四川盆地代表性城市冬季PM2.5污染的差异性驱动因素:基于观测与机器学习的分析
《Journal of Hazardous Materials》:Divergent drivers of winter PM2.5 pollution in representative cities of the Sichuan Basin: Insights from observation and machine learning
【字体:
大
中
小
】
时间:2026年07月03日
来源:Journal of Hazardous Materials 10.6
编辑推荐:
Zhihan Rao|Hongli Tao|Li Zhou|Weigang Wang|Song Liu|Bin Luo|Wei Zhang|Pan Cao|Jianjun Li|Fumo Yang|Maofa Ge四川大学碳中和未来技术学院,中国成都610065摘要细颗粒物(PM
Zhihan Rao|Hongli Tao|Li Zhou|Weigang Wang|Song Liu|Bin Luo|Wei Zhang|Pan Cao|Jianjun Li|Fumo Yang|Maofa Ge
四川大学碳中和未来技术学院,中国成都610065
摘要 细颗粒物(PM2.5 )一直对中国城市地区的空气质量和人类健康构成严重威胁。本研究分析了四川盆地内具有代表性的成都和自贡两城市冬季PM2.5 的化学成分、来源及二次转化机制。观测结果显示,自贡的PM2.5 平均浓度(63.0±28.1μg/m3)高于成都(52.5±29.2μg/m3)。尽管在两座城市中,二次无机气溶胶都占PM2.5 的45.5%,但它们的化学成分存在差异:成都以硝酸盐为主,而自贡则以硫酸盐为主。正矩阵因子分析表明,二次转化是气溶胶积累的主要驱动因素。具体而言,成都的硝酸盐含量升高是由于高浓度的NOx 排放与恶劣的气象条件共同作用的结果;而在自贡,高湿度及重金属催化作用加速了硫酸盐的形成。研究人员还利用机器学习模型结合SHapley加性解释方法,量化了气象条件和排放因素的单独影响及相互作用。研究结果表明,成都在潮湿且大气滞留的情况下对二次转化极为敏感,因此亟需减少NOx 排放。相比之下,自贡则主要受本地排放和较差的空气扩散条件影响。在高湿度条件下(成都的相对湿度大于70%,自贡大于90%),成都应在东风或北风较强的情况下重点控制排放,而自贡则应在东风或南风较强的情况下加强排放监管。这些发现为在复杂地形背景下针对不同城市实施差异化多污染物管理提供了科学依据。
引言 细颗粒物(PM
2.5 ),指气动直径小于或等于2.5微米的颗粒物,是大气污染的重要来源。近几十年来,快速的工业化和城市化使得中国成为全球PM
2.5 污染最严重的地区之一,其污染浓度远远超过美国和欧洲大多数城市的水平[1]、[2]。值得注意的是,导致严重PM
2.5 污染的机制具有明显的时间和空间差异。大量研究指出,中国北方平原、珠江三角洲、长江三角洲以及四川盆地等人口密集的城市区域都存在严重的PM
2.5 污染问题[3]、[4]、[5]、[6]、[7]。其中,四川盆地的特点是全年相对湿度高、风力弱且频繁出现温度逆温现象[8],这导致大气扩散能力差,污染物容易持续积聚。高湿度还会促进二次颗粒物的形成[9]。因此,四川盆地的PM
2.5 污染具有污染持续时间长、二次转化强烈的特点,这与其他城市地区的污染情况有所不同[7]、[10]、[11]。作为四川省的省会,成都的人口超过2000万。2023年,成都的机动车保有量在中国各城市中位居首位,超过了600万辆
http://www.mps.gov.cn ,这说明车辆排放对成都的PM
2.5 污染有着重要贡献[12]。作为四川省南部的代表性城市,自贡的空气质量同样不佳。自贡的人口约为300万,是一座中等规模的工业城市,拥有许多污染源,包括燃煤电厂、水泥厂以及化工和机械加工企业。由于地处群山环绕之中,自贡的风速较低,天气多处于平静状态,冬季还经常出现严重的温度逆温现象。因此,选择四川盆地的这两座代表性城市进行对比分析,有助于了解PM
2.5 的来源及其形成机制。
近年来,机器学习凭借其强大的非线性拟合和特征分析能力,已成为量化影响PM2.5 浓度的各种因素并揭示其变化规律的重要工具[13]、[14]、[15]。相关研究致力于识别影响PM2.5 浓度波动的关键气象因素和排放源因素,旨在准确量化每种因素对PM2.5 浓度的影响程度,以及了解不同时间和空间尺度下主导影响因素的变化情况。例如,需要确定在不同季节和地区,是气象条件还是排放因素更为主导PM2.5 浓度波动的因素,以及哪些具体的子因素(如二次气溶胶前体或特定排放源)具有最大的影响[16]。PM2.5 浓度与气象/排放因素之间的关系并非完全线性,而是存在显著的非线性相互作用。相关研究试图利用机器学习模型的特征解释功能,揭示这些因素之间的协同或抑制作用[13]、[17]、[18]。张等人[19]采用SHapley加性解释方法,计算数据集中每个特征的SHAP值绝对平均值,将其作为预测PM2.5 浓度的全局重要性指标,从而量化气象和排放因素的整体贡献。在此基础上,王等人[16]进一步通过结合特征重要性和特征效应,分析了各特征对预测结果的正面和负面影响,说明了特征值的变化如何导致污染物浓度的上升或下降。侯等人[20]则利用箱线图展示了各变量SHAP值的分布特征,并根据特征重要性对它们进行排序,从而揭示了不同污染时期各种驱动因素对PM2.5 浓度的具体影响。不过,目前仍有较少研究探讨利用机器学习模拟气象因素和排放源对PM2.5 浓度的非线性交互作用。
在本研究中,我们对四川盆地内具有代表性的成都和自贡城市在冬季污染期间的PM2.5 化学成分进行了实时观测。同时,我们还运用机器学习模型,对这些城市PM2.5 浓度的影响因素进行了可解释性的分析。研究结果为了解四川盆地内不同类型城市中的污染动态提供了重要见解,也为制定有针对性的、针对不同地区的污染防治策略奠定了基础。
章节节选 采样地点与时间 成都的采样点位于四川大学望江校区科技创新中心的屋顶上(北纬30.63度,东经104.08度),距离地面约25米。自贡的观测点则在四川工程职业技术学院汇南校区的图书馆屋顶上(北纬29.33度,东经104.77度),距离地面约30米(见图S1)。这两个采样点都被城市功能区所环绕,包括道路等。
气象条件与污染物浓度 观测期间,成都和自贡的主要气象参数及大气污染物浓度的时间变化情况如图S3所示(详细数据见表S7)。两城市的温度较为接近,成都的平均温度为10.3±3.4℃,自贡为10.4±3.5℃。不过,自贡的相对湿度明显更高,平均值为77.1±12.2%,而成都的相对湿度为68.9±10.5%。成都的气象条件相对较为
结论 在本研究中,我们对成都和自贡冬季的PM2.5 化学成分进行了同步的实时观测,从而了解了四川盆地冬季雾霾的化学特性、来源及二次转化机制。成都的气象条件总体上比自贡更为稳定,但通过回溯轨迹分析发现,这两座城市都主要受到盆地内的局部气团影响。
环境意义 细颗粒物(PM2.5 )会严重危害空气质量,对环境和人类健康都会造成威胁。这一情况凸显出制定有效减排策略的必要性。本研究采用了一种综合方法,将源解析和气象数据纳入机器学习模型中,以此量化影响PM2.5 浓度的主导因素及其协同作用。将该方法应用于四川盆地的两座关键城市后,研究发现这些城市的污染状况具有相似性
CRediT作者贡献说明 Fumo Yang: 撰写——审阅与编辑,指导。 Maofa Ge: 撰写——审阅与编辑,指导。 Pan Cao: 指导,资源提供。 Jianjun Li: 撰写——审阅与编辑,指导。 Li Zhou: 撰写——审阅与编辑,指导,方法设计,资金获取,概念提出。 Weigang Wang: 撰写——审阅与编辑,资金获取。 Zhihan Rao: 撰写——初稿撰写,数据采集,正式分析,数据整理。 Hongli Tao: 撰写——审阅与编辑,软件使用,正式分析
利益冲突声明 作者声明,他们不存在任何可能影响本文研究成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重点研发计划(项目编号2023YFC3709302、2024YFC3712205)以及国家自然科学基金(项目编号42461160295、42427802、22276128)的支持。
生物通微信公众号
生物通新浪微博
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