PM2.5和O3污染所带来的挑战,再加上二氧化碳排放引发的气候变化,对中国乃至全球的公共健康构成了严重威胁(Zhang et al., 2023; Zhao et al., 2025)。碳污染与空气污染存在空间协同性的理论依据在于二者根源相同,均源自人类活动,尤其是化石燃料的燃烧(Tong et al., 2021)。这一共同点意味着,通过优化能源结构、推广清洁技术等措施,可以同时减少二氧化碳排放和污染物排放,实现协同控制(Wang et al., 2023)。此外,二者的控制路径高度重合,如产业结构调整和空间规划等措施,既能降低碳排放,又能改善空气质量(Tong et al., 2021)。因此,明确碳污染与空气污染之间的紧密关联,对于制定有效的综合治理策略至关重要。在此背景下,实现“双碳”目标并推进“美丽中国”建设,已成为中国的重大战略任务(Wang et al., 2024; Zhang et al., 2023)。深入分析空气污染的驱动因素,不仅有助于实现污染治理与碳减排的协同效应,还为制定高效的综合政策提供重要的科学依据(Guo et al., 2024; Zhang et al., 2025)。
获取高分辨率的污染物浓度数据,是制定差异化空气污染控制策略的基础前提(Lolli, 2025; Meng et al., 2024)。为弥补地面观测的局限性,人们开发了多种污染物浓度估算方法,但每种方法都有其局限性:地理统计插值法过度依赖监测站密度,导致监测稀疏地区的不确定性增加(Karmoude et al., 2025; Wei et al., 2025);传统空气质量模型的计算成本较高,其性能受排放清单和参数化方案的不确定性影响较大(Gao and Zhou, 2024; Zhang et al., 2024);统计回归法和地理加权回归法难以捕捉复杂的非线性关系,且依赖于预先定义的功能形式,可能会因模型设定不当而产生偏差(Qian et al., 2022)。尽管大多数机器学习方法具有较强的预测能力,但通常需要大量高质量训练数据(Hou et al., 2022; Xu et al., 2024)。近年来,物理信息神经网络在流体力学领域展现出巨大潜力(Zhou and Song, 2026)。由于大大降低了對训练数据规模和质量的依赖,物理信息神经网络提升了外推能力和泛化性能,即使在数据稀缺或存在噪声干扰的情况下也能保持良好表现(Li et al., 2023)。然而,数据重建仅能作为理解污染模式的基础,要实现精准治理,还需明确碳污染与各类污染物之间的空间协同关系。鉴于污染驱动因素存在强烈的空间异质性,迫切需要一种超越行政边界的区域化框架,以捕捉多指标的空间差异,为后续的机制分析和针对性管理提供支撑。目前的环境区域化研究主要采用聚类分析、空间统计分析、基于指标的方法以及神经网络等方法。其中,自组织映射在气候和生态分区中得到了广泛应用,擅长处理多维数据并识别复杂的环境相似性模式(Duan et al., 2022; Licen et al., 2023)。不过,现有研究大多聚焦城市尺度,缺乏对PM2.5、O3和CO2的综合性分析,既没有针对高分辨率数据优化算法,也没有与后续的机制分析相衔接,因此其区域化结果难以用于制定精准的政策(Duan et al., 2024)。
即便拥有精确的数据和空间划分,核心科学问题依然存在:究竟是什么导致了各区域的污染?由于气象条件、人类活动、地形等因素的相互作用,污染现象呈现出复杂的时空异质性(Wang et al., 2025; Zhou et al., 2023),系统识别这些关键驱动因素对于制定针对性的控制策略至关重要。目前用于分析影响因素的方法包括传统统计回归法、空间统计模型、计量经济分析法、因子分解分析以及机器学习模型,但每种方法都有其局限性:传统统计方法难以捕捉复杂的非线性关系;地理探测器无法量化作用的方向性;计量经济模型往往无法充分体现空间异质性;因子分解方法也无法完全整合自然因素与社会经济因素之间的相互作用(Zhao et al., 2025)。传统的机器学习模型通常采用统一的整体结构,即便整体预测精度尚可,也往往存在较大的区域性能差异。当前的研究往往将数据重建、区域化分析和驱动因素分析分开,忽视了污染的跨区域传输现象。由于前体物存在空间溢出效应,基于行政边界的分析无法揭示真正的驱动机制。因此,为了支持协同治理,亟需构建一个整合“高分辨率数据–空间异质性区域化–多尺度机制分析”功能的综合框架。这样的框架应借助多种模型,系统分析气象、排放因素和社会经济因素对PM2.5和O3的不同影响,从而解决空间异质性与跨区域传输相互交织的难题(Karmoude et al., 2025)。
为应对上述系统性挑战,本研究构建了一个跨学科的综合框架,通过深度神经网络、扩展型自组织映射以及空间加权集成模型之间的顺序耦合与反馈验证,系统解决了“数据–区域化–机制”这一系列科学问题。首先,深度神经网络重建的高分辨率PM2.5和O3浓度场为研究提供了更精细的数据基础;其次,扩展型自组织映射基于碳污染共现特征进行网格级空间聚类,突破了传统行政边界的限制;最后,空间加权集成模型对各簇内的权重进行了优化,并纳入了前体物的空间溢出效应,再结合SHAP分析,揭示了各簇的驱动机制。这种“重建–聚类–归因”的闭环框架构建了从数据生成、空间感知到机制分析的完整科学链条,为精准识别复合型污染的多尺度驱动机制提供了方法论支持,也为区域协同污染治理和减排工作提供了科学的操作依据。