乌鲁木齐能见度驱动因子与光消减归因：化学重构与机器学习方法的结合

《Particuology》：Visibility drivers and light extinction apportionment in Urumqi: Integrating chemical reconstruction with machine learning

　　

• •
  揭示相对湿度是能见度的主导气象预测因子（平均|SHAP| = 4.49）。
• •
  量化冬季光消光，主要受二次生成的(NH₄)₂SO₄和NH₄NO₃主导（合计占比超过90%）。
• •
  首次在干旱的西部中国开展基于机器学习的能见度源解析。

引言

大气能见度，也称为视距，是指观察者使用裸眼能够辨别目标物体与其周围环境背景的最大水平距离。作为大气科学中的基本指标，能见度是衡量空气质量和环境健康的可靠指标。在乌鲁木齐等干旱地区，粉尘相关的悬浮颗粒物（PM）普遍存在，气态污染物和颗粒物共同加剧能见度下降，主要通过其共同的光消光效应（Yang, Wang, et al., 2022; Yao et al., 2021）。自21世纪以来，经济发展和城市扩张的加速步伐引发了频繁的严重空气污染事件，城市地区受到的影响尤为突出，大气能见度也因此显著下降。这一现象对人体健康、交通运输和经济运行产生了重大影响（Han et al., 2024; Li et al., 2023）。尽管中国已实施严格的空气污染治理措施，在改善全国空气质量方面表现突出，但在气溶胶浓度高且吸湿增长能力强的地理区域，如华北平原（NCP）和长三角地区（YRD），能见度受损事件仍定期发生（Qi et al., 2018; Shen et al., 2015）。识别导致能见度下降的关键因素对于制定有针对性的污染控制策略至关重要。

与气溶胶颗粒相比，气态污染物的光散射效应较弱，对能见度的影响也较小。导致能见度下降的主要因素是PM_2.5引起的光散射和吸收过程，其粒径分布、质量负荷和化学成分会显著影响光消光效率，从而影响大气能见度（Ting et al., 2022; Yang et al., 2022b）。由于PM_2.5内化学成分丰度和单位质量散射效率的差异，它们对光消光系数的贡献表现出显著的区域变异性（Yu et al., 2016）。然而，总体而言，硝酸盐（NO₃^?）、硫酸盐（SO₄^2?）、有机物（OM）和黑碳（BC）是导致能见度下降的主要PM_2.5成分（Wu et al., 2026）。在受燃烧相关一次排放显著影响的地区，元素碳（EC）也贡献了相当比例的光吸收气溶胶（Cheng et al., 2008）。此外，气象因素显著影响能见度，包括相对湿度（RH）、降水、气温、风速和混合层高度。其中，相对湿度因其对能见度的直接和间接影响而受到最多的研究关注。直接而言，大气水汽通过光消光加剧能见度下降。高湿度还会导致雾或霾的形成，进一步降低能见度（Malm & Day, 2001）。然而，在这些条件下能见度下降并不一定反映空气质量的变化（Zhou et al., 2016）。此外，相对湿度还可通过调节气溶胶的吸湿增长来间接调节大气能见度，从而放大其光消光系数（Zhao et al., 2021b），或通过促进前体气转化为NO₃^?或SO₄^2?（Ding et al., 2021）。

对大气能见度与其影响因素之间关系的定量分析主要依赖于经验公式，其中IMPROVE算法是最广泛使用的方法之一。原始的IMPROVE算法于1994年开发，整合了通过IMPROVE网络监测系统观测到的六种气溶胶组分（SO₄^2?、NO₃^?、OM、EC或BC、细土壤和粗颗粒）的质量浓度数据（Malm et al., 1994）。Pitchford等（2007）发现原始方法倾向于低估高光消光值而高估低光消光值，并提出了一种修订算法。该修订算法自发布以来被广泛采用。该方法在西安、长三角地区（Hua et al., 2015）、北京（Wang et al., 2015）和乌鲁木齐（Zhang et al., 2021）的应用表明，硫酸铵（(NH₄)₂SO₄）、硝酸铵（NH₄NO₃）和OM对中国气溶胶的光消光贡献显著。然而，修订的IMPROVE算法也存在局限性，包括对相对湿度与气溶胶组分之间非线性相互作用的表征不足，以及无法将消光贡献归因于特定来源类别，这削弱了其在制定针对性控制策略方面的效用。近年来，机器学习模型越来越多地被用于阐述能见度与其影响因素之间的非线性关系，使用XGBoost、随机森林和SHAP等模型来弥补IMPROVE算法的局限性（He et al., 2024; Liu et al., 2021）。通过XGBoost-SHAP模型证明二次有机气溶胶（SOA）是提高深圳市大气能见度的关键因素，这一发现与传统线性方法获得的无机盐主导结果存在显著差异。

乌鲁木齐是中国西北地区的一座主要城市，由于其独特的地形和气象条件，面临着严峻的空气污染挑战（Liu et al., 2025; Turap et al., 2019）。然而，在理解这座干旱绿洲城市的能见度下降方面仍存在若干关键空白。首先，乌鲁木齐唯一的基于IMPROVE的研究（Zhang et al., 2021）受限于有限的采样期（2017–2018年），且该算法默认吸湿增长参数化（为北美气溶胶开发）对富含粉尘的干旱环境的适用性尚未得到系统评估。其次，以往没有研究将PM_2.5源解析与乌鲁木齐的能见度受损联系起来，导致各个来源类别对能见度下降的贡献未被量化。第三，在干旱绿洲城市中控制能见度的化学成分、气象因素和来源类别之间的非线性相互作用仍未被探索，因为机器学习方法尚未在该地区应用。因此，本研究在乌鲁木齐开展了为期一年的综合调查，以填补这些研究空白。本研究旨在：(1) 考察乌鲁木齐PM_2.5的化学特征和源解析；(2) 利用IMPROVE算法量化各相关成分对能见度下降的贡献；以及(3) 通过XGBoost-SHAP分析确定关键的驱动来源类别。通过结合传统方法和机器学习方法，本工作全面揭示了乌鲁木齐的能见度动态变化，为干旱城市环境的针对性污染控制措施提供支持。

章节摘要

现场测量方案

观测点设在乌鲁木齐市新市区一栋办公楼的屋顶（87.56°E, 43.93°N），位于一个融合交通、居住和工业功能的混合用地。观测点距离乌鲁木齐天山国际机场直线距离8公里。观测时间从2024年5月16日00:00持续到2025年4月30日23:00，涵盖完整的四季周期，以全面捕捉动态变化特征。

能见度、相对湿度、PM_2.5及其组分的月变化趋势

从2024年5月到2025年4月，乌鲁木齐能见度波动明显，春夏季节数值较高，秋冬季节数值较低。月平均能见度范围为5公里（12月）至33公里（6月）（图1）。相对湿度和PM_2.5的变化趋势与能见度相反。相对湿度的月变化范围为30–84%，PM_2.5的月变化范围为14–146 μg m^?3。12月记录了最低的月平均能见度（5公里），这主要归因于

结论

本研究基于高时间分辨率观测数据，调查了2024年5月至2025年4月期间相对湿度、PM_2.5化学成分及来源对乌鲁木齐大气能见度的影响。观测期间，月能见度呈波动趋势，6月达到峰值（33公里），12月降至最低（5公里）。IMPROVE算法识别出(NH₄)₂SO₄和NH₄NO₃为光消光的 dominant 化学成分（冬季合计占比超过90%），而

CRediT作者贡献声明

Wenyu Bai：撰写–初稿、可视化、形式分析、数据管理。Yingying Liu：调查、数据管理。Xueyan Zhao：撰写–审阅与编辑、调查、数据管理。Chunmei Geng：撰写–审阅与编辑、数据管理。Wen Yang：资源支持。

利益冲突声明

作者声明不存在已知的利益冲突或可能影响本文所述工作的财务利益或个人关系。

致谢

本工作得到了中央公益性研究事业单位基础研究基金（编号：2023YSKY-14）以及中国空气污染防控关键问题研究计划（编号：DGQQ202119 和编号：DQGG202137）的支持。

Wenyu Bai|Yingying Liu|Xueyan Zhao|Chunmei Geng|Wen Yang