整合机器学习框架以解析沿海地区的臭氧控制策略:从季节性管理到源头相互作用效应

《Environmental Pollution》:Integrating the machine learning framework to decipher ozone control strategies in coastal regions: From seasonal management to source interaction effects

【字体: 大 中 小 】 时间:2026年07月07日 来源:Environmental Pollution 7.2

编辑推荐:

  谭岩|张玉佳|杜芳晓|王一凡|薛立坤|陈毅|张林阳|马子珍|李顺成|黄宇中国青岛市266520,青岛科技大学环境与市政工程学院摘要地面臭氧(O3)污染对城市空气质量管理构成了日益严峻的挑战,而在复杂的沿海环境中其形成机制的非线性特征仍缺乏充分研究。本研究构建了一个可解释的机器学习

  
谭岩|张玉佳|杜芳晓|王一凡|薛立坤|陈毅|张林阳|马子珍|李顺成|黄宇
中国青岛市266520,青岛科技大学环境与市政工程学院

摘要

地面臭氧(O3)污染对城市空气质量管理构成了日益严峻的挑战,而在复杂的沿海环境中其形成机制的非线性特征仍缺乏充分研究。本研究构建了一个可解释的机器学习框架,整合了极端梯度提升(XGBoost)、SHapley加性解释法(SHAP)和正矩阵因子分解(PMF),对2020年至2024年香港的臭氧形成情况进行了全面归因分析。研究期间,年均臭氧浓度上升了8%,2024年达到了77.1?μg/m3的历史新高,秋季浓度尤为突出,10月的浓度为95.1?μg/m3。基于SHAP的归因分析表明,气象因素是影响臭氧变化的主导因素,占总预测重要性的62.2%,其中地表太阳辐射是主要的调控因素。研究还发现了一种关键的协同机制:在太阳辐射强度较高(>18?MJ/m2)的情况下,较高的颗粒物浓度会与光照增强的非均相反应共同作用,提升大气的氧化能力,从而导致臭氧浓度非线性上升。季节性分析显示,春季的臭氧变化主要受风传输影响,而秋季的臭氧超标则主要由光化学作用导致,冬季则会出现区域输送加剧的情况。通过将PMF得到的源分布信息纳入XGBoost模型,本研究克服了传统臭氧生成潜力计算方法的线性限制。SHAP框架表明,二次挥发性有机化合物的形成在总影响因素中的重要性比传统方法估算的高出26.8%,这说明以初级反应性为基础的方法往往低估了氧化性强的沿海大气中的二次转化过程。研究还发现,溶剂使用是人为产生的挥发性有机化合物的主要来源,占比达25%。因此,应优先控制涂料、印刷、清洁及工业溶剂使用过程中产生的活性溶剂相关的挥发性有机化合物,同时加强工业排放的管控,以抑制臭氧生成的源头协同效应。这些研究结果为粤港澳大湾区制定精准的臭氧减排策略提供了科学可靠、机制清晰的理论依据。

引言

地面臭氧(O3)作为一种典型的二次污染物,其形成涉及前体物排放与气象因素之间的复杂相互作用。在粤港澳大湾区的城市群中,由臭氧引发的光化学烟雾已成为大气污染管理的重点问题(Huang et al., 2023)。高浓度的臭氧不仅会对人类的呼吸系统和心血管健康造成危害,还会降低农作物产量,破坏生态系统稳定性(Wang et al., 2025a)。作为毗邻高排放的珠江三角洲地区的高度城市化沿海城市,香港面临着极为复杂且日益严重的臭氧污染问题。近年来,尽管传统污染物的浓度有所下降,但臭氧浓度却呈现波动上升的趋势(Tan et al., 2023)。这种无法持续达到空气质量标准的情况,严重阻碍了香港空气质量的改善。因此,深入研究臭氧污染的统计关联预测因子、演变规律以及主要影响因子,对于制定科学有效的协同控制策略至关重要。
传统的数值和统计方法受到排放清单准确性的限制。虽然这些方法能够提供基础性的研究思路,但它们难以准确捕捉臭氧形成的高度非线性路径和复杂相互作用,从而限制了对背后动态机制的全面理解。相比之下,机器学习技术凭借出色的特征提取和非线性拟合能力,彻底改变了大气源解析和预报的方法(Jordan and Mitchell, 2015)。通过从大量的观测数据中提取潜在模式,机器学习框架能够有效描述前体物负荷与气象因素的共同影响。然而,目前大多数基于机器学习的研究更注重预测性能,而对各因素贡献的物理意义阐释不足,这限制了研究成果在政策制定中的应用。为了解决这一问题,SHapley加性解释法提供了一种强大的诊断工具,它能够量化输入特征的总重要性,并揭示耦合系统中的复杂非线性响应关系。Li等(2025a)利用随机森林模型研究表明,在台湾,气象变量和挥发性有机化合物分别解释了臭氧预测方差中的17.6%和62.4%。同样,Yang等(2025a)使用极端梯度提升模型,发现相对湿度是影响青岛夏季臭氧浓度的首要因素。与传统模型如随机森林和支持向量机相比,极端梯度提升模型对环境数据的变化更具鲁棒性,还能更好地识别与阈值相关的协同效应,从而阐明大气化学与气象之间相互作用的机制。
尽管机器学习技术推动了大气建模的发展,但目前的相关研究主要集中在内陆的大都市区,如京津冀地区或一些独立的工业区(Zhang et al., 2024; Lyu et al., 2022)。在复杂的沿海地形和季风气候影响下,关于臭氧形成机制的研究仍然较少,尤其是在粤港澳大湾区,那里复杂的陆海风环流和区域传输过程导致了局部光化学过程的显著时空差异。此外,风速和风向等关键向量因素虽然可能与臭氧形成的非线性阈值效应有关,但却常常被忽视。由于对季节性动态变化的理解不足,人们难以准确量化沿海城市环境中与臭氧浓度相关的预测因子,从而导致某些主要因素的贡献被低估。
此外,挥发性有机化合物是臭氧形成的主要化学前体物。确定这些有机化合物的来源并量化它们对臭氧形成的贡献,对于制定精准的污染控制策略至关重要。传统方法通常将正矩阵因子分解与臭氧生成潜力指标相结合使用(Yang et al., 2025b)。但由于臭氧生成潜力指标依赖于最大增量反应性因子,它主要反映的是理论上的线性敏感性,因此难以准确描述包括二次转化过程在内的非线性光化学过程,这可能导致对主要排放源的评估出现偏差。因此,有必要通过构建一种将源解析与可解释的机器学习技术相结合的归因框架,来改进传统的线性评估方法。这样的框架能够更全面地揭示多源相互作用背景下臭氧形成机制。
鉴于以上情况,本研究基于2020年至2024年香港的臭氧、其他污染物以及气象变量的综合数据,构建了一个基于XGBoost-SHAP的可解释机器学习框架。该框架能够量化各种统计预测因子带来的非线性SHAP贡献,同时揭示它们之间的复杂交互作用及季节性变化规律。更重要的是,本研究创新性地将PMF得到的源分布信息引入机器学习模型,从而解决了传统臭氧生成潜力方法的线性限制。这一整合使得人们能够更深入地了解挥发性有机化合物排放对臭氧形成的动态影响强度以及不同来源之间的协同作用。总体而言,这些研究结果有助于确定关键的调控因素和主要排放源,为粤港澳大湾区制定基于科学的、精细化的臭氧减排策略提供重要的科学依据。

章节节选

数据来源

本研究区域为香港,它是粤港澳大湾区的重要城市中心,经常遭受臭氧污染的影响,研究时间涵盖2020年1月1日至2024年12月31日。污染物数据来自香港环境保护署(https://www.epd.gov.hk),所涉及的污染物包括六种:臭氧、颗粒物(PM2.5)、二氧化氮、氮氧化物、一氧化碳和二氧化硫,所有数据都经过了严格的质量控制。

臭氧污染的特征

2020年至2024年的观测数据显示,香港的臭氧污染水平虽存在波动,但整体呈上升趋势(见图2a)。年均臭氧浓度从2020年的71.4?μg/m3上升至2024年的77.1?μg/m3,累计增幅为8%。2022年和2024年是臭氧污染最严重的年份,2022年的平均浓度为75.6?μg/m33的历史新高,有35天的空气质量超标。

结论

本研究构建了一个整合了XGBoost、SHAP和PMF的可解释机器学习框架,通过对香港臭氧污染情况进行深入的归因分析,为相关政策的制定提供了依据。XGBoost-SHAP框架能够更准确地体现各因素的重要性,同时还能量化前体物与气象因素之间的交互阈值效应。
在香港,气象因素是影响臭氧变化的最主要因素,其贡献度达到了

CRediT作者贡献说明

谭岩:论文撰写——初稿撰写、验证、研究分析、资金申请、概念构思。张玉佳:论文撰写——审稿与编辑、数据可视化、数据整理。杜芳晓:数据可视化、验证、数据整理。王一凡:方法设计、数据整理。薛立坤:验证、资源协调、方法设计。陈毅:资金申请、正式数据分析。张林阳:验证、资金申请。马子珍:验证、正式数据分析。李顺成:监督指导、数据整理。黄宇

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

本研究得到了以下机构的资助:山东省自然科学基金(编号ZR2022QD111、ZR2025MS921)、青岛市科技惠民示范专项重点项目(26-1-5-cspz-5-nsh)、广东省基础与应用基础研究基金(编号2024A1515011535)、中国科学院青年跨团队科学研究项目(编号JCTD-2022-17)以及黄土科学国家重点实验室的重点项目。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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