基于可解释性机器学习的广州市城区与对照站点O₃和PM_2.5污染特征及差异分析

来源：环境科学杂志2026年第1期北京时间：

作者：梁宝玲,孙启斌,张金谱,梁永健,蔡明甫,裴成磊

单位：广东省广州生态环境监测中心站, 广州 510006,广东省东莞市气象局, 东莞 523086,粤港澳大湾区气象研究院, 东莞市城市生态环境气象工程技术研究中心, 东莞 523086,广东省广州生态环境监测中心站, 广州 510006,中国科学院广州地球化学研究所有机地球化学国家重点实验室, 广东省环境资源利用与保护重点实验室, 广州 510640,广东省广州生态环境监测中心站, 广州 510006,生态环境部华南环境科学研究所, 广州 510655,广东省广州生态环境监测中心站, 广州 510006

摘要：基于2019~2023年广州市O₃和PM_2.5数据，开展城区与对照站点O₃和PM_2.5质量浓度的分布和差异特征分析. 结果表明，城区和对照站点O₃质量浓度呈现高值波动趋势，PM_2.5质量浓度下降显著，O₃和PM_2.5质量浓度在城区和对照站点差异逐渐缩小，ΔO₃与ΔPM_2.5的变化趋势从2019~2020年间的协同性逐渐转为2020~2023年的差异性. 城区和对照站点O₃月变化分别呈现双峰和三峰分布的特征，PM_2.5则一致呈现“U型”分布. 城区和对照站点O₃质量浓度呈现秋季>夏季>春季>冬季的特征，O₃质量浓度上升趋势显著且O₃质量浓度峰值出现时间延迟，由夏季转为秋季，PM_2.5质量浓度呈现冬季>秋季>春季>夏季的特征. 基于极限梯度提升（XGBoost）模型和Shapley加性解释方法（SHAP）分析结果表明，地表净太阳辐射和风速是影响城区和对照站点O₃质量浓度的最大的因素，超标天时二者贡献程度增加，对照站点对O₃前体物（NO₂）的光化学生成敏感性更为显著，NO_x减排有利于城市背景O₃质量浓度的降低. NO₂、相对湿度和CO是影响城区站点PM_2.5质量浓度的主要因素，对照站点的前3个贡献要素则是相对湿度、NO₂和风速. 敏感性分析结果进一步揭示：地表净太阳辐射≥135 W·m-2、风速≤1.8 m·s-1和高于ρ（NO₂）下限值（城区/对照站点：34/22 μg·m-3）O₃质量浓度显著增加；而在静稳条件（风速≤1.6 m·s-1）、湿度≤78%、高于ρ（NO₂）下限值（城区/对照站点：40/22 μg·m-3）和ρ（CO）下限值（城区/对照站点：0.8/0.7 mg·m-3）PM_2.5质量浓度增加显著.

关键词：广州,城区,对照站点,O3,PM2.5,差异,极限梯度提升（XGBoost）,Shapley加性解释方法（SHAP）,