中国PM2.5与O3的多尺度驱动机制:基于重建、空间聚类与集合模型的分析

《Environmental Impact Assessment Review》:Multiscale driving mechanisms of PM2.5 and O3 in China: Insights from reconstruction, spatial clustering, and ensemble modeling

【字体: 大 中 小 】 时间:2026年06月26日 来源:Environmental Impact Assessment Review 12.2

编辑推荐:

  闵东|侯晓松|段文娇|程水源中国北京市100124,北京工业大学环境科学与工程学院,北京区域空气污染控制重点实验室摘要应对复合型空气污染与气候变化问题,需要制定区域化策略以实现污染治理与碳减排的协同推进。本研究构建了一个“重建-聚类-归因”一体化框架,系统涵盖了从数据生成、空间特

  
闵东|侯晓松|段文娇|程水源
中国北京市100124,北京工业大学环境科学与工程学院,北京区域空气污染控制重点实验室

摘要

应对复合型空气污染与气候变化问题,需要制定区域化策略以实现污染治理与碳减排的协同推进。本研究构建了一个“重建-聚类-归因”一体化框架,系统涵盖了从数据生成、空间特征描述到机制分析的全链条研究。首先,利用深度神经网络高精度重建PM2.5和O3浓度场;接着,运用自组织映射进行网格级多指标聚类,揭示碳污染共现模式的空间异质性;最后,结合六种选定算法构建了考虑前体物溢出效应的空间加权集成模型,并通过SHAP分析阐明气象、排放因素与社会经济因素之间的非线性耦合及差异性驱动机制。研究结果表明,京津冀地区、长江三角洲和珠江三角洲区域为高排放热点,而中国西部地区则呈现相反特征。空间加权集成模型的性能优于单一模型,纳入空间溢出效应后性能进一步提升。PM2.5的浓度主要受温度、行星边界层高度和湿度影响,而O3的形成则对太阳辐射和温度等光化学因素更为敏感。考虑前体物溢出效应后,NH3、SO2和NOx对PM2.5的影响,以及NOx和VOCs对O3的影响变得更为显著,社会经济因素的影响相对较弱。基于这些差异性结果,本研究提出了针对不同区域的策略,以推动污染治理与碳减排的协同开展。

引言

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。

章节节选

研究区域与数据来源

本研究以中国内地为研究区域,由于香港、澳门和台湾的排放数据不够连续可靠,故未将其纳入研究范围。所有分析均在0.1°×0.1°的网格分辨率下开展。研究内容包括PM2.5和O3浓度场的高精度重建、基于PM2.5、O3和CO2的多指标碳污染综合聚类分析,以及对空气污染主要驱动因素的系统性研究。

污染、排放及驱动因素的时空分布特征

本研究利用深度神经网络整合多源数据,重建了中国各地PM2.5和O3的高分辨率浓度场,从而揭示了它们的时空演变规律。
图2和图S1展示了模型重建结果与实际监测站数据的对比情况。对于PM2.5和O3而言,测试集的R2值分别达到了0.936和0.938,而均方根误差分别为7.01 μg·m?3和9.52 μg·m?3。训练集与测试集的R2值差异

结论

通过对PM2.5和O3浓度重建、碳污染综合聚类以及多尺度驱动机制的系统性分析,本研究得出以下主要结论:
(1) 深度神经网络能够实现PM2.5和O3浓度的高精度重建。该方法减少了对大规模训练数据集的依赖,提升了模型的外推能力和预测精度,为深入分析污染过程提供了可靠的数据基础。
(2)

局限性与未来研究方向

本研究构建了“深度神经网络–自组织映射–空间加权集成模型”框架,用于重建PM2.5和O3浓度场、进行多指标聚类分析以及研究多尺度驱动因素。尽管取得了一定成果,但在数据整合、模型设计以及场景适用性方面仍存在一些局限性。未来的研究可以通过引入物理机制、完善数据体系以及拓展场景应用,进一步优化该框架。
本研究的局限性主要体现在

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利益冲突或个人关系。

致谢

本研究得到了中国国家自然科学基金的支持(项目编号为52330002和52300146)。
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