城市环境中苯(Benzene)浓度变化性的共污染物与气象预测因子——基于可解释人工智能(Explainable Artificial Intelligence, XAI)分析的多环境背景研究

《Urban Science》:Co-Pollutant and Meteorological Predictors of Urban Benzene Variability Across Environmental Settings: An Explainable Artificial Intelligence Analysis

【字体: 大 中 小 】 时间:2026年07月03日 来源:Urban Science 3.2

编辑推荐:

  苯(Benzene)是一种致癌的城市挥发性有机化合物(Volatile Organic Compound, VOC),其时空变化性反映了排放、大气化学与气象条件之间的相互作用。研究人员利用克罗地亚萨格勒布Ksaverska cesta城市背景监测站2017–2

  
苯(Benzene)是一种致癌的城市挥发性有机化合物(Volatile Organic Compound, VOC),其时空变化性反映了排放、大气化学与气象条件之间的相互作用。研究人员利用克罗地亚萨格勒布Ksaverska cesta城市背景监测站2017–2023年(n=39,124)的小时级监管空气质量观测数据,辅以NOAA GDAS气象数据,采用元启发式优化的树集成模型(Tree-Ensemble Model),结合迭代Shapley加性全局重要性(iterative Shapley Additive Global Importance, iSAGE)、SHapley Additive exPlanations(SHAP)及环境背景(Environmental Settings, ES)框架,量化了小时苯浓度与O3、CO、SO2、NO2及二十余个气象预测因子之间的关系。本研究创新性地整合全局预测因子重要性、带符号局部SHAP归因与环境背景分类,在反复出现的排放–化学–气象体系中解释苯的变化性。最优Extra Trees模型取得R2=0.87、RMSE=0.46 μg m?3、MAE=0.24 μg m?3。iSAGE显示CO(1.47)、O3(0.55)与近地面气温(0.35)为最主要预测因子,SO2(0.18)和NO2(0.07)全局重要性显著更低。SHAP表明CO与苯呈正相关,相对贡献在约0.3–0.6 mg m?3由负转正的;O3在>30–40 μg m?3时贡献主要为负;气温在<7 °C时贡献为正,7–12 °C区间转为负。环境背景分析显示苯最强累积出现在稳定冬季条件,最弱累积出现在通风良好、具光化学活性的背景。上述结果为站点与模型特异性,揭示了城市苯变化性受共污染物与气象因子的非线性影响。理论上,本研究通过将模型预测因子归因与具物理意义的大气背景相联系,推进了对城市VOC变化性的解释;实践上可支持识别利于苯累积的条件,并为背景敏感的空气质量评估与管理提供依据。
论文解读:《Co-Pollutant and Meteorological Predictors of Urban Benzene Variability Across Environmental Settings: An Explainable Artificial Intelligence Analysis》
一、研究背景与意义
苯(Benzene)是城市中广泛存在的挥发性有机化合物(Volatile Organic Compound, VOC),被确认为人类致癌物,即使低环境浓度亦有健康危害。城市苯主要源自机动车尾气、燃油蒸发及燃烧相关活动,但其环境浓度与 temporal 变化性不只受排放强度控制,而是排放活动、大气边界层混合、光化学转化及与共排放污染物(如NOx、O3)相互作用共同塑造的复杂结果。传统统计与过程模型难以充分解析这种高维、非线性、具强耦合传输–化学交互的城市大气系统;即便机器学习(Machine Learning, ML)模型在城市大气污染预测中表现优异,多数仍属"黑箱",缺乏可解释性,限制其在科学认知与政策制定中的应用。可解释人工智能(Explainable Artificial Intelligence, XAI)方法如SHapley Additive exPlanations(SHAP)与Shapley Additive Global Importance(SAGE)可提供预测因子贡献量化,但单独变量层面解释无法直接揭示其发挥作用的大气背景状态(Atmospheric Regime)。因此,将XAI与代表典型排放–化学–气象组合的环境背景(Environmental Setting, ES)框架相结合,是深化城市VOC变化性机理认知的关键。本研究基于克罗地亚萨格勒布七年小时级监管监测数据与再分析气象资料,采用元启发式优化树集成模型配合iSAGE–SHAP–ES综合框架,明确共污染物与气象预测因子的全局层级、非线性局部效应及其在不同大气背景下的调制作用,发表于《Urban Science》。
二、主要关键技术方法概述
研究人员采用克罗地亚萨格勒布Ksaverska cesta城市背景站2017–2023年小时级监管监测苯、NO2、CO、SO2、O3数据(符合EN标准质控),辅以NOAA GDAS1三维小时插值的>20项气象变量。完整观测n=39,124,剔除缺失值后做标准化处理,苯为因变量。候选算法含Extra Trees、Gradient Boosting、LightGBM、XGBoost,按8:2随机切分训练–测试集,五折交叉验证筛选前三模型,再以Harris Hawks Optimization与Sine Cosine Algorithm进行元启发式超参数寻优,以交叉验证R2为目标函数,最终优选Extra Trees重训并独立测试。解释阶段计算iterative Shapley Additive Global Importance(iSAGE)获全局重要性;对最优模型算SHAP值得绝对(原始苯浓度尺度μg m?3,带符号)与相对(占单样本总SHAP幅值百分比,带符号)贡献;将高维SHAP模式用PaCMAP降维后以HDBSCAN聚类识别环境背景(ES, C0–C6),结合先验Be?li? et al.(2026)七类ES定义解析各背景下预测因子响应。
三、研究结果
3.1 Temporal Variability, Descriptive Statistics, and Model Performance(时间变化性、描述统计与模型性能)
研究人员对最终QA/QC数据集(n=39,124)做描述统计,苯年均1.02 μg m?3,冬高夏低,年均值2018年1.50降至2022年0.63后2023年回弹至1.04 μg m?3;CO、NO2同步下降,SO2低,O3夏高且偶超阈。最优Extra Trees模型测试集R2=0.87、RMSE=0.46 μg m?3、MAE=0.24 μg m?3,观测与预测分布吻合良好,证明模型可可靠捕捉苯小时变化性供后续解释。
3.2 Global Hierarchy of Co-Pollutant and Meteorological Predictors(共污染物与气象预测因子的全局层级)
iSAGE全局重要性排序为CO(1.47)?O3(0.55)>近地面气温t02m(0.35)>动量通量强度mofi(0.20)>SO2(0.18)>地表温度tmps(0.16),余下含NO2(0.07)、行星边界层高度PBLH(0.04)、相对湿度rh2m(0.04)等均<0.12且部分为负值(冗余或无增量信息)。CO约为O3的2.7倍、t02m的4倍以上,确认燃烧相关信号为主导;SO2、NO2为次要背景修饰因子而非主控因子,详细SHAP聚焦前三变量。
3.3 SHAP Response Patterns of CO, O3, and Near-Surface Temperature(CO、O3与近地面气温的SHAP响应模式)
3.3.1 CO—Emission-Driven Influence(CO——排放驱动影响)
绝对SHAP值随CO升高近线性增大(可达+4–5 μg m?3),反映苯与CO共源于不完全燃烧(交通+供暖)。相对SHAP在低CO(<0.3 mg m?3)时为负(?20%~?60%,稀释主导),0.3–0.6 mg m?3过渡转正,高CO时稳定在+40%~+60%(排放主导饱和)。按ES解析:污染增强背景C6(冬逆温浅边界层)与C4呈最大正贡献;通风良好C0/C1/C3近零或微负;过渡C2弱耦合、C5为初春稳定向通风过渡的中等值。
3.3.2 O3—Oxidative Influence(O3——氧化性影响)
O3不作为苯直接氧化剂而指示大气氧化态与光化学活跃度。极低O3(<20 μg m?3)对应冬滞缓条件,SHAP微正(+~0.5 μg m?3, +>10%),反映共存于弱扩散累积而非因果;O3>30–40 μg m?3时SHAP转负(?5%~?15%),对应OH介导苯氧化增强与边界层加深致清除加快。ES中C1(清洁光化学背景)最稳定负响应,C0略散正异常可能示传输残留,C3为夏季氧化–通风典型负趋势;过渡C2/C5中C5更一致负向示向光化学背景演变。
3.3.3 Temperature—Meteorological Influence(温度——气象影响)
低温(<7 °C)时温度SHAP为正,对应采暖排放增+浅边界层逆温致苯累积(主关C6及部分C5);7–12 °C快速转负,标志通风与光化学过程超越排放累积效应;>15 °C稳定负向(?10%~?30%相对,绝对值小),示深边界层与强湍流混合已主导。ES中C1最稳负、C0略散、C3典型夏期负;C4在中温区散布较宽示中等人为源叠加较浅混合层。
3.4 Secondary Chemical Indicators and Meteorological Modifiers(次要化学指示物与气象调节因子)
NO2低值时SHAP负(通风好),中值趋零(过渡燃烧指示),高值(>20–40 μg m?3)微正(排放累积受限扩散),印证燃烧影响背景(C4/C6)与扩散背景(C0–C3)区分。SO2极低近零/微负,中值(~0.7–1.5 μg m?3)微正(共排放累积),高值平饱和,亦作燃烧影响标记。行星边界层高度(PBLH)低(<200 m)SHAP正(垂直约束累积),随PBLH升高趋零/微负(稀释),极高(>1500 m)无额外效应。抬升指数(Lifted Index, LI)不稳定时SHAP≈0或负,稳定时正。相对湿度中低(20–70%)SHAP≈0,高(>80%)微负(有利扩散)。上述次级变量细化ES内部物理意义但不改变iSAGE主控层级。
四、讨论与结论翻译总结
讨论指出CO的主控地位与欧洲城市苯源解析(交通、住宅供暖、停滞)相符;CO相对SHAP转折(~0.3–0.6 mg m?3)标志由稀释向排放累积切换,最强正效见于稳定冷季ES,呼应欧城苯冬峰持续现象。O3与温度负贡献反映通风增强、季节燃烧减排及大气氧化处理,其转折阈值具站点–模型特异性非普适。NO2、SO2虽全局次要在区分燃烧影响/过渡/扩散型ES中有上下文价值。方法学上iSAGE给全局层级,绝对与相对SHAP给方向幅值与占比,ES赋予局部归因以反复出现的大气体制语境,优于单纯浓度趋势或源解析,也延伸前期同站ES识别工作至预测因子响应解析。局限包括单站城市背景、相关性致重要性再分配可能、GDAS未解析微尺度湍流、HDBSCAN对罕见事件不敏感、SHAP未做自助法不确定量化、最终评估用随机划分补充了前向时序验证建议后续全时序外验。框架具方法移植性但具体ES标签与阈值须本地重新标定。
结论部分翻译总结:
基于萨格勒布城市背景站七年小时观测,通过集成iSAGE–SHAP–环境背景(ES)框架评估苯变化性共污染物与气象预测因子,得出如下结论:全局预测因子层级分明——CO为主控预测因子,其次为O3与近地面气温,SO2、NO2与其余气象变量提供较低且仅上下文修饰性贡献。SHAP分析显示各预测因子贡献方向与大小沿其观测范围及ES呈非线性变化:CO正贡献在燃烧影响且通风差条件下最显著;较高O3与较高气温通常关联模型苯水平降低;苯最强累积发生于稳定冬季条件,最弱累积出现于通风良好具光化学活性背景。理论意义在于将可解释ML归因联结具物理含义大气背景以深化城市VOC变化性诠释;实用价值可为背景敏感空气质量评估提供支持,尤其识别利于苯累积之稳定冬季少通风时段。需注意该层级与转折范围属站点–时期–预测因子集–模型特定关联,应理解为模型基关联关系,非苯源普适排序、正式源解析或因果证据。
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