基础，但它们往往难以捕捉污染物的非线性动态。ML方法在识别这种复杂的非线性关系和处理高维数据方面表现出色，经常超过传统模型的性能（Kashinath等人，2021；J. Yang等人，2025）。在ML技术中，深度学习架构特别适合时间序列预测。Transformer模型因在自然语言处理方面的成功而闻名，它在空气质量预测中表现出卓越的效果，能够有效捕捉短期气象扰动和长期季节性趋势（L. Su等人，2025；Wen等人，2023；Zeng等人，2023），其性能优于Long Short-Term Memory网络（LSTM）、Gated Recurrent Unit（GRU）和Convolutional Neural Network-Long Short-Term Memory（CNN-LSTM）（Cui等人，2023；Zhang和Awang，2025）等传统模型。此外，SHAP（Shapley Additive exPlanations）方法的整合通过量化单个预测的特征贡献并将其汇总为全局洞察，从而减轻了“黑箱”问题，提供了重要的可解释性（Lundberg等人，2019，2020；Lundberg和Lee，2017）。

基于CMIP6的预测一致表明，气候变化将对未来的臭氧污染产生显著影响。全球估计表明，在高强迫情景下，到2100年臭氧浓度可能上升至15.7 μg/m3（Fortems-Cheiney等人，2017；Jaidan等人，2018；Revell等人，2015）。这种影响在人为排放量高的地区尤为明显，在弱排放控制情景（SSP3-7.0）下，臭氧浓度以0.39–3.93 μg/m3/°C的速度增加（Zanis等人，2022）。Goddard Earth Observing System-Chemistry（GEOS-Chem）模拟和机器学习研究表明，亚洲关键地区的增长最为显著：中国南部、东南亚和南印度地区的臭氧浓度可能上升至9.8 μg/m3（20%）（H. Li等人，2023）。而中国东部、华北平原和长江三角洲的夏季臭氧浓度预计将增加4.5–9.2 μg/m3（Kang等人，2025；Wang等人，2013）。重要的是，即使人为排放保持不变，这种气候信号也会持续存在，主要影响污染严重地区的较高百分位数，并受到干旱等因素的加剧（Schnell等人，2016；Y. Wang等人，2017）。

尽管许多研究探讨了气候变化对空气质量的影响，但很少有研究将不同的排放情景与深度学习结合用于臭氧预测。同样，系统地结合长期气候和人口预测的健康风险评估也有限。大多数现有评估仅关注短期暴露，缺乏对气候变化下长期臭氧相关健康影响的全面量化。CMIP6地球系统模型提供了未来的地面臭氧预测。然而，这些输出反映了未来气候变化和人为排放的综合作用。因此，无法单独分离气候强迫的影响。量化这种仅由气候引起的信号，通常称为“气候惩罚”（Fu和Tian，2019），需要将排放量固定不变，只让气象因素演变。在这种情况下，我们的研究利用了由六个CMIP6模型的多模型集合驱动的Transformer模型，在四种SSP情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）下预测中国的未来臭氧趋势，特别关注气候驱动的变化及其相关的健康风险。这些发现预计将为制定长期气候适应策略和空气污染控制政策提供科学支持，并提供量化证据，以评估气候变化和臭氧污染的综合健康影响。

章节片段

数据准备

使用来自“追踪中国空气污染”（TAP）的地表MDA8臭氧浓度数据作为训练深度学习模型的输入（Q. Xiao等人，2022；Xue等人，2020）。TAP臭氧数据是一个网格化的10公里分辨率数据集，时间跨度从2013年至今，它们是利用机器学习算法整合多源数据生成的。气象变量来源于欧洲中期天气预报中心的ERA5再分析数据集。

Transformer模型的预测性能

在该模型应用于未来气候情景之前，首先在历史独立测试集上对其预测性能进行了评估。2023年中国每月的Transformer预测结果与TAP臭氧数据之间存在 strong 一致性（图2）。预测值与观测值之间的R2达到0.91，全国范围内的均方根误差（RMSE）为6.23 μg/m3。结果表明模型拟合度强，准确性可靠，仅存在轻微的区域差异。

讨论

本研究使用了Transformer深度学习模型，并整合了多源历史数据集（包括TAP网格化臭氧浓度、ERA5、CHAP空气污染物和MODIS NDVI植被数据集），以及来自CMIP6多模型集合的未来气候变量（涵盖SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5），以预测和评估2024至2100年间中国近地面臭氧的时空分布、长期趋势及相关健康风险。

CRediT作者贡献声明

王霄毅： 数据整理、调查、方法论、软件开发、可视化、初稿撰写、审稿与编辑。马敬辉： 构思、正式分析、资金获取、方法论、项目管理、监督、审稿与编辑。王少静： 数据整理、资源管理。赵鹏国： 构思、正式分析、方法论、资源管理、监督、验证、审稿与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了中国国家自然科学基金（资助编号：42375067、42075051、42375056和42288101）的支持。此外，我们感谢TAP和CHAP提供了可用的数据。

王霄毅|马敬辉|王少静|赵鹏国四川省高原大气与环境重点实验室，四川省成都平原城市气象与环境观测研究站，成都信息科技大学大气科学学院，中国成都，610225