位于中国东部的特大城市杭州近年来O₃污染严重，明确O₃污染形成的关键驱动因素对抑制O₃恶化至关重要。化学传输模型和传统统计方法在量化气象和排放源对O₃形成的影响上各自存在局限性。基于数据驱动方法，开发一种能够快速、准确、全面评估各个驱动因素对O₃形成影响的新方法具有重要意义，对解析杭州或其他城市O₃污染成因具有重要参考价值。

大气所王莉莉研究员团队采用可解释集成机器学习模型（EML、SHAP）和PMF源解析模型方法，探究了2021-2022年暖季不同时段（整个研究时段、臭氧污染期间和典型臭氧污染事件）气象、化学成分、排放源等因素对O₃形成的影响。

结果表明气象条件对杭州不同等级O₃污染形成的贡献率为57%~60%，最主要的驱动因素为相对湿度和辐射。臭氧形成对VOCs和PM_2.5呈正响应，对NOx呈负响应。VOCs物种中OVOCs（含氧挥发性有机物）、烯烃和芳香族对臭氧形成的贡献最大，机动车尾气（35%）、生物质燃烧（16%）和生物排放源（12%）是主要的排放驱动因素。在O₃污染期间，生物质燃烧和生物排放源的影响增加，尤其在O₃浓度最高的持续污染事件中，生物排放源的SHAP值较整体情况显著提升了156%，对O₃形成的影响不可忽视，所以应加强O₃污染事件中人为和自然排放协同调控的研究。研究结果表明，EML与SHAP相结合的可解释集成机器学习模型可以为快速诊断不同时间尺度下的O₃污染原因提供可靠的方法，为制定O₃控制措施提供科学支持。

集成机器学习模型结合SHAP解析影响臭氧形成的驱动因素示意图

上述研究成果发表于Science of the Total Environment上，文章得到国家重点研发计划（2022YFE0136100）和浙江省生态环境大数据重点实验室开放基金资助。

文章链接：

Zhang Lei,Wang,Lili*,Ji Dan,et al. Explainable ensemble machine learning revealing the effect of meteorology and sources on ozone formation in megacity Hangzhou,China. The Science of the total environment, 2024,922:171295. https://doi.org/10.1016/j.scitotenv.2024.171295.