基于机器学习方法研究气象及排放变化对长三角地区主要城市大气污染物的影响

来源：环境科学杂志2023年第1期北京时间：

作者：付文星,黄琳,丁嘉豪,秦墨梅,于兴娜,谢放尖,胡建林

单位：南京信息工程大学环境科学与工程学院, 江苏省大气环境监测与污染控制高技术研究重点实验室, 江苏省大气环境与装备技术协同创新中心, 南京 210044,南京信息工程大学环境科学与工程学院, 江苏省大气环境监测与污染控制高技术研究重点实验室, 江苏省大气环境与装备技术协同创新中心, 南京 210044,南京信息工程大学长望学院, 南京 210044,南京信息工程大学环境科学与工程学院, 江苏省大气环境监测与污染控制高技术研究重点实验室, 江苏省大气环境与装备技术协同创新中心, 南京 210044,南京信息工程大学气象灾害预报预警与评估协同创新中心, 中国气象局气溶胶与云降水重点开放实验室, 南京 210044,南京生态环境保护科学研究院, 南京 210093,南京信息工程大学环境科学与工程学院, 江苏省大气环境监测与污染控制高技术研究重点实验室, 江苏省大气环境与装备技术协同创新中心, 南京 210044

摘要：选取2015~2021年长三角地区4个代表性城市污染物浓度，利用机器学习的气象归一化方法解耦气象因素对污染物的影响，量化气象和排放对污染物浓度变化的贡献.结果表明，长三角地区PM_2.5、NO₂和SO₂排放下降影响贡献较大（57.2%~68.2%、80.7%~94.6%和81.6%~96.1%），抵消了气象因素带来的不利影响，致使污染物浓度降低.而气象条件对于臭氧日最大8 h （MDA8_O₃）的贡献强于其他污染物（23.5%~42.1%），其中气象因素促进污染物浓度上升（4.7%），排放变化促进污染物浓度下降（-3.2%）.NO₂和MDA8_O₃在2019~2021年降幅更快，主要原因是2019~2021年排放起到较2015~2018年更强的促进污染物浓度降低作用.PM_2.5和SO₂在2019~2021年的降幅较2015~2021年整体有所减弱.基于机器学习的气象归一化方法可以解耦气象对污染物的影响，量化排放变化对污染物浓度的影响，为评估污染控制政策的有效性提供了很好的研究手段.

关键词：机器学习,气象归一化,大气污染物,长期趋势,随机森林模型,