基于可解释性机器学习的2013~2023年青岛PM_2.5主控因素

来源：环境科学杂志2026年第1期北京时间：

作者：黄健彬,祁建华

单位：中国海洋大学海洋环境与生态教育部重点实验室, 青岛 266100,中国海洋大学环境科学与工程学院, 青岛 266100,中国海洋大学海洋环境与生态教育部重点实验室, 青岛 266100,中国海洋大学环境科学与工程学院, 青岛 266100

摘要：针对近年来PM_2.5浓度降低放缓的问题，基于2013~2023年青岛市PM_2.5浓度数据，结合空气污染物、气象和排放等因素，利用分阶段的可解释性机器学习模型预测其变化趋势，并探究不同政策驱动下PM_2.5生成机制及主控因素的演变. 结果显示，青岛市ρ（PM_2.5）从2013年的（56.3±43.66） μg·m-3下降到2023年的（30.2±24.50） μg·m-3，降幅达46.3%，主要由二次气溶胶的生成减少所驱动. 尤其在2017年之前，对工业和电力部门的末端治理显著减少了二次硫酸盐的生成，使PM_2.5浓度下降最快，速率为-4.33 μg·（m3·a）-1. 之后PM_2.5浓度降速放缓，可归因于硫酸盐、硝酸盐和铵盐（SNA）前体物浓度的非同步变化导致二次气溶胶对PM_2.5生成的贡献增加. 机器学习模型显示NO₂对PM_2.5的贡献率增加了约6%而SO₂的贡献可忽略，且当ρ（SO₂）≤8 μg·m-3，PM_2.5对NO₂的敏感性增强；此外，气象因素对PM_2.5的贡献率增加了约5.1%. PM_2.5浓度季节变化特征大小表现为：冬季>春季>秋季>夏季，PM_2.5浓度在夏季随年份下降最快，而受民用源一次排放增加影响，在冬季下降最慢. 因此，针对民用源控制能显著减少PM_2.5一次排放，多污染物协调排放控制策略可有效降低PM_2.5二次生成.

关键词：PM2.5,长期变化,机器学习模型,政策,主控因素,