基于可解释性机器学习的西安市臭氧浓度影响因子分析

来源：环境科学杂志2026年第1期北京时间：

作者：黄蕾,陈欣昊,白庆梅,杨亦典,王一格,吴昊候,高宇星

单位：陕西省西安市气象局, 西安 710016,陕西省西安市气象局, 西安 710016,陕西省西安市气象局, 西安 710016,陕西省西安市气象局, 西安 710016,陕西省西安市气象局, 西安 710016,广东省气象台, 广州 510640,陕西省西安市气象局, 西安 710016

摘要：基于 2020~2024年西安市大气污染物与气象监测数据，利用XGBoost等机器学习模型，结合 SHAP 可解释性算法，量化解析了臭氧（O₃）浓度的关键影响因子. 结果表明，XGBoost模型预测性能较优，R2达0.92，平均绝对误差（MAE）为9.52 μg·m-3、均方根误差（RMSE）为13.19 μg·m-3，同时对高浓度O₃（>160 μg·m-3）预测的离散度明显低于其他模型. 通过SHAP模型分析显示，气象因素对O₃的生成起主导作用，其贡献率为61.7%，其中气温、相对湿度、太阳辐射和海平面气压为主要驱动因子；大气污染物贡献率为39.3%，其中二氧化氮（NO₂）贡献率为73.8%. 各因素对O₃生成贡献的季节差异表现为夏季高温主导（气温贡献率为36.4%），冬季则因供暖排放导致NO₂增多起主要贡献，贡献率达30.2%. 气温、太阳辐射和PM_2.5与O₃呈非线性正相关，NO₂和相对湿度与O₃呈非线性负相关. 气温>20℃，ρ（NO₂）<17 μg·m-3，相对湿度<65%，太阳辐射> 1×105 J·m-2，ρ（PM_2.5）在100~200 μg·m-3时对O₃生成的正向贡献显著. 白天时段太阳辐射和气温，协同激活光化学反应，NO₂光解转为前体物，共同驱动O₃增长，对应 SHAP 散点的 “高贡献区间” 与日变化图的 “峰值时段”，而PM_2.5对O₃的正向贡献在中午前后（11：00~15：00）较显著，其他时段则转为负向影响.

关键词：臭氧（O3）,机器学习,XGBoost模型,影响因子,SHAP模块,