2026, Vol. 47
2. 中国海洋大学环境科学与工程学院，青岛 266100
2. College of Environmental Science and Engineering, Ocean University of China, Qingdao 266100, China
过去几十年，中国快速但能源密集型发展导致PM2.5（空气动力学直径小于2.5 μm的颗粒物）污染问题日益突出，危害公共健康[1]. 为缓解PM2.5污染，中国实施了一系列强有力的空气污染控制政策，如2013年颁布的《大气污染防治行动计划》和2018年出台的更严格的《打赢蓝天保卫战三年行动计划》等，使PM2.5及其前体物浓度不同程度地下降[2]. 然而，近年来PM2.5污染治理难度增加，浓度降低明显放缓. 例如Geng等[3]的研究指出，中国74个重点城市的PM2.5浓度2018年之后的下降速度比之前减少了48%，而这背后的原因尚不明确. 2023年底发布的《空气质量持续改善行动计划》[4]提出到2025年全国地级及以上城市PM2.5浓度下降10%，而中国目前还没有一座城市达到世界卫生组织（WHO）推荐的ρ（PM2.5）年均值为10 μg·m-3的安全标准[5]. 所以我国PM2.5的治理和控制依然面临很大挑战.
有研究发现，PM2.5浓度受多种因素的影响，包括污染源排放、气象条件和大气化学反应[6，7]. 污染源向大气中直接释放PM2.5及其前体物NOx、SO2和NH3等，从而决定PM2.5浓度水平，是空气污染的内因[8]. 气象条件影响PM2.5的生成、积累、扩散、传输和去除等多个过程[9]. 不利的气象条件对空气污染至关重要，例如低温可能会降低湍流混合和混合层高度，从而影响空气污染物的浓度和垂直分布高度[10]. 而低风速的静稳天气中，PM2.5的稀释效应显著减弱[11]. 此外，SNA等二次气溶胶对PM2.5的贡献越来越重要，如在雾-霾事件中其贡献率可达PM2.5浓度的30%~77%[12]. 更重要的是，污染物之间的协同或拮抗作用可能导致二次PM2.5与其前体物之间复杂的非线性响应[13]. 因此，厘清PM2.5的生成机制及主控因素对制定针对性的控制措施至关重要.
青岛是典型的中国北方沿海经济发达的特大城市，PM2.5浓度存在年际波动，面临PM2.5控制的挑战. 本研究以青岛为代表区域，基于2013~2023年PM2.5浓度数据，分析其长期变化特征，并结合空气污染物、气象和排放等因素，利用分阶段的可解释性机器学习模型探究不同政策驱动下PM2.5的生成机制和主控因素的演变，以期为中国北方沿海地区PM2.5污染治理和空气质量改善提供理论依据.
1 材料与方法 1.1 数据来源与处理青岛位于黄海的北岸（图 1），属温带季风气候，降水丰沛，四季分明. 为了分析政策驱动的PM2.5浓度变化，根据政策实施，将研究时段划分为3个阶段，第一阶段（2013~2017年）对应了中国实施《大气污染防治行动计划》的时期，2018~2020年（第二阶段）处于《打赢蓝天保卫战三年行动计划》的执行阶段，第三阶段（2020~2023年）则叠加了“十四五”节能减排综合工作方案实施和COVID-19疫情管控措施的影响.
|
图 1 研究区域示意 Fig. 1 Location of the study area |
从中国环境监测总站（https://www.cnemc.cn/）获取2013年1月至2023年12月青岛市PM2.5、PM10、SO2、NO2、O3和CO日平均数据. 气象参数包括温度（T）、相对湿度（RH）、风速（WS）、风向（WD）、大气压强（AP）和降雨量（Precipitation）从https://rp5.ru网站上获取，3h分辨率的气象参数取平均作为当日气象数据（降雨量取当日累加值）. 为了更全面地探究PM2.5的主控因素，本文还从欧洲中期天气预报中心（the fifth generation ECMWF atmospheric reanalysis of the global climate，ERA5，https://cds.climate.copernicus.eu/）补充获取了其他气象参数，包括边界层高度（BLH）、净地表太阳辐射（SSR）和总云量（TCC），在处理时首先根据青岛市经纬度范围裁剪，然后将处理后的每小时气象参数取平均作为当天的气象数据. 此外，本文为考察源排放的影响，还从多尺度排放清单模型（http://meicmodel.org.cn，MEIC v1.4）获取了青岛2013~2020年PM2.5的排放数据，包括工业、电力、民用、农业和交通这5个部门. 气溶胶光学厚度（AOD，550 nm）数据来源于ECMWF Atmospheric Composition Reanalysis 4（https://ads.atmosphere.copernicus.eu/，EAC4）. 从上述数据源获取的数据集基本完整，缺失值和异常值比例低于1%，对整体分析影响较小，因此处理中删除了缺失值和异常值以确保数据质量的可靠性. 机器学习模型的输入变量还包括了表征粒径比的PM-ratio[式（1）]，以及代表年变化的时间变量（year）.
| $ \mathrm{PM} \text {-ratio }=\frac{\rho\left(\mathrm{PM}_{2.5}\right)}{\rho\left(\mathrm{PM}_{10}\right)} $ | (1) |
式中，ρ为质量浓度，单位：μg·m-3.
1.2 模型选择与搭建本研究选取了多个机器学习模型如支持向量机（SVM）、XGBoost、线性回归、随机森林（RF）等对PM2.5浓度进行预测，并采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）来评价各模型性能，公式如下：
| $ R^2=1-\frac{\sum\left(y_i-\hat{y}_i\right)^2}{\sum\left(y_i-\bar{y}\right)^2} $ | (2) |
| $ \text { RMSE }=\sqrt{\frac{1}{n} \sum\limits_{i=1}^n\left(y_i-\hat{y}_i\right)^2} $ | (3) |
| $ \text { MAE }=\frac{1}{n} \sum\limits_{i=1}^n\left|y_i-\hat{y}_i\right| $ | (4) |
式中，n为样本数量，
评价结果如表 1所示，其中线性回归模型性能最差，而随机森林、SVM和XGBoost等性能较高，R2在0.86~0.88之间，且MAE和RMSE接近，表现出相似的预测精度. 综合考虑模型复杂度与可解释性之间的平衡，随机森林由于其独特的特征贡献评估能力[14]，在探究PM2.5主控因素中表现出巨大优势. 该方法是一种高效的集成学习算法[15]，能基于多个具有独立预测能力的决策树，使用Bagging算法通过随机取样的方式生成多个子数据集，每棵决策树基于这些子数据集进行训练，最终使用多数投票或平均的方式对每个决策树的预测结果组合，最大限度地降低过拟合的情况，其数学表达式如下所示：
| $ f(x)=\frac{1}{N} \sum\limits_{i=0}^N h\left(x ; a_i\right) $ | (5) |
|
表 1 不同机器学习模型对PM2.5浓度的预测性能 Table 1 Prediction performance of different machine learning models for PM2.5 concentrations |
式中，N为决策树模型的数量.
综上，本研究最终选择RF模型，并基于Python 3.10的scikit-learn包（https://scikit-learn.org/stable/）搭建分阶段的RF模型. 训练模型之前，本文计算了特征之间的相关性，剔除了皮尔森相关系数超过0.8的冗余特征，以减少数据集的多重共线性问题. 然后对数据进行Z-score标准化处理，如式（6）所示，避免数据量纲和数量级差异的影响. 在后续可解释分析中，对结果进行反标准化处理，使预测值返回到初始量纲，使结果更易于解释和具有实际意义.
| $ X_{\text {standardized }}=\frac{X-\mu}{\sigma} $ | (6) |
式中，X和
为进一步确保模型性能，本文设置了一个超参数范围，随机选择不同的参数组合并使用交叉验证来评估它们的性能，最终识别超参数的最优组合. 此外，本研究还使用递归特征消除多次迭代进一步减少特征冗余，降低模型复杂性并防止多重共线性问题，提高模型的泛化性和性能. 训练和测试集的划分比例、最佳参数组合及迭代结果如表 2所示. 最后，研究通过十折交叉验证和学习曲线分析检验模型是否存在过拟合.
|
|
表 2 RF模型搭建的关键参数 Table 2 Essential hyperparameters for the random forest model |
1.3 SHAP值分析
为了在模型决策的基础上理解其机制和实际意义，模型结果解释方法如Shapley加性解释（shapley additive explanation，SHAP）可以对每个特征进行归因解释[16，17]. 该方法基于联合博弈论[18]将所有特征视为“贡献参与者”，将预测值视为“总收益”. 考虑所有特征的贡献并公平分配每个预测值的合作收益，Shapley值表示分配给每个特征的值，可量化特征对单一模型输出的贡献，公式如下：
| $ \begin{aligned} \varphi_i\left(f, x_0\right)= & \sum_{S \subseteq N \backslash\{i\}} \frac{|S|!(N-|S|-1)!}{|N|!} \times \\ & {[f(S \cup\{i\}-f(S))] } \end{aligned} $ | (7) |
式中，
2013~2023年青岛市ρ（PM2.5）整体呈现下降趋势，从2013年的（56.3±43.66）μg·m-3下降到2023年的（30.2±24.50）μg·m-3（图 2），降低约46.3%，这与Dai等[19]的研究结果类似. 与此同时，PM2.5的年内波动性也呈下降趋势，每年ρ（PM2.5）超过环境空气质量标准（GB 3095-2012）日均二级标准限值（75 μg·m-3）的天数从最初的约70 d降低到30 d以下，由PM2.5引起的灰霾等污染事件发生频次明显减少.
|
蓝点为ρ（PM2.5），箱内的水平线为中位数，箱体边缘表示第25和75百分位数，须线表示在四分位数范围的1.5倍内延伸到的最小值和最大值 图 2 2013~2023年青岛市PM2.5年际变化 Fig. 2 Interannual variations of PM2.5 in Qingdao from 2013 to 2023 |
PM2.5浓度在第一阶段下降最快，速率约-4.33 μg·（m3·a）-1，远高于后两个阶段的-1.53 μg·（m3·a）-1和-0.05 μg·（m3·a）-1，归因于青岛在该阶段针对电力和工业部门实施的有效控制措施，包括强化末端治理、淘汰落后产能、小型污染工厂、企业和工业搬迁以及提倡清洁能源等. 一方面，对这两个部门的减排使PM2.5的排放分别降低了69.5%和22.9%（图 3），另一方面，对燃烧源的控制使SO2浓度迅速下降，第一阶段内为-6.94 μg·（m3·a）-1，减少了硫酸盐的生成进而导致PM2.5浓度的快速下降. Liu等[20]的研究也显示青岛二次硫酸盐对PM2.5的贡献率从2012年的22.3%降低到2019年的16.0%，SO2浓度的降低起到了关键作用. 然而，尽管ρ（PM2.5）快速降低，但仍高于年均二级标准限值（35 μg·m-3）.
|
百分比为不同阶段各部门对PM2.5排放量的减排贡献率 图 3 第一和第二阶段PM2.5排放量变化趋势及各部门减排贡献率 Fig. 3 PM2.5 emission trends and sectoral contributions to emission reductions (phase Ⅰ and Ⅱ) |
第二阶段PM2.5降速减缓，对电力和工业部门的控制措施边际效益减弱，与之相对的是民用源和交通源对PM2.5减排贡献率增加，分别降低37.2%和11.0%（图 3）. 与此同时，减排政策更强调能源效率和平衡的污染物控制措施[21]，协同控制NOx、VOCs和NH3排放，具体措施包括产业结构调整、推广居民使用清洁燃料、控制交通源排放和管理农业源等. 对上述前体物的协同控制直接削减了硝酸盐、铵盐和二次有机气溶胶（SOA）的生成，并通过减少O3的生成抑制大气氧化能力，减少碱性气体排放调节气溶胶酸度等，改变了PM2.5的氧化生成和气粒转化路径，影响其二次颗粒物组成[22，23].
由于上述污染控制措施的实施需要更长周期和更复杂的协调，因此，《“十四五”节能减排综合工作方案》在《打赢蓝天保卫战三年行动计划》的基础上，进一步收紧排放目标并明确了对农业氨的指标性减排，提出对VOCs和NOx的差异化控制策略. 在氨排放控制不足、NH3浓度相对充足的情况下[24]，SO2的大幅减排造成更加富氨的环境可能加速硝酸盐的生成[25，26]，而相对过剩的NOx可以改变O3的滴定效率[27]或强化VOCs光解产生O3，进而影响大气氧化能力. 对更平衡的VOCs与NOx调整策略可以避免NOx氧化能力过剩导致的VOCs加速氧化，削减SOA的生成路径[28]. 此外，自2020年2月起青岛实施的COVID-19疫情管控措施进一步推动了除O3外各污染物浓度的下降（图 4），PM2.5年均浓度也降低到国家二级标准限值以下，如2022年ρ（PM2.5）降低到（26.19±19.87）μg·m-3，为研究期间最低值. 疫情解封之后，2023年PM2.5浓度又回升至疫情前水平，表明限制工业生产和交通等人为活动能持续改善PM2.5污染.
|
阴影部分表示污染物浓度变化的误差范围 图 4 空气污染物年际变化特征及相对于2013年的变化比例 Fig. 4 Interannual variations of air pollutants and percentage changes compared to those in 2013 |
2013~2023年间，ρ（PM2.5）的季节变化特征大小表现为：冬季[（63.9±46.4）μg·m-3] > 春季[（39.3±23.8）μg·m-3] > 秋季[（32.7±23.5）μg·m-3] > 夏季[（23.9±17.0）μg·m-3]（图 5）. 随年份增加，青岛市各季节PM2.5浓度呈下降趋势，夏季下降最快，速率为-8.55 %·a-1，春季次之，秋季和冬季下降最慢，约-4.6%·a-1. 春夏秋季的ρ（PM2.5）从第二阶段开始逐渐降低到35 μg·m-3，而冬季季均ρ（PM2.5）始终高于这一目标值.
|
图 5 PM2.5浓度及主要部门排放量的季节变化特征 Fig. 5 Seasonal variations in PM2.5 concentrations and emissions from major sectors |
进一步对PM2.5主要排放源的季节特征分析发现，冬季PM2.5浓度降低较慢的主要原因是民用源排放在冬季显著增加. 如图 5所示，工业、电力和交通源PM2.5排放量没有显著的季节差异，春夏秋季PM2.5主要排放源为工业源，约占40%~60%，而冬季民用源排放量升高约3~4倍，对PM2.5的贡献率显著升高，从其他季节的20%~40%升高到50%以上，增加约28%~46%. 这主要是由于青岛冬季采暖供热导致民用散煤和生物质燃烧排放增多. 尽管近些年不断开展民用散煤清洁化等工作，但由于民用散煤硫分、灰分高，燃烧效率低且排放因子高[29]，每克煤的PM2.5排放率可能比燃煤电厂高约2个数量级[30]. 此外，民用散煤还是SO2、NOx和VOCs的重要来源[31，32]，这些前体物排放的增加导致PM2.5的二次生成增强，尤其是在冬季不利的气象条件下. 2013~2023年，4个季节工业和电力源对PM2.5的贡献逐年降低，民用源和交通源的贡献增加. 因此，尽管第二、三阶段已强化了对民用源和交通源的排放控制，但目前这两个排放源仍具有较大的减排潜力.
2.3 PM2.5主控因素的可解释性分析图 6和图 7分别展示了2013~2023年以及各阶段的PM2.5浓度的RF模型预测结果，模型能准确预测PM2.5浓度，R2均大于0.86，且RMSE和MAE较低. 与2013~2023年的完整数据集输入相比，各阶段的部分数据集输入并没有使模型性能明显下降，说明模型具有较强的鲁棒性和泛化能力. 此外，模型训练集的R2=0.97，与测试集R2差异约10%，不存在性能显著下降，且由图 6（d）可知，随着样本数量增加，模型交叉验证得分持续升高，与训练得分差距缩小且趋于收敛，模型泛化能力增强且过拟合风险较低.
|
（d）中阴影部分表示模型得分的方差范围 图 6 RF模型对2013~2023年PM2.5预测的十折交叉验证结果、特征贡献率、SHAP值解释及学习曲线 Fig. 6 Ten-fold cross-validation results of the RF model for PM2.5 predictions (2013-2023), feature contribution, SHAP value interpretation, and learning curve |
|
图 7 RF模型分别对3个阶段的PM2.5预测的十折交叉验证结果、特征贡献率及SHAP值解释 Fig. 7 Ten-fold cross-validation results of the RF model for PM2.5 predictions in three phases, feature contribution, and SHAP value interpretations |
利用RF模型中的特征贡献评估以及SHAP值来评估各变量对PM2.5浓度的影响. 如图 6和图 7所示，CO在各个阶段对PM2.5浓度影响最大，贡献率为30.9%~37.1%，青岛CO主要来源于燃烧源的一次排放，PM2.5浓度随CO浓度升高（红色）而升高，表明二者具有同源性，如工业燃烧、生物质燃烧和交通排放等[33]. 前体物NO2和SO2的贡献率分别为17.1%~23.1%和0%~12.8%，且PM2.5浓度随NO2和SO2浓度的降低而降低.
本研究进一步采用归一化的PM2.5/CO和NO2/SO2探究PM2.5浓度变化的主控因素（图 8），前者为二次气溶胶生成的指标[34]，后者则表征NO2和SO2的贡献率. PM2.5/CO从2013年的119%下降到2023年的88%，说明二次生成减少导致PM2.5浓度下降，而NO2/SO2呈上升趋势，并在2017年之后超过100%，说明SNA前体物浓度变化的非同步性可能导致PM2.5浓度降速变缓，无机离子组成从硫酸盐主导型向硝酸盐主导型转变[20]. 具体而言，第一阶段SO2的下降速率远大于PM2.5，且其贡献率在该阶段最高，表明2013~2017年对工业和电力部门的减排，使SO2排放降低，生成的硫酸盐减少进而使PM2.5浓度降低. 2017年之后，ρ（SO2）降低到只有约8 μg·m-3，且贡献率进一步下降，SO2边际减排效益趋于饱和，2020年之后，SO2对PM2.5生成的贡献率几乎为0. 另一方面，由于我国在2018年之前缺乏有效的氨排放控制政策，NH3浓度相对充足[24]，SO2浓度的快速降低可能造成富氨的环境[25，26]，（NH4）2SO4生成减少，使NH3更多存在于气相中. 与之相对的，2017年之后NO2浓度稳定，仅以-0.80 μg·（m3·a）-1速率缓慢降低，这可能导致更多的NH4NO3生成，使NO2对PM2.5的贡献率增加约6%，近年来硝酸盐在PM2.5中的占比越来越高[35].
|
图 8 归一化PM2.5/CO和NO2/SO2年际变化 Fig. 8 Interannual variations in normalized PM2.5/CO and NO2/SO2 |
基于RF模型结果，本研究进一步使用PDP部分依赖和SHAP交互分析从不同角度考察因素间的相互作用，一方面，PDP部分依赖揭示了PM2.5对单个因素的敏感性，另一方面，SHAP交互分析可以探究特征间的交互作用对PM2.5浓度的影响. 结果表明：当ρ（SO2）降低到约8 μg·m-3时，硫酸盐生成受限，进一步降低SO2浓度对PM2.5浓度的边际影响减弱，反而使NO2对氧化剂和NH3的竞争增强，调控PM2.5的生成路径，导致PM2.5对NO2敏感性增加；由图 9（b）可知，低SO2浓度下SO2与NO2的SHAP交互值升高，协同作用增强，从而减缓了PM2.5浓度的降速. 因此，尽管二次生成气溶胶减少主导了PM2.5浓度的降低，但近年来前体物浓度的非同步变化可能导致PM2.5浓度降速变缓，鉴于二次无机源仍然是青岛PM2.5的主要来源[36]，协同控制SNA前体物排放继续减少其二次生成是必要的.
|
（a）PDP部分依赖，（b）SHAP交互分析；（a）中数值为PM2.5浓度等值线，单位为μg·m-3 图 9 2013~2023年青岛市SO2与NO2浓度对PM2.5的影响及其交互作用 Fig. 9 Interaction of SO2 and NO2 with PM2.5 in Qingdao from 2013 to 2023 |
PM-ratio对PM2.5浓度的贡献率约12.4%~15.8%，且高粒径比对应了高PM2.5浓度，表明大多数污染事件可能是由PM2.5主导的，如在雾-霾期间，PM2.5可以占PM10浓度的90%以上[37]. 细粒子的高占比与多种因素相关，如工业燃烧、汽车尾气等排放特性倾向于释放更多的细颗粒物[38，39]，这直接增加了PM2.5的浓度. 气态污染物的二次转化和分布也更倾向于发生在比表面积更大的细颗粒物上[40]，进一步增加了PM2.5的比例. 此外，细颗粒物更容易在大气中停留，通过传输或累积导致粒径比升高.
气象因素解释了约14%的PM2.5浓度变化，与Zhai等[41]的结果类似，重要的气象参数包括温度和湿度，低温（< 15℃）提高了PM2.5浓度的预测值，有利于PM2.5的生成，许多研究证实了这一点[42，43]. 低温条件下有利于半挥发性组分和铵盐等进入颗粒相，不利于边界层高度的抬升[44]，且PM2.5污染常发生在逆温天气[45]，在这种天气下大气条件相对稳定，限制了污染物的垂直扩散和传输，导致在近地面积聚[46]，而高浓度PM2.5可以散射或反射更多太阳辐射降低地表温度，形成更有利于PM2.5积累的静稳条件从而加剧污染[47]. 高湿度（> 65%）导致了气溶胶粒子的吸湿增长，且液相反应在高湿环境下增强，可能促进痕量气体的二次转化形成二次气溶胶[48]，加剧了PM2.5污染. 此外，随着对PM2.5及前体物的排放控制，气象因素变得越来越重要，其权重从第一阶段的13.8%升高到第三阶段的18.9%，因此未来的研究更应该关注气象条件与PM2.5的相互作用机制对PM2.5浓度的总体影响.
综合来看，我国对PM2.5的治理成效显著，但近年来面临边际效益递减，控制成本上升等多方面的挑战[3]，实施更协同、平衡和精准的污染物控制有助于有效解决这个问题. 具体而言，在推广新能源汽车以降低交通源NOx排放的同时，应并行采取有力措施控制其他相关污染物的排放，如深化工业部门的清洁生产技术改革以降低VOCs排放，强化农业面源污染治理以减少NH3排放等. 此外，酸性气体的深度减排以及削弱大气氧化能力也必须纳入综合治理框架，可以有效遏制PM2.5生成的路径，确保PM2.5的长远治理效果.
3 结论（1）2013~2023年，青岛市PM2.5浓度下降46.3%，主要是二次气溶胶生成减少所致. 其中，PM2.5浓度在2017年之前下降是因为工业和电力部门的减排显著减少了二次硫酸盐的生成. 2017年之后，PM2.5浓度降速变缓，可归因于SNA前体物浓度的非同步变化导致二次气溶胶对PM2.5生成的贡献增加. 机器学习模型显示NO2对PM2.5的贡献率增加了6%，而SO2对PM2.5生成的贡献率可忽略，且低SO2浓度下PM2.5对NO2的敏感性增强. 随着对PM2.5及其前体物的排放控制，气象因素对PM2.5生成的贡献率增加约5.1%.
（2）青岛市PM2.5浓度的季节变化特征大小表现为：冬季 > 春季 > 秋季 > 夏季. 夏季PM2.5浓度随年份下降最快，而受民用源一次排放显著增加的影响，其浓度在冬季下降最慢. 未来的政策应更关注对民用源的控制，减少PM2.5的一次排放以缓解PM2.5污染，同时强调NOx，VOCs和NH3等多污染物的协同控制，降低PM2.5的二次生成以实现长远治理效果.
| [1] | Cohen A J, Brauer M, Burnett R, et al. Estimates and 25-year trends of the global burden of disease attributable to ambient air pollution: an analysis of data from the Global Burden of Diseases Study 2015[J]. The Lancet, 2017, 389(10082): 1907-1918. DOI:10.1016/S0140-6736(17)30505-6 |
| [2] | Zhang Q, Zheng Y X, Tong D, et al. Drivers of improved PM2.5 air quality in China from 2013 to 2017[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(49): 24463-24469. |
| [3] | Geng G N, Liu Y X, Liu Y, et al. Efficacy of China's clean air actions to tackle PM2.5 pollution between 2013 and 2020[J]. Nature Geoscience, 2024, 17(10): 987-994. DOI:10.1038/s41561-024-01540-z |
| [4] | 国务院. 关于印发《空气质量持续改善行动计划》的通知[EB/OL]. https://www.gov.cn/zhengce/content/202312/content_6919000.htm, 2025-01-08. |
| [5] | Mandal J, Chanda A, Sarkar S. Outdoor PM2.5 pollution levels and their degree of compliance with WHO air quality guidelines across 760 cities in China, India, and Pakistan[J]. Environment, Development and Sustainability, 2024. DOI:10.1007/s10668-024-05816-7 |
| [6] | Hou L L, Dai Q L, Song C B, et al. Revealing drivers of haze pollution by explainable machine learning[J]. Environmental Science & Technology Letters, 2022, 9(2): 112-119. |
| [7] | He M, Chen J H, He Y M, et al. Trends and source contribution characteristics of SO2, NOx, PM10 and PM2.5 emissions in Sichuan Province from 2013 to 2017[J]. Atmosphere, 2021, 12(2). DOI:10.3390/atmos12020189 |
| [8] | Hao Y F, Meng X P, Yu X P, et al. Quantification of primary and secondary sources to PM2.5 using an improved source regional apportionment method in an industrial city, China[J]. Science of the Total Environment, 2020, 706. DOI:10.1016/j.scitotenv.2019.135715 |
| [9] | An Z S, Huang R J, Zhang R Y, et al. Severe haze in northern China: a synergy of anthropogenic emissions and atmospheric processes[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(18): 8657-8666. |
| [10] | Ngarambe J, Joen S J, Han C H, et al. Exploring the relationship between particulate matter, CO, SO2, NO2, O3 and urban heat island in Seoul, Korea[J]. Journal of Hazardous Materials, 2021, 403. DOI:10.1016/j.jhazmat.2020.123615 |
| [11] | Huang X, Ding A J, Wang Z L, et al. Amplified transboundary transport of haze by aerosol-boundary layer interaction in China[J]. Nature Geoscience, 2020, 13(6): 428-434. DOI:10.1038/s41561-020-0583-4 |
| [12] | Huang R J, Zhang Y L, Bozzetti C, et al. High secondary aerosol contribution to particulate pollution during haze events in China[J]. Nature, 2014, 514(7521): 218-222. DOI:10.1038/nature13774 |
| [13] | Holt J, Selin N E, Solomon S. Changes in inorganic fine particulate matter sensitivities to precursors due to large-Scale US emissions reductions[J]. Environmental Science & Technology, 2015, 49(8): 4834-4841. |
| [14] | Altmann A, Toloşi L, Sander O, et al. Permutation importance: a corrected feature importance measure[J]. Bioinformatics, 2010, 26(10): 1340-1347. DOI:10.1093/bioinformatics/btq134 |
| [15] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [16] | Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017. 4768-4777. |
| [17] | Stirnberg R, Cermak J, Kotthaus S, et al. Meteorology-driven variability of air pollution (PM1) revealed with explainable machine learning[J]. Atmospheric Chemistry and Physics, 2021, 21(5): 3919-3948. DOI:10.5194/acp-21-3919-2021 |
| [18] | Shapley L S. Stochastic Games[J]. Proceedings of the National Academy of Sciences of the United States of America, 1953, 39(10): 1095-1100. |
| [19] | Dai Q L, Chen J J, Wang X H, et al. Trends of source apportioned PM2.5 in Tianjin over 2013–2019: impacts of Clean Air Actions[J]. Environmental Pollution, 2023, 325. DOI:10.1016/j.envpol.2023.121344 |
| [20] | Liu B S, Wang Y Y, Meng H, et al. Dramatic changes in atmospheric pollution source contributions for a coastal megacity in northern China from 2011 to 2020[J]. Atmospheric Chemistry and Physics, 2022, 22(13): 8597-8615. DOI:10.5194/acp-22-8597-2022 |
| [21] | Zheng J L, Mi Z F, Coffman D M, et al. The slowdown in China's carbon emissions growth in the new phase of economic development[J]. One Earth, 2019, 1(2): 240-253. DOI:10.1016/j.oneear.2019.10.007 |
| [22] | Zhang Z X, Yan Y Y, Kong S F, et al. Benefits of refined NH3 emission controls on PM2.5 mitigation in central China[J]. Science of the Total Environment, 2022, 814. DOI:10.1016/j.scitotenv.2021.151957 |
| [23] |
郭方方, 谢绍东. PM2.5中二次硫酸盐和硝酸盐生成机制[J]. 化学进展, 2023, 35(9): 1313-1326. Guo F F, Xie S D. Formation mechanisms of secondary sulfate and nitrate in PM2.5[J]. Progress in Chemistry, 2023, 35(9): 1313-1326. |
| [24] | Zhou K Y, Xu W, Zhang L, et al. Estimating nitrogen and sulfur deposition across China during 2005 to 2020 based on multiple statistical models[J]. Atmospheric Chemistry and Physics, 2023, 23(15): 8531-8551. DOI:10.5194/acp-23-8531-2023 |
| [25] | Liu M X, Huang X, Song Y, et al. Rapid SO2 emission reductions significantly increase tropospheric ammonia concentrations over the North China Plain[J]. Atmospheric Chemistry and Physics, 2018, 18(24): 17933-17943. DOI:10.5194/acp-18-17933-2018 |
| [26] | Zhai S X, Jacob D J, Wang X, et al. Control of particulate nitrate air pollution in China[J]. Nature Geoscience, 2021, 14(6): 389-395. DOI:10.1038/s41561-021-00726-z |
| [27] | Fu X, Wang T, Gao J, et al. Persistent heavy winter nitrate pollution driven by increased photochemical oxidants in Northern China[J]. Environmental Science & Technology, 2020, 54(7): 3881-3889. |
| [28] | Ding D, Xing J, Wang S X, et al. Optimization of a NOx and VOC cooperative control strategy based on clean air benefits[J]. Environmental Science & Technology, 2022, 56(2): 739-749. |
| [29] | Yun X, Meng W J, Xu H R, et al. Coal is dirty, but where it is burned especially matters[J]. Environmental Science & Technology, 2021, 55(11): 7316-7326. |
| [30] | Zhang Y X, Schauer J J, Zhang Y H, et al. Characteristics of particulate carbon emissions from real-world Chinese coal combustion[J]. Environmental Science & Technology, 2008, 42(14): 5068-5073. |
| [31] | Dai Q L, Bi X H, Song W B, et al. Residential coal combustion as a source of primary sulfate in Xi'an, China[J]. Atmospheric Environment, 2019, 196: 66-76. DOI:10.1016/j.atmosenv.2018.10.002 |
| [32] | Jiang P Y, Chen X L, Li Q Y, et al. High-resolution emission inventory of gaseous and particulate pollutants in Shandong Province, eastern China[J]. Journal of Cleaner Production, 2020, 259. DOI:10.1016/j.jclepro.2020.120806 |
| [33] |
王占永, 蔡铭, 彭仲仁, 等. 基于移动观测的路边PM2.5和CO浓度的时空分布[J]. 中国环境科学, 2017, 37(12): 4428-4434. Wang Z Y, Cai M, Peng Z R, et al. Spatiotemporal distributions of roadside PM2.5 and CO concentrations based on mobile observations[J]. China Environmental Science, 2017, 37(12): 4428-4434. |
| [34] | Huang X, Ding A J, Gao J, et al. Enhanced secondary pollution offset reduction of primary emissions during COVID-19 lockdown in China[J]. National Science Review, 2021, 8(2). DOI:10.1093/nsr/nwaa137 |
| [35] | Wang J Q, Gao J, Che F, et al. Decade-long trends in chemical component properties of PM2.5 in Beijing, China (2011-2020)[J]. Science of the Total Environment, 2022, 832. DOI:10.1016/j.scitotenv.2022.154664 |
| [36] |
张玉卿, 张韬, 方渊, 等. 北方沿海城市大气PM2.5组分特征及来源分析: 以青岛市为例[J]. 环境科学研究, 2024, 37(3): 525-535. Zhang Y Q, Zhang T, Fang Y, et al. Composition characteristics and source apportionment of atmospheric PM2.5 in northern coastal cities: a case study of Qingdao City[J]. Research of Environmental Sciences, 2024, 37(3): 525-535. |
| [37] | Wu L Y, Zhang X Y, Sun J Y, et al. Intensified wintertime secondary inorganic aerosol formation during heavy haze pollution episodes (HPEs) in Beijing, China[J]. Journal of Environmental Sciences, 2022, 114: 503-513. DOI:10.1016/j.jes.2022.01.008 |
| [38] |
刘慧琳, 陈志明, 黄炯丽, 等. 利用3 nm~20 μm颗粒物粒径分布测量仪对南宁市大气颗粒物粒径分布特征进行研究[J]. 环境科学学报, 2017, 37(12): 4467-4475. Liu H L, Chen Z M, Huang J L, et al. Study on atmospheric particle size distribution by particle size distribution system in the range of 3 nm~20 μm in Nanning[J]. Acta Scientiae Circumstantiae, 2017, 37(12): 4467-4475. |
| [39] |
常清, 杨复沫, 李兴华, 等. 北京冬季雾霾天气下颗粒物及其化学组分的粒径分布特征研究[J]. 环境科学学报, 2015, 35(2): 363-370. Chang Q, Yang F M, Li X H, et al. Characteristics of mass and chemical species size distributions of particulate matter during haze pollution in the winter in Beijing[J]. Acta Scientiae Circumstantiae, 2015, 35(2): 363-370. |
| [40] | Ho K F, Lee S C, Chan C K, et al. Characterization of chemical species in PM2.5 and PM10 aerosols in Hong Kong[J]. Atmospheric Environment, 2003, 37(1): 31-39. DOI:10.1016/S1352-2310(02)00804-X |
| [41] | Zhai S X, Jacob D J, Wang X, et al. Fine particulate matter (PM2.5) trends in China, 2013–2018: separating contributions from anthropogenic emissions and meteorology[J]. Atmospheric Chemistry and Physics, 2019, 19(16): 11031-11041. DOI:10.5194/acp-19-11031-2019 |
| [42] |
袁刚, 祁建华, 丁雪. 青岛近海不同污染过程下大气颗粒态氮磷浓度分布特征[J]. 环境科学, 2021, 42(3): 1280-1297. Yuan G, Qi J H, Ding X. Concentrations and patterns of atmospheric particulate nitrogen and phosphorus during different weather conditions in Qingdao coastal region[J]. Environmental Science, 2021, 42(3): 1280-1297. DOI:10.13227/j.hjkx.202007241 |
| [43] | Vaishali, Verma G, Das R M. Influence of temperature and relative humidity on PM2.5 concentration over Delhi[J]. Mapan, 2023, 38(3): 759-769. DOI:10.1007/s12647-023-00656-8 |
| [44] | Xu L L, Duan F K, He K B, et al. Characteristics of the secondary water-soluble ions in a typical autumn haze in Beijing[J]. Environmental Pollution, 2017, 227: 296-305. DOI:10.1016/j.envpol.2017.04.076 |
| [45] | Li J, Chen H B, Li Z Q, et al. Low-level temperature inversions and their effect on aerosol condensation nuclei concentrations under different large-scale synoptic circulations[J]. Advances in Atmospheric Sciences, 2015, 32(7): 898-908. DOI:10.1007/s00376-014-4150-z |
| [46] | You T, Wu R G, Huang G, et al. Regional meteorological patterns for heavy pollution events in Beijing[J]. Journal of Meteorological Research, 2017, 31(3): 597-611. DOI:10.1007/s13351-017-6143-1 |
| [47] | Zhong J T, Zhang X Y, Dong Y S, et al. Feedback effects of boundary-layer meteorological factors on cumulative explosive growth of PM2.5 during winter heavy pollution episodes in Beijing from 2013 to 2016[J]. Atmospheric Chemistry and Physics, 2018, 18(1): 247-258. DOI:10.5194/acp-18-247-2018 |
| [48] | Li R, Zhao Y L, Fu H B, et al. Substantial changes in gaseous pollutants and chemical compositions in fine particles in the North China Plain during the COVID-19 lockdown period: anthropogenic vs. meteorological influences[J]. Atmospheric Chemistry and Physics, 2021, 21(11): 8677-8692. DOI:10.5194/acp-21-8677-2021 |