2025, Vol. 46
2. 山东省环境信息与监测中心, 济南 250101;
3. 泰安市生态环境保护控制中心, 泰安 271000;
4. 清环智源（北京）科技有限公司, 北京 100083
, QU Kai2 , GE Yan-zhen3 , LIU Hui4 , CHEN Chao1 , WANG Wen-xin1 , SUI Xiao1 , WEI Min1 , SHI Xiang-li1 , LIU Hou-feng1
2. Shandong Province Environment Information and Monitoring Center, Jinan 250101, China;
3. Tai'an Ecological Environment Protection and Control Center, Tai'an 271000, China;
4. Tsing-Huan Smart Source (Beijing) Technology Co., Ltd., Beijing 100083, China
PM2.5和O3作为常见的大气污染物, 对经济、生态和公共健康存在着严重危害[1~3]. 自清洁空气行动以来, 中国PM2.5污染得到显著改善[4, 5]. 2014~2022年, PM2.5年均浓度降幅达到（42.3±13.9）%, 并连续3 a达到世界卫生组织（WHO）的第一阶段标准[6]. 然而, O3污染并未得到有效缓解. 据研究, 中国工业源VOCs排放量在2016~2019年降低了4.15%, 但地表O3浓度仍以（3.3±4.7）μg·（m3·a）-1的速率上升[7, 8].
大气污染受多种因素综合影响, 通常认为排放和气象条件是影响污染变化趋势的两大因素[9, 10]. Chen等[11]发现前体物减排是北京市2013~2017年PM2.5浓度下降的主要因素, 其贡献率约80%. 2013年之后, 由排放主导PM2.5浓度长期变化趋势的观点得到了普遍认可[9, 12]. 然而, O3污染的成因却更为复杂且存在争议[13, 14]. Cheng等[15]发现前体物排放对北京市2006~2017年O3浓度增加贡献更大. Lin等[14]对2013~2020年中国中东部地区的O3污染分析发现, 弱风、低温和高湿是污染减轻的关键因素. Li等[16]基于GEOS-Chem对华北平原O3的模拟分析表明, PM2.5的减少能够间接促进O3生成. 此外, 空气污染的预测研究发现, 至2050年, 气候变化（如升温）将会导致美国东南地区O3上升1.77 μg·m-3[17], 中国东部地区PM2.5上升1.43 μg·m-3, 并造成3.5万例过早死亡[18].
近年来, 国内外采用多种研究方法对PM2.5和O3的影响因子进行了研究. 张茹涵等[19]对上海市PM2.5的监测与基于WRF-Chem的模拟表明, 硫酸盐的非均相生成对PM2.5的重污染形成过程具有显著影响. 侯墨等[20]基于经验动力学建模（EKMA）方法对新乡市夏季O3超标进行分析, 结果表明其生成敏感性在不同时段存在较大差异. 国外基于多元线性回归模型（MLR）对马来西亚大气污染的研究发现, 气温和风速是对O3污染影响较大的两个因素[21]. 上述研究方法中, 传统线性模型捕捉大气污染物与影响因子间非线性关系的能力相对较弱[22], 而化学模式方法运算时间长, 且受参数化方案与排放源清单影响较大[20]. 机器学习-随机森林（random forest, RF）模型在处理非线性问题和防止过拟合上具有较大优势, 已被广泛应用于空气污染成因和空气污染水平预测等研究中[23, 24]. 基于RF模型, 周红等[25]对北京城区O3生成敏感性进行了模拟, 其结果与基于观测的盒子模型（OBM）相一致. 付文星等[26]通过RF模型发现气象条件是2015~2021年长三角地区O3浓度上升的促进因素.
山东省位于中国东部地区, 作为中国经济和人口大省, 高工业占比及能源消耗造成的PM2.5和O3污染仍较为严重[27]. 目前采取的O3污染管控措施尚未取得预期效果, PM2.5污染控制也遇到了瓶颈[6], 亟需探索效果明显的针对性和差异化管控策略. 由于PM2.5和O3与影响因子间存在复杂的非线性关系, 因此本研究首次采用RF模型对山东省典型代表城市的PM2.5和O3影响因子重要性进行了评估, 提出了不同类型城市PM2.5和O3污染协调管控的路径差异, 并筛选了不同城市重点管控的组分和相应的重点管控行业, 以期为今后不同类型城市制定针对性控制措施提供借鉴与参考.
1 材料与方法 1.1 研究区域概况山东省整体由内陆和半岛两部分组成. 受地理环境和产业结构等影响, 内陆与沿海城市大气污染特征差异明显. 本研究选取3个代表性内陆城市济南、淄博、泰安和一个沿海代表城市威海作为重点研究对象. 其中, 济南（36.65°N, 117°E）位于山东省中西部, 地势南高北低, 南依泰山, 北临黄河. 作为省会城市, 济南大气环境受工业污染影响相对较轻, 受城市交通影响偏大. 淄博（36.78°N, 118.05°E）位于山东省中部, 作为山东省工业城市的典型代表, 产业门类齐全, 石化和精细化工行业占比较大. 泰安（36.18°N, 117.13°E）位于山东省中部、泰山南麓, 是山东省典型的旅游城市, 因紧依泰山风景名胜保护区, 天然植被覆盖率高. 威海（37.5°N, 122.1°E）位于山东半岛东部, 三面临海, 气候影响下的污染物生成机制与内陆存在一定差异. 作为港口城市, 其特色产业为轮胎、船舶和电子制造等. 四城市地理位置及研究站点如图 1所示.
|
图 1 研究区域概况 Fig. 1 Overview of the study area |
研究数据包括常规污染物（PM2.5、O3、CO、SO2、NO2、NO、NOx）、气象因子（气温、相对湿度、风速）及VOCs组分数据. 常规污染物与气象数据来源于中国环境监测总站（http://www.cnemc.cn/）和山东省城市空气质量发布平台（http://fb.sdem.org.cn:8801/AirDeploy.Web/AirQuality/MapMain.aspx）, 包括2017~2021年的逐年、逐月及2021年逐时数据. VOCs组分数据来自于各市自动监测站. 内陆城市观测时间为2021年1~9月, 沿海城市为2021年5~12月. 济南、淄博、泰安和威海的VOCs物种数量分别为115、113、115和114.
根据中国《环境空气质量标准》（GB 3095-2012）, 将O3污染日定义为O3日最大8 h滑动平均浓度大于国家二级标准（160 μg·m-3）. PM2.5超标日定义为内陆城市PM2.5日均浓度超过国家二级标准（75 μg·m-3）, 沿海城市超过一级标准（35 μg·m-3）.
1.3 随机森林模型 1.3.1 模型简介随机森林（RF）模型是一种基于决策树构建的监督机器学习算法[28]. RF以决策树为基本单元, 每棵决策树通过随机抽取样本和选择特征进行训练, 通过集成大量决策树即构成森林. 最终预测结果依据所有决策树预测值的众数或平均值而定[29].
本研究利用R包randomForest函数来评估影响因子对O3和PM2.5的重要性. 其中, 模型输入数据均为逐时监测数据, 4个城市O3和PM2.5超标日的总数据量分别为7 776~67 392和18 720~36 504, 可以满足模型的运行要求. 模型按照3∶1比例划分输入数据并构建模型. 随机选取75%数据作为训练集用于决策树生长训练, 25%数据作为测试集用于模型评估. 构建的模型预测表达式见公式（1）. 本研究建立的模型由500棵决策树组成, 通过for循环计算寻找与最小均方误差（MSE）相对应的变量个数（Mtry）[23], 参数取值见表 1. 在影响因子重要性评估中, IncNodePurity是一个常用的评估指标, 代表每个变量对决策树每个节点上观测值异质性的影响[22]. 最后, 使用测试集数据评估模型性能. 评估指标包括相关系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）, 计算见公式（2）~（4）[30]. O3和PM2.5测试集的可视化结果表明RF模型精度较高（图 2）, 其中蓝色实线为实测值与预测值间的回归曲线, 红色虚线为1∶1曲线.
|
(1) |
|
表 1 RF模型输入参数 Table 1 Input parameters of RF model |
|
JN为济南, ZB为淄博, TA为泰安, WH为威海 图 2 基于RF模型的O3与PM2.5拟合度分析 Fig. 2 Fit analysis of O3 and PM2.5 using RF model |
式中, Y为响应变量, 代表O3和PM2.5；X为解释变量.
|
(2) |
|
(3) |
|
(4) |
式中, i=1, 2, …, N为样本数, yi为观测值, ŷi为预测值.
1.3.2 模型输入因子选取气象因素能够通过影响大气化学过程和扩散条件等影响O3和PM2.5污染的形成[31]. 气温、相对湿度和风速作为常用的气象评估指标[25, 26], 在研究中均纳入模型.
大气污染物中, 影响O3生成的主要前体物是VOCs、NOx和CO. 根据VOCs浓度和物种反应活性[32], 选取了包含烷烃、烯烃、炔烃、芳香烃、OVOCs及卤代烃在内的29种VOCs物种（表 2）. 氮氧化物选取与其相关的NO、NO2和NOx.
|
|
表 2 RF模型预测因子名称与编号对应 Table 2 Names and numbers of predictors for RF model |
除上述与O3共同的前体物因子外, 增加SO2作为PM2.5的影响因子. 这是由于SO2在大气中通过多相化学反应生成的硫酸盐气溶胶对PM2.5贡献较大[33]. 此外, CO通常与污染物的一次排放源相关, 并且其与羟基自由基（HO·）反应生成的HO2·能够快速将NO氧化为NO2, 从而间接影响到PM2.5浓度[34, 35], 因此有必要保留CO作为PM2.5的影响因子.
影响因子名称和编号的对应关系见表 2.
2 结果与讨论 2.1 O3、PM2.5及前体物污染特征 2.1.1 O3与PM2.5污染特征2017~2021年, 4个城市PM2.5浓度均呈下降趋势, 下降幅度在11.08%~31.35%之间, O3浓度呈上升趋势, 上升幅度在3.60%~12.08%之间（图 3）. 2021年, 内陆城市O3浓度仍超过国家二级标准的11.88%~14.38%, 为沿海城市的1.23~1.25倍. PM2.5浓度超过国家一级标准的14.29%~28.57%, 为沿海城市的1.74~1.96倍.
|
图 3 2017~2021年4个城市O3和PM2.5浓度的年际、月际变化及2021年日变化 Fig. 3 Interannual and monthly changes in O3 and PM2.5 concentrations in the four cities from 2017 to 2021 and daily changes in 2021 |
内陆城市O3浓度月变化以单峰特征为主, 峰值出现在6月. 沿海城市威海表现出双峰特征, 夏季峰值不及内陆高, 最高峰值出现在6月, 次峰值出现在9月. 在日变化上, 四城市均呈单峰特征, 14：00~16：00易出现浓度峰值. 威海O3浓度日间峰值与变化幅度明显偏小, 这表明其O3的光化学生成能力相对较弱[36]. 另一方面, 受海陆风环流与区域传输等因素影响, 夜间威海O3浓度仍较高[37].
PM2.5浓度月变化均表现出单峰特点, 内陆城市峰值出现在1月, 沿海城市出现在3月. PM2.5浓度日变化呈双峰特征, 不同城市峰值出现时间略有差异, 通常上午09：00左右出现第一次峰值, 夜间或清晨出现第二次峰值[38].
2.1.2 前体物VOCs、NOx和CO污染特征四城市前体物浓度变化特征如图 4所示. φ（VOCs）体积分数为14.52×10-9~62.53 ×10-9, φ（NOx）为10.05×10-9~28.44×10-9, ρ（CO）为0.48~0.80 mg·m-3, 均表现为内陆城市高于沿海城市. 其中, 烷烃为VOCs中占比最高的组分, 其次为OVOCs和卤代烃. 3种前体物均呈现早晚高、午间低的“双峰型”日变化特征.
|
图 4 2021年研究时段VOCs组分占比及前体物（NOx、CO和VOCs）日变化特征 Fig. 4 Component proportion of VOCs and diurnal variation characteristics of precursors (NOx, CO, and VOCs) during the observation period in 2021 |
受排放源影响, 不同VOCs组分日变化规律有所不同. 与交通排放有关的C2物种（乙烷、乙烯、乙炔）、异戊烷和甲苯在早高峰（06：00~09：00）和晚高峰（20：00~23：00）时段浓度较高, 与长三角等地区的研究结果基本一致[39, 40]. 甲苯和二氯甲烷的夜间高值通常与工业源的夜间排放有关[41]. 威海午间异戊二烯浓度最高, 这与植物排放趋势相符[42]. 而济南、淄博和泰安的异戊二烯浓度峰值分布于08：00~09：00和18：00~19：00, 可能是受到区域氧化自由基差异及交通排放等人为污染源的影响[42, 43]. 丙酮整体日变化幅度较小.
VOCs/NOx值是判断O3生成敏感性的重要指征. 四城市VOCs/NOx均值范围为1.31~3.30（图 5）. 其中, 淄博比值最高, 且午间比值高于4, 这表明淄博O3对NOx的敏感性相对较高. 济南、泰安和威海VOCs/NOx值多在2以下, 说明3个城市O3对VOCs更为敏感[44].
|
图 5 2021年研究时段VOCs与NOx比值散点图及日变化 Fig. 5 Scatter chart and daily variation in VOCs and NOx ratio during the observation period in 2021 |
对研究期间O3超标的影响因子重要性进行模拟, 模拟结果如图 6所示. 气温为各城市重要性最高的因子, 其次为NOx和VOCs等前体物. 气温的高重要性源于高温能够通过促进NO2光解及其与NOx间的循环反应促进O3的生成[45]. 在风速与相对湿度方面, 风速对威海O3的重要性高于相对湿度, 而内陆城市则为相对湿度更重要, 其差异主要受城市间的地理环境不同影响. 威海位于沿海地区, 其相对湿度通常更高, 在一定程度上抑制了O3的生成[46], 因而威海O3对相对湿度变化的敏感性相对弱于内陆城市. 而海陆风环流对沿海城市影响更大[37], 在影响因子重要性方面则表现为风速对威海更为重要.
|
图 6 4个城市O3影响因子重要性（O3污染日） Fig. 6 Importance of O3 influencing factors in the four cities (excessive O3) |
NOx和VOCs的影响重要性决定了O3污染管控的路径应有所不同. 图 6显示, 各典型城市受NOx和VOCs的影响重要性排序不同. 其中, NOx对淄博、泰安的重要性高于VOCs, 而济南与威海则相反. 这表明相对于VOCs, NOx的浓度变化对淄博和泰安O3的光化学生成影响更大, 因而以NOx等为代表的机动车排放源对2个城市也更为重要[47].
所选4个城市的VOCs物种重要性表现出明显差异, 其重要性排序可为O3管控的VOCs减排行业和企业提供参考. 具体而言, 省会城市济南O3超标的高重要性VOCs物种主要为芳香烃和顺-2-丁烯等. 芳香烃通常活性较大, 其与溶剂使用密切相关, 常见于各种表面涂装过程[48]. 同时, 作为省会城市的济南交通流量相对较大, 汽车尾气和加油站的油气挥发也是上述物种的重要来源[49].
工业城市淄博O3超标的高重要性VOCs物种主要为异丁烷、1, 2-二氯丙烷、丙酮和苯乙烯等. 上述物种多与石油化工行业排放有关. 异丁烷作为一种石油化工产品, 在炼油和化工生产过程中可作为副产品或中间产品产生；苯乙烯也是石化产品之一, 主要用作生产聚苯乙烯塑料和其他合成材料的原料；1, 2-二氯丙烷可在石化行业中作为溶剂、中间体或原料使用[50]. 丙酮是一种重要的有机溶剂, 广泛应用于化工产品的生产过程, 在医疗领域的设备清洁和消毒中也有应用[51]. 可见, 淄博的石化与化学制药等行业对O3超标有较大影响.
旅游城市泰安O3超标的高重要性VOCs物种主要为异戊二烯、乙烯、氯甲烷和苯等. 异戊二烯是植物排放的典型示踪物, 这表明天然植被排放对O3生成有一定的影响[41]. 乙烯和苯是煤化工过程中, 焦炉烟囱排放的主要污染物. 结合站点周边企业调查, 受某钢铁厂煤焦化生产排放影响的可能性较大[52, 53]. 氯甲烷在化工生产中作为原料或中间体使用, 如农药、溶剂和其他化学品的生产[48]. 另外乙烯、苯、乙炔与丙酮等通常与汽油车和柴油车排放的污染物较为相关[54, 55]. 因此, 对泰安O3污染重要性较高的VOCs主要来自于植物排放、农药制造、煤焦化及移动源等自然和人为活动排放.
港口城市威海O3超标的高重要性VOCs物种主要为间/对-二甲苯、正戊烷、2, 3-二甲基丁烷和1, 2-二氯丙烷等. 上述物种与威海优势产业高度相关. 其中船舶/渔具制造的喷涂工艺是间/对-二甲苯和1, 2-二氯丙烷等的重要来源[56, 57]. 丙酮和戊烷等是橡胶产业的重要排放物种, 常见于硫化工艺及储存过程[58]. 此外, 正丁烷和丙酮在电子制造业的VOCs排放中含量较高[59]. 可见, 工业排放对威海O3超标重要性较高, 尤其是当地的船舶/渔具制造、橡胶生产和电子制造等行业.
2.2.2 PM2.5污染影响因子的重要性对研究期间PM2.5超标日的影响因子重要性进行模拟, 模拟结果如图 7所示. 与O3影响重要性不同的是, 4个城市的影响因子重要性均表现为前体物高于气象因子.
|
图 7 4个城市PM2.5影响因子重要性（PM2.5污染日） Fig. 7 Importance of PM2.5 influencing factors in the four cities (excessive PM2.5) |
在前体物中, 对济南、淄博重要性最高的因子为CO, CO在大气中常用作一次PM2.5排放源的示踪剂[34], 这表明济南和淄博PM2.5污染受一次排放影响较大. 泰安与威海则为CO、NOx和NO2重要性更高, 这说明一次排放及NOx的二次生成对其较为重要. SO2的影响在内陆城市中较显著, 其重要性表现为：济南 > 淄博 > 泰安. VOCs对PM2.5的重要性相对偏弱.
对省会城市济南PM2.5重要性最高的VOCs物种为苯, 其次为异戊二烯、氯甲烷和1, 2-二氯乙烷等. 苯和氯甲烷可来源于煤炭和生物质（如木柴）燃烧过程[60, 61]. 此外, 汽车尾气排放中含有苯, 尤其是在汽油不完全燃烧时[49]. 另有研究表明生物质燃烧废气和机动车尾气也是异戊二烯的重要来源[62]. 氯甲烷和1, 2-二氯乙烷等在化工产品生产中作为溶剂或原料使用, 也可来自于汽修过程脱漆剂的使用[56]. 因此, 对济南PM2.5超标影响较大的VOCs物种主要来自煤炭、生物质等的燃烧过程、交通源和化工行业.
对工业城市淄博PM2.5重要性最高的VOCs物种为2, 3-二甲基丁烷, 其次为1, 2-二氯丙烷、乙炔、正庚烷和异丙醇等. 其中2, 3-二甲基丁烷、乙炔和正庚烷是石油化工行业重要的产品和副产品[50]. 1, 2-二氯丙烷和异丙醇等作为重要的化工原料与溶剂, 广泛用于化工和制药行业[51]. 结合淄博的产业分布, 可推测影响淄博PM2.5污染的VOCs多来自石油炼制、化学制药等工业污染.
对旅游城市泰安PM2.5重要性最高的VOCs物种为苯, 其次为丙酮、乙烯、乙炔和2, 2-二甲基丁烷等. 作为化工原料或中间体, 2, 2-二甲基丁烷、乙烯和丙酮在化工生产中使用并产生排放[51]. 苯、乙烯和正丁烷与汽油车排放的污染物具有密切关系[41], 乙炔和丙酮也是柴油车排放的主要污染物[54, 55]. 因此, 可推断对泰安PM2.5重要性较高的VOCs物种主要来自于化工和汽油/柴油燃烧.
对港口城市威海PM2.5重要性最高的VOCs物种为丙酮, 其次为氯甲烷、苯、1, 2-二氯丙烷、乙炔和异戊烷等. C2~C5烷烃是汽油车排放的典型示踪物, 乙炔与柴油燃烧过程相关性也较高[41, 54]. 丙酮等OVOCs物种的排放可能与当地的电子制造及医药等行业有关[51]. 卤代烃常用作化工行业及机械制造的有机溶剂与原料[56]. 可以推测, 影响威海PM2.5浓度的VOCs物种多来自燃料油燃烧源与电子制造和化工等行业.
2.3 对O3和PM2.5污染差异化管控的启示上述研究表明, 前体物和气象因子对4个典型城市O3污染影响的重要性排序存在差异. 影响因子重要性模拟结果显示, 夏季O3污染期间, VOCs/NOx值相对较高的淄博表现为NOx重要性更高, 说明该类城市VOCs相对过剩, 若考虑短期管控效果的敏感性, 可重点控制区域NOx排放. 从长远目标看, 欲根本解决夏季O3污染, 应持续减排过剩的VOCs, 初期以较高的VOCs/NOx减排比例进行前体物减排. 随着管控的深入, 逐渐降低VOCs/NOx减排比例. 而VOCs/NOx值相对较低的济南则表现为VOCs对O3污染的重要性更高, 说明该类城市NOx相对过剩, 其管控措施应和淄博相反.
PM2.5污染期, 前体物的重要性整体高于气象因子, 且不同前体物的重要性存在区域差异. CO对4个城市重要性均较高, 因而与其相关的化石燃料燃烧等一次排放源仍是山东省PM2.5污染管控的重点. 其次, NOx和NO2对泰安和威海的重要性高于济南和淄博, 说明泰安和威海两城市的电厂和供热锅炉烟气、机动车尾气排放的污染物需重点关注. 此外, 内陆城市的SO2重要性高于沿海城市, 表明与SO2相关的含硫燃料燃烧（煤炭）仍是内陆部分城市PM2.5污染的重点管控对象. 此外, 淄博的石油炼制、化工制药也是PM2.5污染的主要VOCs管控源.
3 结论（1）山东省内陆城市O3和PM2.5污染更为严重, 且内陆城市O3和PM2.5日变化幅度大于沿海.
（2）在O3污染的影响因子分析中, 受光化学机制影响, 4个城市均为气温重要性最高, 其次为前体物. 各类VOCs生成O3的化学机制不同, 其重要物种和潜在来源也存在区域差异. 涉及喷涂等工序的芳香烃对省会城市济南和港口城市威海重要性较高. 来自石油化工和制药的C2~C5烷、烯、烃、卤代烃和OVOCs类对工业城市淄博影响显著. 以异戊二烯为主的植物源对旅游城市泰安O3污染相对重要. 以烷烃和OVOCs为主的橡胶制造源对威海O3污染较为重要.
（3）在PM2.5污染的影响因子分析中, CO、NOx和SO2为4个城市重要性较高的因子, 其次为气象因子, VOCs重要性较弱. 长链烷烃、OVOCs、卤代烃和乙炔是对PM2.5污染重要性较高的物种. 煤炭、生物质等的燃烧过程及交通源排放的VOCs物种对省会城市济南重要性较高, 石油炼制和化学制药对工业城市淄博影响较大, 化工和汽油/柴油燃烧是对旅游城市泰安较为重要的污染源, 燃料油燃烧源、电子制造和化工等行业对港口城市威海影响较大.
致谢: 感谢山东大学王萍萍老师在随机森林模型的数据处理与模拟过程中提供的帮助.
| [1] | Xie Y, Dai H C, Zhang Y X, et al. Comparison of health and economic impacts of PM2.5 and ozone pollution in China[J]. Environment International, 2019, 130. DOI:10.1016/j.envint.2019.05.075 |
| [2] | Al-Kindi S G, Brook R D, Biswal S, et al. Environmental determinants of cardiovascular disease: lessons learned from air pollution[J]. Nature Reviews Cardiology, 2020, 17(10): 656-672. |
| [3] | Agathokleous E, Feng Z Z, Oksanen E, et al. Ozone affects plant, insect, and soil microbial communities: A threat to terrestrial ecosystems and biodiversity[J]. Science Advances, 2020, 6(33). DOI:10.1126/sciadv.abc1176 |
| [4] |
夏晓圣, 汪军红, 宋伟东, 等. 2000~2019年中国PM2.5时空演化特征[J]. 环境科学, 2020, 41(11): 4832-4843. Xia X S, Wang J H, Song W D, et al. Spatio-temporal evolution of PM2.5 concentration during 2000-2019 in China[J]. Environmental Science, 2020, 41(11): 4832-4843. |
| [5] | Sui X, Qi K L, Nie Y Q, et al. Air quality and public health risk assessment: a case study in a typical polluted city, north China[J]. Urban Climate, 2021, 36. DOI:10.1016/j.uclim.2021.100796 |
| [6] | Zheng H, Kong S F, Seo J, et al. Achievements and challenges in improving air quality in China: Analysis of the long-term trends from 2014 to 2022[J]. Environment International, 2024, 183. DOI:10.1016/j.envint.2023.108361 |
| [7] | Mousavinezhad S, Choi Y, Pouyaei A, et al. A comprehensive investigation of surface ozone pollution in China, 2015-2019: Separating the contributions from meteorology and precursor emissions[J]. Atmospheric Research, 2021, 257. DOI:10.1016/j.atmosres.2021.105599 |
| [8] | Simayi M, Shi Y Q, Xi Z Y, et al. Emission trends of industrial VOCs in China since the clean air action and future reduction perspectives[J]. Science of the Total Environment, 2022, 826. DOI:10.1016/j.scitotenv.2022.153994 |
| [9] | Gong S L, Zhang L, Liu C, et al. Multi-scale analysis of the impacts of meteorology and emissions on PM2.5 and O3 trends at various regions in China from 2013 to 2020 2. Key weather elements and emissions[J]. Science of the Total Environment, 2022, 824. DOI:10.1016/j.scitotenv.2022.153847 |
| [10] |
杨俊, 杨雷峰, 丁华, 等. 气象、本地光化学生成和外围传输对长沙市2018~2020年臭氧污染趋势变化影响的识别[J]. 环境科学, 2023, 44(7): 3715-3723. Yang J, Yang L F, Ding H, et al. Identification of impacts from meteorology and local and transported photochemical generation on ozone trends in Changsha from 2018 to 2020[J]. Environmental Science, 2023, 44(7): 3715-3723. |
| [11] | Chen Z Y, Chen D L, Kwan M P, et al. The control of anthropogenic emissions contributed to 80 % of the decrease in PM2.5 concentrations in Beijing from 2013 to 2017[J]. Atmospheric Chemistry and Physics, 2019, 19(21): 13519-13533. |
| [12] | Gong S L, Liu H L, Zhang B H, et al. Assessment of meteorology vs. control measures in the China fine particular matter trend from 2013 to 2019 by an environmental meteorology index[J]. Atmospheric Chemistry and Physics, 2021, 21(4): 2999-3013. |
| [13] | Wang T, Xue L K, Feng Z Z, et al. Ground-level ozone pollution in China: a synthesis of recent findings on influencing factors and impacts[J]. Environmental Research Letters, 2022, 17(6). DOI:10.1088/1748-9326/ac69fe |
| [14] | Lin C Q, Lau A K H, Fung J C H, et al. Removing the effects of meteorological factors on changes in nitrogen dioxide and ozone concentrations in China from 2013 to 2020[J]. Science of the Total Environment, 2021, 793. DOI:10.1016/j.scitotenv.2021.148575 |
| [15] | 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. |
| [16] | 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, 2018, 116(2): 422-427. |
| [17] | Moghani M, Archer C L. The impact of emissions and climate change on future ozone concentrations in the USA[J]. Air Quality, Atmosphere & Health, 2020, 13(12): 1465-1476. |
| [18] | Liu S, Xing J, Westervelt D M, et al. Role of emission controls in reducing the 2050 climate change penalty for PM2.5 in China[J]. Science of the Total Environment, 2021, 765. DOI:10.1016/j.scitotenv.2020.144338 |
| [19] |
张茹涵, 张皓然, 冯伟航, 等. 硫酸盐非均相机制对颗粒物污染的影响: 上海典型污染事件的WRF-Chem模拟[J]. 环境科学, 2022, 43(5): 2294-2303. Zhang R H, Zhang H R, Feng W H, et al. Impacts of heterogeneous uptake pathway on sulfate formation: a case study in Shanghai based on WRF-Chem[J]. Environmental Science, 2022, 43(5): 2294-2303. |
| [20] |
侯墨, 蒋小梅, 赵文鹏, 等. 2021年夏季新乡市城区臭氧超标日污染特征及敏感性[J]. 环境科学, 2023, 44(5): 2472-2480. Hou M, Jiang X M, Zhao W P, et al. Ozone pollution characteristics and sensitivity during the ozone pollution days in summer 2021 of Xinxiang City[J]. Environmental Science, 2023, 44(5): 2472-2480. |
| [21] | Balogun A L, Tella A. Modelling and investigating the impacts of climatic variables on ozone concentration in Malaysia using correlation analysis with random forest, decision tree regression, linear regression, and support vector regression[J]. Chemosphere, 2022, 299. DOI:10.1016/j.chemosphere.2022.134250 |
| [22] | Weng X, Forster G L, Nowack P. A machine learning approach to quantify meteorological drivers of ozone pollution in China from 2015 to 2019[J]. Atmospheric Chemistry and Physics, 2022, 22(12): 8385-8402. |
| [23] |
杨晓彤, 康平, 王安怡, 等. 基于随机森林模型的四川盆地臭氧污染预测[J]. 环境科学, 2024, 45(5): 2507-2515. Yang X T, Kang P, Wang A Y, et al. Prediction of ozone pollution in Sichuan Basin based on Random Forest model[J]. Environmental Science, 2024, 45(5): 2507-2015. |
| [24] |
夏晓圣, 陈菁菁, 王佳佳, 等. 基于随机森林模型的中国PM2.5浓度影响因素分析[J]. 环境科学, 2020, 41(5): 2057-2065. Xia X S, Chen J J, Wang J J, et al. PM2.5 concentration influencing factors in China based on the Random Forest model[J]. Environmental Science, 2020, 41(5): 2057-2065. |
| [25] |
周红, 王鸣, 柴文轩, 等. 基于随机森林的北京城区臭氧敏感性分析[J]. 环境科学, 2024, 45(5): 2497-2506. Zhou H, Wang M, Chai W X, et al. Ozone sensitivity analysis in urban Beijing based on Random Forest[J]. Environmental Science, 2024, 45(5): 2497-2506. |
| [26] |
付文星, 黄琳, 丁嘉豪, 等. 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[J]. 环境科学, 2023, 44(11): 5879-5888. Fu W X, Huang L, Ding J H, et al. Elucidating the impacts of meteorology and emission changes on concentrations of major air pollutants in major cities in the Yangtze River Delta Region using a machine learning De-weather method[J]. Environmental Science, 2023, 44(11): 5879-5888. |
| [27] | Zhou M G, Li Y H, Zhang F Y. Spatiotemporal variation in ground level ozone and its driving factors: A comparative study of coastal and inland cities in Eastern China[J]. International Journal of Environmental Research and Public Health, 2022, 19(15). DOI:10.3390/ijerph19159687 |
| [28] |
张志豪, 陈楠, 祝波, 等. 基于随机森林模型的武汉市城区大气PM2.5来源解析[J]. 环境科学, 2022, 43(3): 1151-1158. Zhang Z H, Chen N, Zhu B, et al. Source analysis of ambient PM2.5 in Wuhan city based on Random Forest model[J]. Environmental Science, 2022, 43(3): 1151-1158. |
| [29] | Gao X Y, Ruan Z H, Liu J M, et al. Analysis of atmospheric pollutants and meteorological factors on PM2.5 concentration and temporal variations in Harbin[J]. Atmosphere, 2022, 13(9). DOI:10.3390/atmos13091426 |
| [30] | Lin G Y, Chen H W, Chen B J, et al. A machine learning model for predicting PM2.5 and nitrate concentrations based on long-term water-soluble inorganic salts datasets at a road site station[J]. Chemosphere, 2022, 289. DOI:10.1016/j.chemosphere.2021.133123 |
| [31] | Ye X P, Wang X L, Zhang L. Diagnosing the model bias in simulating daily surface ozone variability using a machine learning method: the effects of dry deposition and cloud optical depth[J]. Environmental Science & Technology, 2022, 56(23): 16665-16675. |
| [32] |
韩丽, 陈军辉, 姜涛, 等. 成都市春季O3污染特征及关键前体物识别[J]. 环境科学, 2021, 42(10): 4611-4620. Han L, Chen J H, Jiang T, et al. Characteristics of O3 pollution and key precursors in Chengdu during spring[J]. Environmental Science, 2021, 42(10): 4611-4620. |
| [33] | Hu W Y, Zhao Y, Lu N, et al. Changing responses of PM2.5 and ozone to source emissions in the Yangtze River Delta using the Adjoint model[J]. Environmental Science & Technology, 2024, 58(1): 628-638. |
| [34] | Kuo Y M, Zhao E M, Li M J, et al. Ambient precursor gaseous pollutants and meteorological conditions controlling variations of particulate matter concentrations[J]. Clean-Soil Air Water, 2017, 45(8). DOI:10.1002/clen.201600655 |
| [35] | Wang J J, Lu X M, Yan Y T, et al. Spatiotemporal characteristics of PM2.5 concentration in the Yangtze River Delta urban agglomeration, China on the application of big data and wavelet analysis[J]. Science of the Total Environment, 2020, 724. DOI:10.1016/j.scitotenv.2020.138134 |
| [36] | Lyu X P, Guo H, Zou Q L, et al. Evidence for reducing volatile organic compounds to improve air quality from concurrent observations and in situ simulations at 10 stations in eastern China[J]. Environmental Science & Technology, 2022, 56(22): 15356-15364. |
| [37] | Zhang J, Wang C, Qu K, et al. Characteristics of ozone pollution, regional distribution and causes during 2014-2018 in Shandong Province, East China[J]. Atmosphere, 2019, 10(9). DOI:10.3390/atmos10090501 |
| [38] | Zhai H R, Yao J Q, Wang G H, et al. Spatio-temporal characteristics and variation pattern of the atmospheric particulate matter concentration: a case study of the Beijing–Tianjin–Hebei Region, China[J]. Atmosphere, 2022, 13(1). DOI:10.3390/atmos13010120 |
| [39] | Lu Y, Pang X B, Lyu Y, et al. Characteristics and sources analysis of ambient volatile organic compounds in a typical industrial park: Implications for ozone formation in 2022 Asian Games[J]. Science of the Total Environment, 2022, 848. DOI:10.1016/j.scitotenv.2022.157746 |
| [40] |
王帅, 王秀艳, 杨文, 等. 淄博市城区臭氧超标期间的VOCs污染特征与来源解析[J]. 环境科学, 2022, 43(3): 1277-1285. Wang S, Wang X Y, Yang W, et al. Characteristics and source analysis of VOCs pollution during the period of ozone exceeding the standard in Zibo City[J]. Environmental Science, 2022, 43(3): 1277-1285. |
| [41] | Huang A Z, Yin S S, Yuan M H, et al. Characteristics, source analysis and chemical reactivity of ambient VOCs in a heavily polluted city of central China[J]. Atmospheric Pollution Research, 2022, 13(4). DOI:10.1016/j.apr.2022.101390 |
| [42] | Liu C T, Mu Y J, Zhang C L, et al. A comparison investigation of atmospheric NMHCs at two sampling sites of Beijing city and a rural area during summertime[J]. Science of the Total Environment, 2021, 783. DOI:10.1016/j.scitotenv.2021.146867 |
| [43] | Maji S, Beig G, Yadav R. Winter VOCs and OVOCs measured with PTR-MS at an urban site of India: Role of emissions, meteorology and photochemical sources[J]. Environmental Pollution, 2020, 258. DOI:10.1016/j.envpol.2019.113651 |
| [44] |
秦涛, 李丽明, 王信梧, 等. 典型工业城市夏季VOCs污染特征及反应活性[J]. 环境科学, 2022, 43(8): 3934-3943. Qin T, Li L M, Wang X W, et al. Characteristics and reactivity of VOCs in a typical industrial city in summer[J]. Environmental Science, 2022, 43(8): 3934-3943. |
| [45] | Jenkin M E, Clemitshaw K C. Ozone and other secondary photochemical pollutants: chemical processes governing their formation in the planetary boundary layer[J]. Atmospheric Environment, 2000, 34(16): 2499-2527. |
| [46] |
陆维青, 高冬冬. 基于随机森林探究2022年江苏省O3与气象因子关系[J]. 环境生态学, 2024, 6(2): 125-132. Lu W Q, Gao D D. Exploring the relationship between O3 and meteorological factors in Jiangsu Province in 2022 based on random forest[J]. Environmental Ecology, 2024, 6(2): 125-132. |
| [47] | Tezel-Oguz M N, Sari D, Ozkurt N, et al. Application of reduction scenarios on traffic-related NOx emissions in Trabzon, Turkey[J]. Atmospheric Pollution Research, 2020, 11(12): 2379-2389. |
| [48] |
孟祥来, 孙扬, 廖婷婷, 等. 北京市城区夏季VOCs变化特征分析与来源解析[J]. 环境科学, 2022, 43(9): 4484-4496. Meng X L, Sun Y, Liao T T, et al. Characteristic analysis and source apportionment of VOCs in urban areas of Beijing in summer[J]. Environmental Science, 2022, 43(9): 4484-4496. |
| [49] |
齐一谨, 王玲玲, 倪经纬, 等. 郑州市夏季大气VOCs污染特征及来源解析[J]. 环境科学, 2022, 43(12): 5429-5441. Qi Y J, Wang L L, Ni J W, et al. Characteristics and source apportionment of ambient summer volatile organic compounds in Zhengzhou, China[J]. Environmental Science, 2022, 43(12): 5429-5441. |
| [50] | Fu S, Guo M X, Luo J M, et al. Improving VOCs control strategies based on source characteristics and chemical reactivity in a typical coastal city of South China through measurement and emission inventory[J]. Science of the Total Environment, 2020, 744. DOI:10.1016/j.scitotenv.2020.140825 |
| [51] | Zhou Z H, Tan Q W, Deng Y, et al. Source profiles and reactivity of volatile organic compounds from anthropogenic sources of a megacity in southwest China[J]. Science of the Total Environment, 2021, 790. DOI:10.1016/j.scitotenv.2021.148149 |
| [52] | Zhang X M, Wang D, Liu Y, et al. Characteristics and ozone formation potential of volatile organic compounds in emissions from a typical Chinese coking plant[J]. Journal of Environmental Sciences, 2020, 95: 183-189. |
| [53] | Wang R P, Wang X Q, Cheng S Y, et al. Emission characteristics and reactivity of volatile organic compounds from typical high-energy-consuming industries in North China[J]. Science of the Total Environment, 2022, 809. DOI:10.1016/j.scitotenv.2021.151134 |
| [54] | Chaichan M T, Fayad M A, Al Ezzi A, et al. Ultralow sulfur diesel and rapeseed methyl ester fuel impact on performance, emitted regulated, unregulated, and nanoparticle pollutants[J]. ACS Omega, 2022, 7(30): 26056-26075. |
| [55] | Sha Q E, Zhu M N, Huang H W, et al. A newly integrated dataset of volatile organic compounds (VOCs) source profiles and implications for the future development of VOCs profiles in China[J]. Science of the Total Environment, 2021, 793. DOI:10.1016/j.scitotenv.2021.148348 |
| [56] | Zhang H, Ji Y Y, Wu Z H, et al. Atmospheric volatile halogenated hydrocarbons in air pollution episodes in an urban area of Beijing: Characterization, health risk assessment and sources apportionment[J]. Science of the Total Environment, 2022, 806. DOI:10.1016/j.scitotenv.2021.150283 |
| [57] |
刘厚凤, 李明燕, 许鹏举, 等. 某沿海城市典型行业NMHCs排放特征及对二次污染物生成潜势研究[J]. 环境科学学报, 2021, 41(2): 395-405. Liu H F, Li M Y, Xu P J, et al. Emission characteristics and the formation potential for secondary pollutants of NMHCs from typical industries in a coastal city[J]. Acta Scientiae Circumstantiae, 2021, 41(2): 395-405. |
| [58] | Huang H M, Wang Z W, Dai C H, et al. Volatile organic compounds emission in the rubber products manufacturing processes[J]. Environmental Research, 2022, 212. DOI:10.1016/j.envres.2022.113485 |
| [59] | Jiang C Y, Pei C L, Cheng C L, et al. Emission factors and source profiles of volatile organic compounds from typical industrial sources in Guangzhou, China[J]. Science of the Total Environment, 2023, 869. DOI:10.1016/j.scitotenv.2023.161758 |
| [60] |
张敬巧, 王宏亮, 方小云, 等. 廊坊开发区8~9月O3污染过程VOCs污染特征及来源分析[J]. 环境科学, 2021, 42(10): 4632-4640. Zhang J Q, Wang H L, Fang X Y, et al. Characteristics and source of VOCs during O3 pollution between august to September, Langfang development zones[J]. Environmental Science, 2021, 42(10): 4632-4640. |
| [61] |
阴世杰, 刘新罡, 刘亚非, 等. 运城市四季VOCs特征、来源及臭氧形成敏感物种[J]. 环境科学, 2024, 45(2): 678-688. Yin S J, Liu X G, Liu Y F, et al. Characteristics, sources, and ozone-sensitive species of VOCs in four seasons in Yuncheng[J]. Environmental Science, 2024, 45(2): 678-688. |
| [62] | Borbon A, Fontaine H, Veillerot M, et al. An investigation into the traffic-related fraction of isoprene at an urban location[J]. Atmospheric Environment, 2001, 35(22): 3749-3760. |