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