2024, Vol. 45
2. 上海建科环境技术有限公司, 上海 200030;
3. 滁州市生态环境局, 滁州 239000;
4. 滁州市生态环境保护综合行政执法支队, 滁州 239000
, LÜ Lian-hong1
, WANG Pei2 , LI Wei3 , WANG Lei4 , ZHOU Chun2 , DONG Jing-jing1 , WANG Si-yi1
2. Shanghai Jianke Environmental Technology Co., Ltd., Shanghai 200030, China;
3. Chuzhou Ecological Environment Bureau, Chuzhou 239000, China;
4. Chuzhou Ecological Environment Protection Comprehensive Administrative Law Enforcement Detachment, Chuzhou 239000, China
臭氧（O3）是区域性大气污染的重要标志物, 近地面高浓度的O3对人体健康、生态环境和农业生产等都会造成严重的负面影响[1~3].生态环境部发布的2016~2022年《中国生态环境状况公报》显示, 我国城市的O3污染问题日益突出, O3浓度和超标天数均显著增长.因此, 深入分析O3时空污染特征及其成因机制, 探究其发生规律和关键影响因子, 对城市空气质量的改善、O3污染防治和区域联防联控具有重要意义.
O3污染的形成机制复杂, 与前体物排放存在高度的非线性关系, 与可吸入颗粒物、SO2等主要大气污染物表现出一定的协同性, 同时易受气象要素和区域传输的综合影响, 呈现出复杂多变的时空特征[4~6].研究O3污染的变化特征及其成因是开展O3污染精细化防控的基础.近年来, 国内外学者多采用基于观测的统计分析或基于模式的情景分析等方法对臭氧污染的时空变化特征和影响因子进行研究[7~10], 结果表明, 在排放源相对稳定的情况下, O3污染受气象要素影响显著[11~13], 且与其他大气污染物浓度显著相关[14~16].例如, Kuo等[17]认为NOx与O3浓度显著负相关, 不同时期气象要素对O3的影响存在差异. Ooka等[18]采用实测分析与数值模拟相结合的方法得出日本关东地区约84%的臭氧浓度变化可由季节平均日最高气温和季节平均风速的变化来解释.刘杰等[19]指出山东省O3浓度存在明显的时空差异, 气温、相对湿度及氮氧化物对O3年际变化贡献较大.
当前研究表明, 不同地区的O3污染特征存在显著差异, 不同时期的O3与气象要素、其他污染物的相关程度差异较大；对O3污染特征、影响因子的研究多侧重年际、省际或城市群的尺度[20, 21], 较少针对某一城市在多时间尺度（小时、月际、季度和年际尺度）、多空间尺度（区县市）及多影响因素（气象因素、工业及生活污染物浓度）进行全方位、多层次的探究, 同时缺乏对关键影响因子的识别研究, 从而未能揭示不同月份、季度、年际尺度下各影响因子对O3的影响规律与差异, 不利于O3污染的精准防控.
本研究以滁州市为例, 对滁州市O3时空变化特征进行分析, 揭示不同尺度下O3浓度的变化规律, 分析规律成因.有研究指出, O3和气象、污染物具有复杂非线性的关系[22~24], 因此采用斯皮尔曼（Spearman）相关分析和随机森林（random forest）回归模型的方法定量研究年际、月际双尺度下多影响因子与O3的相关程度与影响强度, 并识别不同年际与月际尺度下的O3关键影响因子, 以期为滁州市及O3污染典型地区在不同月份和季度开展O3精细化、差异化防控提供科学依据.
1 材料与方法 1.1 研究区域滁州市位于安徽省东部（东经31°51′~33°13′, 北纬117°09′~119°13′）, 位于长江中下游平原, 地处苏皖交界, 东临扬州, 西临合肥, 南临南京, 北邻蚌埠, 是长三角城市中的一员. 滁州市是安徽省重要的工业城市之一, 是国家级“皖江城市带承接产业转移示范区”第一站, 经济增速与总量位居安徽省前列.独特的地理位置和气候类型导致滁州市成为污染传输的过渡区, 既受到华北平原传输影响, 又受到长三角的输送影响, 混合型污染特征突出, O3污染问题尤为显著[25].
1.2 数据来源本文应用数据包括环境空气质量监测数据和气象数据.环境空气质量监测数据来源于安徽省环境空气监测管理平台, 相关数据根据《环境空气质量标准》（GB 3095-2012）和《环境空气质量评价技术规范（试行）》（HJ 663-2013）等规范标准在监测数据的基础上计算得出, 包括O3-8h、SO2、NO2、PM10、PM2.5、CO的日际、月际、年际浓度数据及O3的小时浓度数据, 以O3日最大8 h滑动平均值（O3-8h）为O3日评价浓度, O3-8h的第90百分位数（O3-8h-90%）为某时间段（年、季、月）O3评价浓度, 当ρ（O3-8h）或ρ（O3-8h-90%）超过160 μg·m-3则分别视为当日或该时间段O3浓度超标[26, 27]；气象数据来源于国家气象科学数据中心（http://data.cma.cn/）的每小时监测数据, 包括温度、降水量、风速、风向、相对湿度和气压.
1.3 研究方法随机森林（random forest）模型是由Breiman在2001年提出来的一种基于分类树的机器学习算法, 该模型可用于处理非线性关系、分类、回归、高阶相关和评估变量的重要性等领域[28, 29], 在筛选一些复杂多变的因素方面具有准确的预测能力, 可解释性强, 能够有效回避变量共线性及过拟合问题, 适用于解决涉及多尺度、多要素复杂系统的O3污染问题[30, 31].
随机森林回归属于集成学习法中的Bagging类算法, 通过组合多个决策树来实现回归任务.本研究中, 将O3浓度作为因变量, 气象和污染物等影响因子作为解释变量, 通过R语言软件中的“randomForest”包, 将数据按1∶3的比例划分为测试集和训练集, 使用Bootstrap重抽样法从训练集中抽取多个样本, 对每一个被抽取的样本进行决策树建模, 组成多颗决策树进行预测, 经测试集检验后, 将内部多个决策树的预测结果取平均得到最终预测结果（图 1）.
|
图 1 随机森林回归流程 Fig. 1 Random forest regression process |
根据随机森林回归结果, 绘制O3与影响因子的偏依赖图（PDP）, 用来分析O3对各影响因子的响应机制和阈值效应, 偏依赖函数的定义如下：
|
(1) |
式中, xs为偏依赖图需要绘制的变量, XC为除xs外模型f中的其他变量, 偏依赖图的原理是在集合C中的特征分布上边际化模型的输出, 以此来体现集合S的特征与预测结果间的关系[32].
本文中偏依赖函数采用蒙特卡罗方法通过计算训练集中的平均值得出, 计算公式如下：
|
(2) |
式中, ，XC(i)为除集合S外其他变量在数据集中的真实取值, n为数据集中的实例数.
进一步采用MDA（mean decrease accuracy）方法评估各影响因子的重要性, 其原理为对每一个变量随机赋值, 如果该变量更为重要, 那么其被随机替换后模型预测的误差会增大.因此, 该值越大表示该变量重要性越大, 用“IncMse%（均方误差增加量%）”指标衡量各影响因子对O3的重要程度, 该指标计算公示如下：
|
(3) |
式中, imi为IncMSE%, IncMSE%越大重要性越高；Sxi为在nt棵回归树的随机森林中被Xi分裂的节点集合（本文nt = 500）；Gain（Xi, v）为Xi在分裂节点v的基尼信息增益, 用于识别最大信息增益的预测变量[33].
2 结果与讨论 2.1 滁州市O3时间变化特征 2.1.1 O3浓度年变化特征对滁州市2015年1月至2023年8月的O3-8h-90%及月超标天数变化趋势分析发现（图 2）, 滁州市的O3污染问题始于2016年4月, 首次出现O3-8h-90%浓度超标的情况.2016~2022年O3污染程度有所加强, 发生污染的月份提前, 污染持续时间拉长, 月超标天数变化趋势呈单峰状, 高值区域集中出现在5~9月.年度总超标天数由2016年的20 d增加至2019年的51 d, 2020年和2021年疫情防控下生产经营活动减少导致O3超标天数有所下降, 在2022年又升至52 d, 超标率为14%, 远超2022年国家平均超标率6%[34].
|
图 2 滁州市O3浓度及超标天数月变化 Fig. 2 Monthly variations in O3 concentrations and exceeding days in Chuzhou City |
滁州市O3浓度月均值变化趋势呈“M”型（图 3）, 1~6月O3-8h-90%呈直线上升趋势, 7~9月再次小幅攀升后呈直线下降趋势；4~10月O3-8h-90%处于较高水平, 均出现过月O3浓度超标的情况, 其中6~7月出现小幅下降和相对低值, 结合滁州市气象条件分析（表 1）, 滁州在6月中下旬至7月上旬进入梅雨期, 相对湿度和降水量增加, 太阳辐射减弱, O3-8h-90%呈现短期下降趋势.7月下旬至9月下旬, 降雨量逐渐降低, O3-8h-90%再次上升, 但温度整体呈下降趋势, 因此上升幅度不大.各月O3-8h-90%最小值均出现在2015年, 最大值多出现在2017年（2次）、2019年（2次）、2020年（2次）、2022年（3次）, 6月和9月为两个高值月份, 其中5月和6月ρ（O3-8h-90%）均超过国家二级标准浓度限值160 μg·m-3, 依次为161 μg·m-3和177 μg·m-3, 是O3污染高发和易发月份.根据严文莲等[35]、王敏等[36]和陈兴[37]的研究结果, 南京、合肥和蚌埠等地O3浓度月变化趋势同样呈“M”型, 说明周边城市与滁州市的O3污染特征可能存在一定的相似性和关联性.
|
图 3 2015~2022滁州市O3浓度月均变化 Fig. 3 Monthly mean variations in O3 concentration in Chuzhou City from 2015 to 2022 |
|
表 1 2015~2022年滁州市气象要素月均变化 Table 1 Monthly mean variations in meteorological elements in Chuzhou from 2015 to 2022 |
2.1.3 O3浓度日变化特征
对2022年各季O3浓度小时均值展开分析（图 4）, 分析滁州市O3的日变化特征, 为当下的污染防控提供理论支撑.O3浓度的日变化特征具有一定的周期性, 4个季节O3浓度的日变化趋势基本相似, 呈显著单峰分布特征.将研究时间划分为白天（06：00~18：00）和夜晚（18：00~次日06：00）两个时间段进行分析, 夏季和秋季的O3浓度在07：00达到峰谷后开始逐渐上升, 秋季和冬季在08：00达到峰谷, 比春夏两季峰谷时间推后1 h. 根据相关研究结论表明, 温度和日照对O3浓度有显著影响[38, 39], 滁州市春、冬季日出晚于夏、秋两季, 温度较低, 因此O3波谷时间向后推迟1 h. 随着太阳辐射增强, 温度升高, O3浓度在15：00~16：00达到峰值, 之后随着太阳辐射减弱而不断减弱.分季节来看, 各小时O3浓度表现出明显的季节差异, 为：夏季＞秋季＞春季＞冬季, 这种差异在05：00~09：00时间段较为微弱, 夏冬两季最小差值出现在06：00为31.75 μg·m-3, 在15：00~19：00时间段较为显著, 夏冬两季最大差值出现在19：00为79.72 μg·m-3.
|
图 4 2022年滁州市O3浓度小时均值变化 Fig. 4 Hourly mean variations in O3 concentration in Chuzhou City in 2022 |
滁州市下辖2区（琅琊区、南谯区）、4县（来安县、全椒县、定远县、凤阳县）和2市（天长市、明光市）, 从2020~2023年滁州市O3浓度空间变化来看（图 5）, 滁州市O3浓度呈明显的地区性和季节性差异.琅琊区和南谯区是ρ（O3⁃8h-90%）年均值最高的两个区, 依次为144.19 μg·m-3和145.89 μg·m-3, 同时, 其人均GDP也在8个县市区中排名最高, 依次为8.58万元和8.02万元, 滁州市的O3-8h-90%浓度与区域范围内的经济水平、生产经营活动存在一定关联.2020~2022年各区县市O3-8h-90%浓度都有不同程度的变化, 南谯区和来安县小幅下降, 明光市ρ（O3-8h-90%）增长14.92 μg·m-3, 增幅最大.2020~2023年各区县市O3-8h-90%浓度的季节变化趋势较为一致, 夏季为O3污染高发期；从变化幅度来看, 2020~2022年明光市各季O3-8h-90%浓度均有不同程度上升, 来安县春夏秋3季有不同程度下降, 除来安县和南谯区以外, 各区县市夏季O3浓度均有所上升, 说明各区县市污染特征、O3影响因子存在一定差别, 导致年变化幅度和季节变化幅度出现差异, 在整体防控的基础上, 应对琅琊区、南谯区和明光市等常年O3-8h-90%浓度较高或近几年增幅较高的区县市进行更有针对性地O3防治部署.
|
图 5 2020~2023年滁州市O3浓度空间变化 Fig. 5 Spatial changes in O3 in Chuzhou City from 2020 to 2023 |
使用R语言软件构建随机森林回归模型对2022年全年的O3小时浓度、其他污染物小时浓度、气象要素的小时数据进行分析, 并结合Spearman相关分析分别得到O3与污染物、气象要素的相关分析与影响强度的复合热图（图 6和图 7）用来研究污染物及气象因子与O3的相关程度与重要程度.其中, “解释率”指标为随机森林回归中的“Var explained%（方差解释率）”, 反映各影响因子对O3浓度影响的整体解释率；“重要性/%”指标为“IncMse%（均方误差增加量%）”, 通过空心圆的大小反映各影响因子对O3浓度变化的重要性程度, 在图 6和图 7中仅显示相关分析中P值＜0.05的影响因子的重要性指标[40].
|
图 6 2022年滁州市O3与污染物关系月变化 Fig. 6 Monthly changes in the relationship between O3 and pollutants in Chuzhou City in 2022 |
|
图 7 2022年滁州市O3与气象关系月变化 Fig. 7 Monthly changes in the relationship between O3 and meteorology in Chuzhou City in 2022 |
总的来看, 不同月份污染物及气象要素对O3的解释率差异较小（表 2）, 2022年污染物和气象对O3的总解释率为90.53%, O3与气象及污染物浓度关联性极高, 其中气象解释率为75.68%, 污染物解释率为66.51%, 滁州市当前O3污染更易受气象要素的影响.
|
|
表 2 污染物及气象对O3的解释率/% Table 2 Interpretation of O3 by pollutants and meteorology/% |
各污染物浓度与O3浓度显著正相关.其中SO2、PM10和PM2.5的重要性指标较大, 除SO2外, 其他污染物浓度均与O3浓度负相关, 其中NOx的相关系数最大.不同月份的O3浓度与污染物浓度的相关性及重要性呈现出较大差异, 并表现出一定的规律性.1月污染物对O3浓度的解释率达到80.88%, 为全年最高值, 各污染物均与O3浓度显著负相关, 对O3影响最大的是SO2. 2~5月, SO2和O3在该时间段内易受到同源排放和气象条件的影响, SO2对O3浓度变为显著正相关且重要性指标较大. 6~9月, 污染物对O3的解释率较低, O3浓度与SO2浓度不相关, 与PM2.5和PM10显著正相关且相关系数较大并随时间呈减小趋势, PM2.5和PM10的重要性指标也较大, 该时期, O3浓度更易受可吸入颗粒物的影响. 9~12月, NOx和NO2重要性指标较大, 其余存在显著相关关系的各污染物对O3重要性的影响较为平均. 1~12月, NO和NOx对O3浓度均有显著的负相关性, 进一步验证了滁州市O3浓度与氮氧化物的关系符合光化学反应机制和化学反应动力学的特征；PM2.5和PM10在6~9月与O3浓度显著正相关且重要性指标较大, 说明颗粒物浓度对O3浓度的影响比其他污染物更显著, 而在1~3月和10~12月, PM2.5和PM10与O3呈现出不同程度的负相关, 这一现象验证了颗粒物与O3之间复杂的交互作用, 颗粒物通过大气动力学和光解速率对不同季节O3浓度的影响有较大差异[41].
相对湿度、温度和风速对O3的影响强度较大, 重要性指标较高, 且相关系数较大, 气压与小时降雨与O3的相关性较弱.相对湿度的重要性指标最大, 高相对湿度导致的消光机制会减弱太阳辐射的强度, 有利于植物对O3的干沉降作用及水汽与自由基参与O3分解反应, 因此, 相对湿度与O3呈显著的负相关关系, 这种关系在夏季更为显著[42]. 1~12月, 温度与O3均显著正相关且相关系数较大, 在秋季时相关程度最大, 一方面温度可以有效反映太阳辐射的强弱, 因此太阳辐射越强, 温度越高, O3前体物光化学反应越快, O3浓度升高, 另一方面O3积累所产生的温室效应越严重, 温度上升越高.风速对O3的影响体现在风速的大小对大气区域传输作用和消除稀释作用两方面, 1~12月, 滁州市O3与风速均显著正相关, 说明风速对O3的传输作用大于稀释作用, 结合滁州市的地理位置进行分析, 南京、合肥和蚌埠等周边工业密集型城市的大气传输作用可能易造成滁州市O3浓度升高.
2.3.2 2019~2023年O3与气象及污染物要素的关系通过2019~2023年的日气象及污染物浓度数据（其中2023年数据截至到8月31日）, 进一步分析得到2019~2023年滁州市O3与气象及污染物关系变化趋势（图 8）.
|
图 8 2019~2023年滁州市O3与气象及污染物关系 Fig. 8 Relationship between O3 and meteorology and pollutants in Chuzhou City from 2019 to 2023 |
2019~2023年, 污染物对O3的解释率由2019年的85.56%降低至2023年的26.99%, 而气象对O3的解释率由41.1%升高至73.43%, 一定程度说明污染物对O3的影响力呈减弱趋势, 未来滁州市O3主要受控于气象要素的变化.滁州市政府于2020年制定“战臭氧保优良”空气质量提升行动方案, 近年来将工业企业产生的污染物的排查整治作为重点, 通过加强源头管理和过程控制、依法实施末端处理, 有效削减了O3主要前体物的排放, 污染物对O3解释率的降低印证了滁州市开展O3防治工作的有效性.
气象要素中, 温度和相对湿度对O3的重要性指标显著大于其他气象要素, 是影响O3浓度的关键影响因子. 2020年开始, 气压与O3显著负相关且相关程度较大, 重要性指标仅次于温度和相对湿度, 气压较低时, O3由四周向低压中心的传输作用使O3积聚, 导致O3浓度升高.
2019~2023年, 除SO2外, 其他污染物与O3相关性的显著水平一般, 污染物与O3的相关性较差.自2021年起, SO2与O3显著相关且相关系数呈上升趋势, 滁州市应注意防控SO2浓度升高带来的O3污染问题.
2.4 气象和污染物关键影响因子的识别与分析通过对气象要素和污染物与O3的重要性分析可以识别出O3的关键影响因子. 根据随机森林回归结果IncMse%（均方误差增加量%）的大小衡量各影响因子对O3的重要性, 因此气象要素的关键影响因子为相对湿度、温度和风速；污染物要素的关键影响因子为SO2、PM10和PM2.5.
对关键影响因子构建随机森林回归模型并进行回归分析, 在R中使用“partialPlot”函数绘制O3与气象和污染物2项指标6个影响因子的偏依赖图（图 9和图 10）, 反映O3浓度与各影响因子之间的响应关系. 结果表明, 各影响因子与O3浓度之间存在显著的非线性关系, 温度和相对湿度对O3浓度的影响幅度最大, 污染物浓度次之、风速对O3浓度的影响幅度最小.
|
图 9 污染物影响因子偏依赖 Fig. 9 Partial dependence plot of meteorological impact factors |
|
图 10 气象影响因子偏依赖 Fig. 10 Partial dependence plot of air pollutants impact factors |
PM10和PM2.5浓度对O3浓度的影响相似, 呈先升后降再趋于平稳的趋势[图 9（a）和9（b）], 但变化幅度和突变阈值有所差异.当ρ（PM10）＜80 μg·m-3和ρ（PM2.5）＜25 μg·m-3, 二者与O3表现出较强的线性增长关系, O3浓度对PM10浓度变化的响应更显著；当ρ（PM10）位于（80 μg·m-3, 100 μg·m-3）、ρ（PM2.5）位于（25 μg·m-3, 100 μg·m-3）的区间时, O3浓度显著下降, 对PM2.5浓度变化的响应更显著；ρ（PM10）和ρ（PM2.5）均大于100 μg·m-3时, O3浓度在不同水平趋于平稳, 对二者的响应趋势表现出一致性.有关研究表明, 由于颗粒物与O3间复杂的作用机制, 不同地区颗粒物与O3间相互作用形式与表征不尽相同[43].结合滁州市O3对可吸入颗粒物的响应机制进行分析, 可吸入颗粒物浓度较低时, O3的高活跃状态促进二次粒子的产生, 从而促进了可吸入颗粒物浓度的升高；当可吸入颗粒物浓度进一步升高时, 其对太阳辐射的吸收和散射作用使光化学反应减弱, 从而在一定程度上抑制O3生成, 使O3浓度降低后趋于平稳[44, 45]. SO2浓度对O3浓度的影响呈先上升后平稳的趋势, ρ（SO2）＜15 μg·m-3时, 与O3表现出较强的协同增长趋势, O3与SO2的同源性可能是造成此现象的原因, 超过这一阈值后, O3浓度在高点趋于平稳.
2.4.2 气象要素温度和相对湿度对O3浓度的影响与Spearman相关分析一致, 二者都是通过对太阳辐射强度的影响从而对O3浓度产生影响.整体来看, 温度升高对O3生成有促进作用, 这一作用在温度位于（0℃, 31℃）的区间时尤为显著, 平均温度升高10℃, ρ（O3-8h-90%）升高26 μg·m-3；相对湿度的升高对O3生成有抑制作用, 当相对湿度位于（41%, 100%）的区间时, 平均相对湿度上升10%, ρ（O3-8h-90%）下降12.9 μg·m-3.风速对O3呈“波动增长-平稳”型, 对O3浓度的作用强度较弱.
3 结论（1）滁州市O3污染程度有加重趋势, 不同时间尺度的O3浓度有显著差异. 2016~2022年O3污染程度有所加强, 表现为发生污染的月份提前, 污染持续时间拉长. O3浓度的月变化特征呈“M”型, 6月和9月为高值月份, 4~10月均有O3浓度超标的风险.由于气象条件的不同, 不同季节O3日浓度变化表现出夏季＞秋季＞春季＞冬季的显著趋势, 日浓度的峰值出现在15：00~16：00.
（2）滁州市O3浓度分布呈“东南高-西北低”的空间格局, 并表现出明显的区域和季节差异.琅琊区和南谯区O3污染和经济要素表现出一定的相关性, O3浓度和人均GDP均为全市最高. 2020~2023年, 南谯区和来安县的O3浓度得到一定程度控制, 呈减弱趋势, 其他区县市O3浓度都有不同程度的增长.各区县市O3浓度的季节变化较为一致, 表现为“夏秋高, 春冬低”.
（3）2022年, O3与各污染物浓度显著相关, 不同月份污染物浓度与O3浓度的相关性及重要性的大小有显著差异. 除SO2外, 其他污染物浓度均与O3浓度负相关.不同月份的O3浓度与污染物的相关性及重要性呈现出较大的差异, 并表现出一定的规律性, 2~5月, SO2对O3浓度的增强作用突出, 6~9月, PM2.5和PM10与O3显著正相关且相关系数逐渐减小, 9~12月, NOx和NO2对O3的抑制作用突出.说明滁州市O3污染形势的加剧是多种污染物的复合作用造成的, 其中O3污染高风险月份6~9月O3浓度的上升可能是由颗粒物浓度上升所引起, 因此, 应注重O3与颗粒物的联防联控.
（4）气象要素中, 相对湿度、温度和风速对O3的影响较大, 气压与小时降雨对O3的影响较弱.温度和相对湿度都通过太阳辐射强度进而影响O3浓度, 前者对O3有促进作用, 后者对O3起抑制作用, 且在不同月份的作用强度不同.风速与O3浓度显著正相关, 但影响较弱.在预防O3污染时, 重点关注相对湿度和温度的同时要注重周边城市对O3的大气传输作用.
（5）滁州市对O3的防治工作起到一定成效, O3污染机制已由“污染物主控型”变为“气象主控型”. 污染物对O3的解释率由2019年的85.56%降低至2023年的26.99%, 而气象对O3的解释率由41.1%升高至73.43%, 说明污染物对O3的影响力呈减弱趋势, 未来滁州市O3主要受控于气象要素的变化.
（6）根据IncMse%（均方误差增加量%）的大小从12个影响因子中识别出气象要素和污染物中对O3影响最大的6个指标依次为：温度、风速和相对湿度、PM10、PM2.5和SO2.通过对偏依赖图进行阈值效应分析和响应机制分析发现, 6个指标与O3浓度均存在显著的非线性关系, 并存在不同的响应机制和阈值, 气象要素对O3的影响幅度最大, 其中, 平均温度升高10℃, ρ（O3-8h-90%）升高26 μg·m-3, 平均相对湿度上升10%, ρ（O3-8h-90%）下降12.9 μg·m-3.
| [1] | Turner M C, Jerrett M, Pope Ⅲ C A, et al. Long-term ozone exposure and mortality in a large prospective study[J]. American Journal of Respiratory and Critical Care Medicine, 2015, 193(10): 1134-1142. |
| [2] | Yi F J, Jiang F, Zhong F N, et al. The impacts of surface ozone pollution on winter wheat productivity in China - An econometric approach[J]. Environmental Pollution, 2016, 208: 326-335. DOI:10.1016/j.envpol.2015.09.052 |
| [3] | Cox B, Gasparrini A, Catry B, et al. Ambient air pollution-related mortality in dairy cattle: does it corroborate human findings?[J]. Epidemiology, 2016, 27(6): 779-786. DOI:10.1097/EDE.0000000000000545 |
| [4] | Pollack I B, Ryerson T B, Trainer M, et al. Airborne and ground-based observations of a weekend effect in ozone, precursors, and oxidation products in the California South Coast Air Basin[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D21). DOI:10.1029/2011jd016772 |
| [5] |
伍永康, 陈伟华, 颜丰华, 等. 不同传输通道下珠江三角洲臭氧与前体物非线性响应关系[J]. 环境科学, 2022, 43(1): 160-169. Wu Y K, Chen W H, Yan F H, et al. Nonlinear response relationship between ozone and precursor emissions in the Pearl River Delta region under different transmission channels[J]. Environmental Science, 2022, 43(1): 160-169. DOI:10.3969/j.issn.1000-6923.2022.01.018 |
| [6] |
李光耀, 陈强, 郭文凯, 等. 基于正交试验的臭氧及其前体物的非线性响应及控制方案[J]. 环境科学, 2021, 42(2): 616-623. Li G Y, Chen Q, Guo W K, et al. Nonlinear response characteristics and control scheme for ozone and its precursors based on orthogonal experimental methods[J]. Environmental Science, 2021, 42(2): 616-623. |
| [7] | Wang N, Lyu X P, Deng X J, et al. Assessment of regional air quality resulting from emission control in the Pearl River Delta region, southern China[J]. Science of the Total Environment, 2016, 573: 1554-1565. DOI:10.1016/j.scitotenv.2016.09.013 |
| [8] | Li K, Jacob D J, Liao H, et al. Anthropogenic drivers of 2013-2017 trends in summer surface ozone in China[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(2): 422-427. |
| [9] |
林鑫, 仝纪龙, 王伊凡, 等. 基于CMAQ和HYSPLIT模式的日照市夏季臭氧污染成因和来源分析[J]. 环境科学, 2023, 44(6): 3098-3107. Lin X, Tong J L, Wang Y F, et al. Analysis of causes and sources of summer ozone pollution in Rizhao based on CMAQ and HYSPLIT models[J]. Environmental Science, 2023, 44(6): 3098-3107. |
| [10] | Meng X, Wang W D, SHI S, et al. Evaluating the spatiotemporal ozone characteristics with high-resolution predictions in Mainland China, 2013-2019[J]. Environmental Pollution, 2022, 299. DOI:10.1016/j.envpol.2022.118865 |
| [11] |
颜丰华, 陈伟华, 常鸣, 等. 珠江三角洲大气光化学氧化剂(Ox)与PM2.5复合超标污染特征及气象影响因素[J]. 环境科学, 2021, 42(4): 1600-1614. Yan F H, Chen W H, Chang M, et al. Characteristics and meteorological factors of complex nonattainment pollution of atmospheric photochemical oxidant (Ox) and PM2.5 in the Pearl River Delta Region, China[J]. Environmental Science, 2021, 42(4): 1600-1614. |
| [12] |
王旭东, 尹沙沙, 杨健, 等. 郑州市臭氧污染变化特征、气象影响及输送源分析[J]. 环境科学, 2021, 42(2): 604-615. Wang X D, Yin S S, Yang J, et al. Characteristics, meteorological influences, and transport source of ozone pollution in Zhengzhou City[J]. Environmental Science, 2021, 42(2): 604-615. |
| [13] |
洪莹莹, 翁佳烽, 谭浩波, 等. 珠江三角洲秋季典型O3污染的气象条件及贡献量化[J]. 中国环境科学, 2021, 41(1): 1-10. Hong Y Y, Weng J F, Tan H B, et al. Meteorological conditions and contribution quantification of typical ozone pollution during autumn in Pearl River Delta[J]. China Environmental Science, 2021, 41(1): 1-10. DOI:10.3969/j.issn.1000-6923.2021.01.001 |
| [14] |
杨溟鋆, 王咏薇, 张丹, 等. 重庆臭氧时空分布特征及其污染成因的初步分析[J]. 环境科学学报, 2021, 41(12): 5026-5037. Yang M J, Wang Y W, Zhang D, et al. A preliminary analysis of the characteristics of ozone and the cause of its pollution in Chongqing[J]. Acta Scientiae Circumstantiae, 2021, 41(12): 5026-5037. |
| [15] |
陈婉莹, 陈懿昂, 褚旸晰, 等. 珠三角地区臭氧来源特征的数值模拟研究[J]. 环境科学学报, 2022, 42(3): 293-308. Chen W Y, Chen Y A, Chu Y X, et al. Numerical simulation of ozone source characteristics in the Pearl River Delta region[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 293-308. |
| [16] | Cheng N L, Li R Y, Xu C X, et al. Ground ozone variations at an urban and a rural station in Beijing from 2006 to 2017: trend, meteorological influences and formation regimes[J]. Journal of Cleaner Production, 2019, 235: 11-20. DOI:10.1016/j.jclepro.2019.06.204 |
| [17] | Kuo Y M, Chiu C H, Yu H L. Influences of ambient air pollutants and meteorological conditions on ozone variations in Kaohsiung, Taiwan[J]. Stochastic Environmental Research and Risk Assessment, 2015, 29(3): 1037-1050. DOI:10.1007/s00477-014-0968-2 |
| [18] | Ooka R, Khiem M, Hayami H, et al. Influence of meteorological conditions on summer ozone levels in the central Kanto area of Japan[J]. Procedia Environmental Sciences, 2011, 4: 138-150. DOI:10.1016/j.proenv.2011.03.017 |
| [19] |
刘杰, 王明飞, 邓建明, 等. 山东省AQI、颗粒物和臭氧时空演化特征及关键影响因素识别分析[J]. 环境科学研究, 2023, 36(2): 273-284. Liu J, Wang M F, Deng J M, et al. Temporal and spatial evolution patterns of AQI, particulate matter, and ozone in Shandong Province and key influencing factors[J]. Research of Environmental Sciences, 2023, 36(2): 273-284. |
| [20] | Zhang W, Zou Y, Zheng X D, et al. Characteristics of the vertical distribution of tropospheric ozone in late autumn at Yangjiang station in Pearl River Delta (PRD), China. Part Ⅰ: observed event[J]. Atmospheric Environment, 2021, 244. DOI:10.1016/j.atmosenv.2020.117898 |
| [21] |
李飞, 孔少杰, 屈志光, 等. 中国臭氧时空分异及热点城市群气象关联特征[J]. 中国环境科学, 2023, 43(4): 1539-1549. Li F, Kong S J, Qu Z G, et al. Spatiotemporal differentiation of ozone pollution in Chinese cities and meteorological correlation among the identified hot urban agglomeration during 2018 to 2020[J]. China Environmental Science, 2023, 43(4): 1539-1549. |
| [22] |
曹庭伟, 吴锴, 康平, 等. 成渝城市群臭氧污染特征及影响因素分析[J]. 环境科学学报, 2018, 38(4): 1275-1284. Cao T W, Wu K, Kang P, et al. Study on ozone pollution characteristics and meteorological cause of Chengdu-Chongqing urban agglomeration[J]. Acta Scientiae Circumstantiae, 2018, 38(4): 1275-1284. |
| [23] | Liu C Q, Shi K. A review on methodology in O3-NOx-VOC sensitivity study[J]. Environmental Pollution, 2021, 291. DOI:10.1016/j.envpol.2021.118249 |
| [24] |
欧林冲, 陈伟华, 伍永康, 等. 中国高温下臭氧抑制事件的时空特征及其影响因素[J]. 环境科学, 2023, 44(12): 6586-6597. Ou L C, Chen W H, Wu Y K, et al. Spatio-temporal characteristics and influencing factors of ozone suppression events under high temperature in China[J]. Environmental Science, 2023, 44(12): 6586-6597. |
| [25] |
程龙, 董昊, 王含月, 等. 滁州市臭氧污染特征及一次连续臭氧污染过程分析[J]. 中国环境监测, 2022, 38(5): 47-55. Cheng L, Dong H, Wang H Y, et al. Analysis of characteristics of ozone pollution and a continuous ozone pollution process in Chuzhou[J]. Environmental Monitoring in China, 2022, 38(5): 47-55. |
| [26] | GB 3095-2012, 环境空气质量标准[S]. |
| [27] | HJ 663-2013, 环境空气质量评价技术规范(试行): [S]. |
| [28] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [29] | Lam K L, Cheng W Y, Su Y T, et al. Use of random forest analysis to quantify the importance of the structural characteristics of beta-glucans for prebiotic development[J]. Food Hydrocolloids, 2020, 108. DOI:10.1016/j.foodhyd.2020.106001 |
| [30] | Lozano F J, Suárez-Seoane S, Kelly M, et al. A multi-scale approach for modeling fire occurrence probability using satellite data and classification trees: a case study in a mountainous Mediterranean region[J]. Remote Sensing of Environment, 2008, 112(3): 708-719. DOI:10.1016/j.rse.2007.06.006 |
| [31] | Amatulli G, Rodrigues M J, Trombetti M, et al. Assessing long-term fire risk at local scale by means of decision tree technique[J]. Journal of Geophysical Research Biogeosciences, 2006, 111(G4). DOI:10.1029/2005jg000133 |
| [32] |
余文梦, 张婷婷, 沈大军. 基于随机森林模型的我国县域碳排放强度格局与影响因素演进分析[J]. 中国环境科学, 2022, 42(6): 2788-2798. Yu W M, Zhang T T, Shen D J. County-levelspatial pattern and influencing factors evolution of carbon emission intensity in China: a random forest model analysis[J]. China Environmental Science, 2022, 42(6): 2788-2798. |
| [33] | Bentéjac C, Csörgő A, Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms[J]. Artificial Intelligence Review, 2021, 54(3): 1937-1967. DOI:10.1007/s10462-020-09896-5 |
| [34] | 中华人民共和国生态环境部. 中国生态环境状况公报2022[R]. 北京: 中华人民共和国生态环境部, 2023. |
| [35] |
严文莲, 刘端阳, 康志明, 等. 江苏臭氧污染特征及其与气象因子的关系[J]. 气象科学, 2019, 39(4): 477-487. Yan W L, Liu D Y, Kang Z M, et al. The characteristics of ozone pollution and its relationship with meteorological factors in Jiangsu[J]. Journal of the Meteorological Sciences, 2019, 39(4): 477-487. |
| [36] |
王敏, 方欣, 王毛翠, 等. 合肥地表臭氧变化特征及气象要素影响分析[J]. 大气与环境光学学报, 2022, 17(2): 205-212. Wang M, Fang X, Wang M C, et al. Analysis on variation characteristics of surface ozone and influence of meteorological elements in Hefei[J]. Journal of Atmospheric and Environmental Optics, 2022, 17(2): 205-212. |
| [37] | 陈兴. 蚌埠市O3污染特征及对气象要素的敏感度分析[D]. 南京: 南京信息工程大学, 2021. |
| [38] |
朱媛媛, 刘冰, 桂海林, 等. 京津冀臭氧污染特征、气象影响及基于神经网络的预报效果评估[J]. 环境科学, 2022, 43(8): 3966-3976. Zhu Y Y, Liu B, Gui H L, et al. Characteristics of ozone pollution, meteorological impact, and evaluation of forecasting results based on a neural network model in Beijing-Tianjin-Hebei Region[J]. Environmental Science, 2022, 43(8): 3966-3976. |
| [39] |
钱悦, 许彬, 夏玲君, 等. 2016~2019年江西省臭氧污染特征与气象因子影响分析[J]. 环境科学, 2021, 42(5): 2190-2201. Qian Y, Xu B, Xia L J, et al. Characteristics of ozone pollution and relationships with meteorological factors in Jiangxi province[J]. Environmental Science, 2021, 42(5): 2190-2201. |
| [40] | Jiao S, Lu Y H. Abundant fungi adapt to broader environmental gradients than rare fungi in agricultural fields[J]. Global Change Biology, 2020, 26(8): 4506-4520. |
| [41] | Xing J, Wang J D, Mathur R, et al. Impacts of aerosol direct effects on tropospheric ozone through changes in atmospheric dynamics and photolysis rates[J]. Atmospheric Chemistry and Physics, 2017, 17(16): 9869-9883. |
| [42] |
余益军, 孟晓艳, 王振, 等. 京津冀地区城市臭氧污染趋势及原因探讨[J]. 环境科学, 2020, 41(1): 106-114. Yu Y J, Meng X Y, Wang Z, et al. Driving factors of the significant increase in surface ozone in the Beijing-Tianjin-Hebei Region, China, during 2013-2018[J]. Environmental Science, 2020, 41(1): 106-114. |
| [43] |
姚衡, 周靖承, 杨俊, 等. 基于小波变换的武汉市PM2.5、PM10与臭氧污染特征[J]. 中国环境科学, 2023, 43(1): 107-114. Yao H, Zhou J C, Yang J, et al. Studies on characteristics of PM2.5, PM10 and ozone pollution in Wuhan based on wavelet transform[J]. China Environmental Science, 2023, 43(1): 107-114. |
| [44] | Zhu J, Chen L, Liao H, et al. Correlations between PM2.5 and ozone over China and associated underlying reasons[J]. Atmosphere, 2019, 10(7). DOI:10.3390/atmos10070352 |
| [45] | Li Y, An J L, Kajino M, et al. Impacts of additional HONO sources on O3 and PM2.5 chemical coupling and control strategies in the Beijing-Tianjin-Hebei Region of China[J]. Tellus B: Chemical and Physical Meteorology, 2015, 67(1). DOI:10.3402/tellusb.v67.23930 |