基于可解释性机器学习的广州市城区与对照站点O<sub>3</sub>和PM<sub>2.5</sub>污染特征及差异分析

引用本文

梁宝玲, 孙启斌, 张金谱, 梁永健, 蔡明甫, 裴成磊. 基于可解释性机器学习的广州市城区与对照站点O₃和PM_2.5污染特征及差异分析[J]. 环境科学, 2026, 47(6): 4249-4260.

LIANG Bao-ling, SUN Qi-bin, ZHANG Jin-pu, LIANG Yong-jian, CAI Ming-fu, PEI Cheng-lei. Analysis of O₃ and PM_2.5 Mass Concentration Characteristics and Differences Between the Urban and Control Sites in Guangzhou Based on Explainable Machine Learning[J]. Environmental Science, 2026, 47(6): 4249-4260.

基于可解释性机器学习的广州市城区与对照站点O₃和PM_2.5污染特征及差异分析

梁宝玲¹, 孙启斌^2,3, 张金谱^1,4, 梁永健¹, 蔡明甫⁵, 裴成磊¹

1. 广东省广州生态环境监测中心站，广州 510006;
2. 广东省东莞市气象局，东莞 523086;
3. 粤港澳大湾区气象研究院，东莞市城市生态环境气象工程技术研究中心，东莞 523086;
4. 中国科学院广州地球化学研究所有机地球化学国家重点实验室，广东省环境资源利用与保护重点实验室，广州 510640;
5. 生态环境部华南环境科学研究所，广州 510655

收稿日期: 2025-04-17; 修订日期: 2025-07-31

基金项目: 广东省气象局科技项目（GRMC2023M34）；粤港澳大湾区气象科技协同攻关项目（GHMA2024Y03）

作者简介: 梁宝玲（1995~），女，博士研究生，主要研究方向为大气污染特征与成因解析，E-mail：liangbl3@alumni.sysu.edu.cn

通信作者: 裴成磊，E-mail：peichenglei@163.com

摘要: 基于2019~2023年广州市O₃和PM_2.5数据，开展城区与对照站点O₃和PM_2.5质量浓度的分布和差异特征分析. 结果表明，城区和对照站点O₃质量浓度呈现高值波动趋势，PM_2.5质量浓度下降显著，O₃和PM_2.5质量浓度在城区和对照站点差异逐渐缩小，ΔO₃与ΔPM_2.5的变化趋势从2019~2020年间的协同性逐渐转为2020~2023年的差异性. 城区和对照站点O₃月变化分别呈现双峰和三峰分布的特征，PM_2.5则一致呈现“U型”分布. 城区和对照站点O₃质量浓度呈现秋季 > 夏季 > 春季 > 冬季的特征，O₃质量浓度上升趋势显著且O₃质量浓度峰值出现时间延迟，由夏季转为秋季，PM_2.5质量浓度呈现冬季 > 秋季 > 春季 > 夏季的特征. 基于极限梯度提升（XGBoost）模型和Shapley加性解释方法（SHAP）分析结果表明，地表净太阳辐射和风速是影响城区和对照站点O₃质量浓度的最大的因素，超标天时二者贡献程度增加，对照站点对O₃前体物（NO₂）的光化学生成敏感性更为显著，NO_x减排有利于城市背景O₃质量浓度的降低. NO₂、相对湿度和CO是影响城区站点PM_2.5质量浓度的主要因素，对照站点的前3个贡献要素则是相对湿度、NO₂和风速. 敏感性分析结果进一步揭示：地表净太阳辐射≥135 W·m^-2、风速≤1.8 m·s^-1和高于ρ（NO₂）下限值（城区/对照站点：34/22 μg·m^-3）O₃质量浓度显著增加；而在静稳条件（风速≤1.6 m·s^-1）、湿度≤78%、高于ρ（NO₂）下限值（城区/对照站点：40/22 μg·m^-3）和ρ（CO）下限值（城区/对照站点：0.8/0.7 mg·m^-³）PM_2.5质量浓度增加显著.

关键词: 广州城区对照站点 O₃ PM_2.5 差异极限梯度提升（XGBoost） Shapley加性解释方法（SHAP）

Analysis of O₃ and PM_2.5 Mass Concentration Characteristics and Differences Between the Urban and Control Sites in Guangzhou Based on Explainable Machine Learning

LIANG Bao-ling¹ , SUN Qi-bin^2,3 , ZHANG Jin-pu^1,4 , LIANG Yong-jian¹ , CAI Ming-fu⁵ , PEI Cheng-lei¹

1. Guangzhou Sub-branch of Guangdong Ecological and Environmental Monitoring Center, Guangzhou 510006, China;
2. Dongguan Meteorological Bureau, Dongguan 523086, China;
3. Greater Bay Area Academy of Meteorological Research, Dongguan Engineering Technology Research Center of Urban Eco-Environmental Meteorology, Dongguan 523086, China;
4. State Key Laboratory of Organic Geochemistry, Guangdong Key Laboratory of Environmental Protection and Resources Utilization, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, China;
5. South China Institute of Environmental Sciences, Ministry of Ecology and Environment, Guangzhou 510655, China

Abstract: Based on the O₃ and PM_2.5 mass concentration from 2019 to 2023 in Guangzhou, this study analyzed the spatial distribution and difference in O₃ and PM_2.5 mass concentrations between the urban and control sites. The results revealed that O₃ mass concentrations at both the urban and control sites exhibited a high-value fluctuation trend, while PM_2.5 mass concentrations declined significantly. The difference in O₃ and PM_2.5 mass concentration between the urban and control site gradually narrowed. The variation trends of ΔO₃ and ΔPM_2.5 shifted from a synchronous pattern during 2019 to 2020 to a divergent pattern during 2020 to 2023. Monthly variations in O₃ mass concentrations displayed a bimodal pattern at the urban station and a trimodal pattern at the control site, whereas PM_2.5 mass concentrations consistently exhibited a "U-shaped" distribution. Seasonal variations showed that O₃ mass concentration followed the characteristics of autumn > summer > spring > winter, with a notable upward trend in O₃ levels and a shift in peak occurrence from summer to autumn. In contrast, PM_2.5 mass concentrations were highest in winter, followed by those in autumn, spring, and summer. Implementing the extreme gradient boosting (XGBoost) model and the Shapley additive explanation (SHAP), the analysis identified surface net solar radiation and wind speed as the most significant factors affecting O₃ mass concentrations at both the urban and control sites. Their contributions increased on polluted days, and control sites were more sensitive to the photochemical formation of ozone precursors (NO₂), indicating that NO_x emission reductions were more effective in lowering background O₃ levels. For PM_2.5 mass concentrations, NO₂, relative humidity, and CO were the primary influencing factors at the urban station, while relative humidity, NO₂, and wind speed were the top contributors at the control site. Sensitivity analysis further revealed that O₃ mass concentrations significantly increased under conditions of surface net solar radiation≥135 W·m^-2, wind speed≤1.8 m·s^-1, and NO₂ concentrations exceeding the lower threshold (urban/control sites: 34/22 μg·m^-3). PM_2.5 mass concentrations significantly increased under stagnant conditions (wind speed≤1.6 m·s^-1), humidity≤78%, and concentrations exceeding the lower thresholds of NO₂ (urban/control sites: 40/22 μg·m^-3) and CO (urban/control sites: 0.8/0.7 mg·m^-³). This study provides insights into the long-term evolution of O₃ and PM_2.5 mass concentrations at urban and control sites and offers quantitative evidence to support the development of differentiated strategies for controlling regional complex pollution.

Key words: Guangzhou urban station control site O₃ PM_2.5 discrepancy extreme gradient boosting (XGBoost) Shapley additive explanation (SHAP)

《大气污染防治行动》发布实施以来，我国大气污染防治取得显著成效，二氧化硫、氮氧化物和一次源PM_2.5减排幅度达59%、21%和33%^[1~3]，空气优良天数比例显著提升. 2013~2017年，全国74个城市的ρ（PM_2.5）平均值从（72.3±37.4）μg·m^-3降至（47.4±20.6）μg·m^-3，其中京津冀地区降幅最为显著，从106.1 μg·m^-3降至64.3 μg·m^-3，降幅接近40% ^[4]. 然而，在PM_2.5质量浓度大幅削减的背景下，全国O₃质量浓度呈现出上升趋势. 全国O₃日最大8 h质量浓度平均值（MDA8-O₃）在暖季（4~9月）以2.6 μg·（m³·a）^-1的增长速率上升^[5]，京津冀和长三角地区的O₃年评价值（MDA8-90）增长率达3×10^-9~12×10^-9 a^-1[4]. 珠三角O₃质量浓度及超标率均出现增长趋势，在2015~2019年间，O₃超标率从5.1%增长至14.82%^[6]. O₃已成为继PM_2.5后，影响我国城市和区域环境空气质量的关键大气污染物，二者协同控制成为空气质量持续改善和打赢蓝天保卫战的关键.

在此背景下，开展O₃和PM_2.5长期观测，有助于提升污染物时空演变规律认知，进一步厘清城市大气污染的成因. 目前，O₃和PM_2.5的研究分析多聚焦于城区站点，背景站点研究相对不足. 城区站点受人为源排放影响显著^[7，8]，前体物排放累积和二次生成转化对污染物浓度水平有重要影响. 而城市清洁对照点受人为活动干扰程度较低，一定程度上可反映城市污染物的背景浓度，其变化主要由区域传输和气象条件主导. 因此，城市对照站点的长期观测可为城区站点变化趋势规律提供对比和补充，对评价城市减排成效具有重要意义.

针对O₃和PM_2.5污染的成因分析，近年来国内不少城市开展了基于可解释性机器学习的O₃和PM_2.5质量浓度驱动机制的探索^[9~11]. 有研究显示，晋城夏季O₃污染的强驱动因素为气温、日照强度、湿度和前体物排放水平^[12]，而南京市相对湿度和氮氧化物对O₃污染的影响更为显著^[9]. 王超龙等^[13]评估了青岛市O₃质量浓度变化的气象要素和大气污染物排放的贡献，结果显示气象因素占主导（67.7%），大气污染物排放贡献为32.3%. 于PM_2.5而言，温度和气态前体物（NO₂、SO₂、CO、O₃）是其质量浓度变化的重要影响因子^[14]. 青岛市2013~2017年PM_2.5质量浓度的快速下降归因于工业和电力部门的减排显著减少了二次硫酸盐生成，随着对PM_2.5及其前体物的排放控制，气象因素对PM_2.5生成的贡献率有所增加^[15].

广州市地处粤港澳大湾区核心区域，是我国九大中心城市之一，同时为珠三角的重要枢纽城市，研究其O₃和PM_2.5的质量浓度演变及驱动机制，对制定针对性的污染防控政策具有重要现实意义. 本研究基于2019~2023年广州市城区与对照站点O₃和PM_2.5监测数据，利用极限梯度提升（extreme gradient boosting，XGBoost）模型和SHAP（shapley additive explanations）方法，开展城区和对照站点污染特征分析和关键驱动因素解析. 在《打赢蓝天保卫战三年行动计划》实施背景下，研究了广州市城区与对照站点O₃和PM_2.5质量浓度趋势变化特征，以期为制定差异化的区域复合污染防控策略提供量化依据.

1 材料与方法 1.1 数据来源

本研究基于广州市2019~2023年O₃、PM_2.5和相关气态污染物（NO₂、NO、SO₂、CO）的质量浓度数据，以及气象数据开展分析，其中污染物质量浓度数据来源于广东省广州生态环境监测中心站，气象数据则来自欧洲中期天气预报中心（https://cds.climate.copernicus.eu/datasets）的ERA5再分析数据集（0.25° × 0.25°）. 城区和对照站点的气象资料通过邻近经纬度的网格点进行提取，其中10 m经向风、10 m纬向风、2 m温度、平均海平面气压、总云量、高等植物叶面积指数、低等植物叶面积指数、边界层高度和地表净太阳辐射来自于单层数据集，1 000 hPa相对湿度取自气压层数据集.

城区和对照站点的选取借鉴了高平等^[16]基于聚类分析方法的结果（图 1），其中城区站点选取公园前测点，该测点位于广州市越秀区，周围建筑密集，人口众多，商业发达，车流量大，代表了典型城市区域环境特征^[17，18]. 对照站点选取帽峰山测点，该测点位于风景名胜区内，森林覆盖率达95%以上^[16，17]，周围无明显人为污染源，人为活动影响程度较小，污染物质量浓度较低^[19]，可作为城市清洁对照站点参考.

图 1 采样地点位置情况 Fig. 1 Location and characteristics of sampling sites

1.2 数据说明

城区与对照站点的2019~2023年环境空气污染物数据经过规范采集与数据质控，根据《环境空气质量标准》（GB 3095—2012）修改单要求，本研究中气态污染物为参比状态下质量浓度数据（298.15 K，1 013.25 hPa），颗粒物为实况下质量浓度数据. O₃质量浓度相关统计分析中，参照《环境空气质量评价技术规范（试行）》（HJ 663—2013），采用O₃日最大8 h质量浓度平均值的第90百分位数（MDA8-90）进行O₃年评价，O₃日最大8 h质量浓度平均值（MDA8）为该城市的O₃日评价值. 差异值为城区O₃和PM_2.5减去对照站点对应污染物的质量浓度数据，表示为ΔO₃和ΔPM_2.5.

1.3 数据方法 1.3.1 XGBoost模型

本研究基于XGBoost模型，并应用SHAP方法去量化不同要素（气象条件、气态前体物、天然源排放）对城区和对照站点O₃和PM_2.5质量浓度的影响. XGBoost是基于梯度提升树（gradient boosting decision tree，GBDT）的集成学习法，通过迭代构建一系列决策树模型来拟合前一轮迭代模型的残差，从而降低预测模型误差：

Y_{i} = \sum_{t = 1}^{T} f_{t} (x_{i})

(1)

式中， $Y_{i}$ 为第i个样本的预测值，T为决策树的数量.

XGBoost目标函数由损失函数和正则化项组成. 损失函数 $\sum_{i = 1}^{n} l (y_{i}, Y_{i}^{t})$ 用于衡量模型预测值与真实值之间的差异，正则化项 $\sum_{k = 1}^{t} Ω (f_{k})$ 用于控制模型的复杂度，防止过拟合. 目标函数的表达式为：

L (φ) = \sum_{i = 1}^{n} l (y_{i}, Y_{i}^{t}) + \sum_{k = 1}^{t} Ω (f_{k})

(2)

式中， $y_{i}$ 为目标值， $Ω (f_{k})$ 为正则项，用来衡量k棵决策树的复杂度.

以O₃和PM_2.5质量浓度以及相应的特征变量（气象要素、气态前体物、叶面积指数等）时间序列的80%作为训练集，20%作为测试集，通过调节学习器数量（n_estimator）、树最大深度（max_depth）、学习率（learning_rate）、训练树的样本比例（subsample）、训练树的特征比例（colsample_bytree）、节点分裂所需的最小损失减少量（gamma）和L1、L2正则化项（reg_alpha、reg_lambda）等参数调节XGboost模型，最终得到优化的模型结果，模型设置的关键超参数如表 1所示.

表 1 XGBoost模型的关键超参数设置 Table 1 Model hyperparameters of XGBoost

1.3.2 模型评估

XGBoost模型模拟结果的准确度采用平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）进行评估，具体见公式（3）~（5）：

M A E = \frac{1}{n} \sum_{i = 1}^{n} |x_{i, o b s} - x_{i, p r e d}|

(3)

R M S E = \sqrt[]{\frac{1}{n} \sum_{i = 1}^{n} (x_{i, o b s} - x_{i, p r e d})^{2}}

(4)

R^{2} = 1 - \frac{\sum_{i = 1}^{n} (x_{i, o b s} - x_{i, p r e d})^{2}}{\sum_{i = 1}^{n} (x_{i, o b s} {- \bar{x_{i, o b s}})}^{2}}

(5)

式中， $x_{i, o b s}$ 为O₃或PM_2.5在第i个时刻的观测值， $\bar{x_{i, o b s}}$ 为所有时刻 $x_{i, o b s}$ 的均值， $x_{i, p r e d}$ 为对应的模型预测值.

1.3.3 SHAP方法

SHAP方法为基于合作博弈论的一个加性解释模型，用于计算XGBoost模型中不同要素对模拟对象（O₃和PM_2.5）的边际贡献^[20]：

Y_{i} = Y_{b a s e} + \sum_{j = 1}^{N} s h a p (x_{i, j})

(6)

s h a p (x_{i, j}) = \sum_{s \in N \ {j}} \frac{S! (N - S - 1)!}{N!} \times [f_{i, S \cup {j}} (x_{S \cup {j}}) - f_{i, S} (x_{S})]

(7)

式中， $Y_{b a s e}$ 为 $Y_{i}$ 的均值（μg·m^-3）， $s h a p (x_{i, j})$ 为第i个时刻j变量对 $Y_{i}$ 的贡献值（μg·m^-3）. N为讨论特征变量的个数，N！为N的阶乘， $N \ {j} 为$ 除j变量外其他所有可能的集合，S为 $N \ {j}$ 的子集， $f_{i, S} (x_{S}) 为$ 子集S的模型模拟结果， $f_{i, S \cup {j}} (x_{S \cup {j}}) 为$ i时刻中子集S加上变量j的整体模型模拟效果. 因此， $s h a p (x_{i, j})$ > 0为在i时刻变量j对模拟结果的正贡献，反之则为负贡献， $s h a p (x_{i, j})$ 的绝对值越大，表示对模拟变量的贡献越显著^[21，22]. 为清晰区分不同变量的特征贡献，文中O₃_shap（j）和PM_2.5_shap（j）分别表示j变量对O₃和PM_2.5质量浓度预测的shap值.

2 结果与讨论 2.1 年度特征

图 2所示为2019~2023年广州市城区和对照站点O₃和PM_2.5的年均值及二者差异值分布情况. 总体而言，城区站点近5 a的O₃维持较高质量浓度水平，2019年ρ（O₃）高达200 μg·m^-3，次年O₃质量浓度有所下降，但2020年起ρ（O₃）持续上升，从171 μg·m^-3增长至200 μg·m^-3，增幅17.0%，再次达到2019年水平. 2023年O₃质量浓度有所下降，但O₃质量浓度年评价值为166 μg·m^-3，仍高于国家二级标准（160 μg·m^-3）. 与城区站点相比，对照站点的O₃质量浓度变化趋势与城区类似，但相对平缓，2020~2022年对照站点ρ（O₃）从154 μg·m^-3增长至166 μg·m^-3，上升7.8%，对照站点的O₃质量浓度相对稳定. 对比城区与对照站点O₃质量浓度差异值（ΔO₃）可发现，自2019年起城区与对照站点O₃质量浓度差异逐渐缩小，ΔO₃从33 μg·m^-3降低至13 μg·m^-3，城区站点O₃质量浓度逐步接近于对照站点. 此前曾有研究指出，大气减排措施的实施将导致城区与郊区污染物浓度差距进一步缩小^[23]，广州市近年来ΔO₃逐渐变小，可能与广州市实施的一系列大气污染防治行动有关. 此外，2020年以来，受新冠疫情影响，城市前体物排放水平较疫情前降低显著^[24，25]，也进一步缩小了城区与对照站点前体物浓度差距. 但2022年城区与对照站点O₃质量浓度差异再次变大，ΔO₃为34 μg·m^-3，超过2019年水平. 2022年副高强盛，台风外围环流影响频繁^[26~28]，高温强辐射气象条件增强了光化学反应速率，可能是导致城区站点与对照站点的前体物浓度水平和O₃对前体物敏感性的差异变大的主要原因，进而导致ΔO₃增大.

图 2 2019~2023年城区及对照站点O₃和PM_2.5的年均值及二者差异值分布 Fig. 2 Annual distribution and differences in O₃ and PM_2.5 mass concentrations at urban and control sites from 2019 to 2023

近5 a的PM_2.5质量浓度在城区及对照站点总体呈现显著下降趋势，2019~2023年城区ρ（PM_2.5）年均值从31 μg·m^-3下降到24 μg·m^-3，对照站点ρ（PM_2.5）年均值由24 μg·m^-3下降到19 μg·m^-3，二者下降幅度近似，分别为22.6%和20.8%. 城区站点呈现波动下降趋势，对照站点自2020年起质量浓度维持相对稳定，二者PM_2.5质量浓度差异（ΔPM_2.5）始终为正值，5 a均值为4.8 μg·m^-3，其变化范围在3~7 μg·m^-3，远小于ΔO₃（5~34 μg·m^-3）. 城区及对照站点PM_2.5质量浓度下降幅度变小，ΔPM_2.5呈现波动下降趋势. 值得注意的是，ΔO₃与ΔPM_2.5的变化趋势从2019~2020年间的协同性逐渐转为2020~2023年的差异性，凸显了城市进一步减排的复杂性.

2.2 月度特征

2019~2023年广州市城区O₃质量浓度的月变化主要呈现双峰分布（图 3），自1月起O₃质量浓度逐渐升高，于5月到第1个峰值（113 μg·m^-3）后有所下降，从6月起质量浓度逐渐波动增加至9月达到峰值（145 μg·m^-3）. 作为珠三角核心城市，广州市城区的O₃质量浓度峰值与京津冀和长三角的重点城市相近，但第1个峰值（5月）显著低于第2个峰值（9月），而长三角地区2个峰值质量浓度相当，京津冀城市群第1个峰值质量浓度则更高^[29~31]. 不同城市间的差异可能与气象条件和局地光化学反应影响相关^[29]. 5月处于季风转换期，温度逐渐升高，辐射增强，在珠三角地区易形成辐合；9月副高强盛，叠加台风外围影响导致不利气象条件，因此广州市城区更容易出现O₃质量浓度高值. 与城区站点相比，对照站点O₃呈现三峰分布（5月、7月和9月），夏秋季O₃质量浓度变化不明显，且质量浓度显著低于城区站点. 考虑到对照站点受人为源排放前体物影响程度较低，其多峰分布特征可能与当月的日照时数、降雨强度、温湿度和生物源VOCs排放强度等变化有关，故月变化趋势呈现一定的波动性.

实线和虚线对应左侧纵坐标，柱状图对应右侧纵坐标图 3 2019~2023年城区及对照站点O₃和PM_2.5的月均值及二者差异值分布 Fig. 3 Monthly distribution and differences of O₃ and PM_2.5 mass concentrations at urban and control sites from 2019 to 2023

城区与对照站点O₃差异值（ΔO₃）在1月至次年3月为负值或零值，即冬季及早春城区O₃质量浓度总体低于对照站点，但差异较小，4~11月ΔO₃为正值，城区O₃质量浓度高于对照站点. ΔO₃在不同月份的差异与气象条件及前体物水平有关. 12月至次年3月期间，广州市整体温度较低，排放水平较高，城区O₃质量浓度容易受到NO滴定效应的影响^[32]，因此对照站点O₃质量浓度高于城区站点. 4月起西南季风逐渐增强，冷高压系统易东移出海，热力条件显著改善. 此时珠三角更易受变性高压脊或弱冷高压脊等天气形势控制，静稳天气频发，不利于污染物扩散. 随着6~9月台风季节到来，在强太阳辐射和副热带高压持续控制及台风外围下沉气流的协同作用下，城区大量气态前体物光化学反应转化为O₃，推动O₃质量浓度升至最高水平. 于对照站点而言，温度升高有利于生物源挥发性有机物（BVOCs）释放，但在极端高温下，会出现植被气孔关闭而降低BVOCs排放^[33]进一步影响BVOCs向O₃转化，导致城区与对照站点差异ΔO₃由负转正并质量浓度不断增加. 9月后随着夏秋转换开始，随着太阳辐射减弱、弱冷空气渗透及大气氧化性降低，光化学反应强度逐步减弱，ΔO₃值呈现回落趋势. 这种循环特征揭示了气象条件对O₃质量浓度的周期性调控作用.

城区和对照站点PM_2.5月度变化均呈现“U型”分布特征，与京津冀和长三角的观测结果相一致^[30，34~37]，区别于O₃的月变化特征. 整体上，PM_2.5质量浓度从1月起逐渐降低，至6月达到最低值（城区/对照站点：15/13 μg·m^-3），随后PM_2.5质量浓度逐渐增加. 冬季和早春冷锋活动频繁，间歇性过境导致大气层结不稳定，在冷锋快速由北向南移动过程中，各站点PM_2.5质量浓度的峰值伴随锋前气流而至^[38]，叠加颗粒物区域传输影响和生物质燃烧影响，导致12月至次年4月PM_2.5整体质量浓度较高. 5月起降水趋于频繁，受湿清除作用影响，5~8月PM_2.5质量浓度相对较低，秋季后PM_2.5质量浓度逐渐增加，导致PM_2.5呈现“U型”分布. 城区与对照站点ΔPM_2.5的月度变化与PM_2.5质量浓度分布类似，在1月出现最高值，ΔPM_2.5为9 μg·m^-3，在7月出现最小值，质量浓度为2 μg·m^-3. PM_2.5质量浓度和ΔPM_2.5月度变化受排放源强度、气象扩散条件、区域传输及化学反应速率等多因素影响^[39，40].

2.3 季节特征

2019~2023年城区和对照站点O₃质量浓度季节变化具有一致性，呈现秋季 > 夏季 > 春季 > 冬季的特征（图 4）. 秋季城区和对照站点ρ（O₃）平均值分别为128 μg·m^-3和112 μg·m^-3，远高于冬季水平（78 μg·m^-3和83 μg·m^-3）. 这与Gong等^[41]统计的广州市2014~2016年O₃质量浓度分布特征有所差异，早年广州市O₃质量浓度特征表现为：夏季 > 秋季 > 春季 > 冬季，且春季、秋季和冬季O₃质量浓度均低于本研究中城区和对照站点水平. 意味着近年来O₃质量浓度分布特征发生变化，质量浓度上升趋势显著且O₃质量浓度峰值出现时间延迟，由夏季转为秋季. 从ΔO₃的季节分布看，春季到秋季ΔO₃逐渐增大，差异值均值从4 μg·m^-3增加至16 μg·m^-3，但冬季ΔO₃由正转负，对照站点O₃质量浓度超过城区. 前人研究显示，中国东部地区夏季城区与对照站点φ（ΔO₃）变化范围在-5.1×10^-9~6.8×10^-9，冬季φ（ΔO₃）变化范围更大，差异值分布在-22.2×10^-9~5.5×10^-9之间^[42]；在本研究中夏季ΔO₃分布范围更大，冬季ΔO₃分布区间近似，且夏季的分布范围大于冬季.

图 4 2019~2023年城区及对照站点O₃和PM_2.5的季节变化及二者差异值分布 Fig. 4 Seasonal distribution and differences of O₃ and PM_2.5 mass concentrations at urban and control sites from 2019 to 2023

城区和对照站点PM_2.5质量浓度的变化区别于O₃质量浓度的季节特征，夏季PM_2.5质量浓度最低，总体呈现冬季 > 秋季 > 春季 > 夏季的特征. 冬季城区和对照站点的PM_2.5质量浓度平均值最高，且质量浓度分布区间更大，质量浓度平均值分别为34 μg·m^-3和26 μg·m^-3，远高于夏季ρ（PM_2.5）（15 μg·m^-3和13 μg·m^-3）. Miao等^[43]研究指出，边界层的变化影响PM_2.5质量浓度的季节分布，夏季边界层发展旺盛，有利于污染物的垂直混合和水平扩散，叠加夏季降水量影响，总体PM_2.5质量浓度较低；而冬季易出现静稳气象条件，大气污染物容易在近地面累积，导致冬季PM_2.5质量浓度更高. 从地区差异性看，ΔPM_2.5始终为正值，即全年城区PM_2.5质量浓度均高于对照站点，ΔPM_2.5最小值和最大值分别在夏季（2 μg·m^-3）和冬季（8 μg·m^-3），且夏季ΔPM_2.5变化范围小于冬季，此结论与Gao等^[42]研究的结果相一致. 该现象反映了冬季人为排放对城区的PM_2.5重要影响，冬季工业生产和居民生活造成的本地污染物排放相对更严重，叠加不利气象条件的影响，导致城区与对照站点ΔPM_2.5在冬季的差异值更大.

2.4 城区与对照站点O₃和PM_2.5的影响要素研究 2.4.1 影响要素分析

为探讨不同影响要素对城区和对照站点O₃和PM_2.5质量浓度的影响，本研究选取了气象要素（2 m温度、平均海平面气压、总云量、边界层高度、地表净太阳辐射）、植物排放影响因子（高等植物叶面积指数、低等植物叶面积指数）以及气态污染物（NO₂、NO、CO、SO₂）的逐日数据，利用极限梯度提升算法（XGBoost）量化不同要素对城区和对照站点的O₃和PM_2.5质量浓度的影响. 从图 5可知，城区O₃模拟的MAE、RMSE和R²分别为18.14 μg·m^-3、23.83 μg·m^-3和0.90，对照站点O₃模拟的MAE和RMSE优于城区，但R²较低；城区PM_2.5模拟的MAE、RMSE和R²分别为4.584 μg·m^-3、6.074 μg·m^-3和0.89，整体优于对照站点的PM_2.5模拟效果. 模型对城区和对照站点的整体模拟效果较好，因此利用XGBoost模型研究不同要素对O₃和PM_2.5质量浓度影响较为合理.

图 5 XGBoost模型中预测值与观测值比较 Fig. 5 Comparison between simulated and observed values in the XGBoost model

图 6所示为不同要素对城区和对照站点O₃和PM_2.5的贡献，shap绝对值 $|s h a p|$ 越大代表该要素贡献越显著. 影响城区O₃质量浓度权重最大的3个要素分为太阳辐射、风速和2 m温度，分别占25.2%、18%和11.7%，三者贡献超过50%（图 6），当城区O₃超标时，太阳辐射和风速对ρ（O₃）的影响较优良天增加7.8 μg·m^-3和8.1 μg·m^-3，权重占比增加2.3%和4.5%（图 7）. 在对照站点中，太阳辐射和风速同样是影响O₃质量浓度的主导因素，相对湿度、NO₂、2 m温度和边界层高度的贡献权重次之，并且后4个变量影响程度接近（图 6）. 当对照站点O₃超标时，太阳辐射对ρ（O₃）的影响最大，较优良天增加7.1 μg·m^-3（占比增加1.8%），其次为NO₂和风速（4.5 μg·m^-3和4.3 μg·m^-3），且NO₂贡献权重增加更为明显（3.6%）（图 7）. 由此表明，强辐射和高温的气象条件对城区和对照站点O₃的二次生成有重要贡献，风速影响前体物的局地累积和污染物的扩散，进一步促进了O₃的生成和累积，在超标天太阳辐射和风速的贡献更为突出. 与城区相比，对照站点对O₃前体物（NO₂）的光化学生成敏感性更为显著，这可能与O₃生成敏感性的地区差异有关. 前人研究表明，广州市城区站点除夏季处于NO_x-VOCs协同控制区外，其余时段均处于VOCs控制区^[28]，而城市郊区或农村地区则较多地处于NO_x控制区^[44~46]，因此推测广州市城区站点O₃生成主要受VOCs控制，而对照站点的O₃生成主要受NO_x影响，由此导致了不同站点对O₃前体物的光化学生成敏感性差异，该结果进一步揭示城市实施NO_x减排，一定程度上有利于背景O₃质量浓度的降低.

SSR：地表净太阳辐射，RH：相对湿度，WSPD：风速，BLH_max：边界层高度最大值，TCC：总云量，T2M：2m温度，MSL：平均海平面气压，Lai_lv：低等植物叶指数面积，Lai_hv：高等植物叶指数面积，下同图 6 基于XGboost模型和Shapley加性解释方法计算的不同要素对城区与对照站点O₃和PM_2.5的贡献重要性分布 Fig. 6 Importance of different factors contributing to O₃ and PM_2.5 mass concentrations at urban and background stations, using the XGBoost model and Shapley additive explanations (SHAP)

OthGAS：除NO₂外的其他气态污染物，others：除上述要素外，其他影响因素的加和图 7 城区与对照站点在O₃超标天与优良天中不同要素对O₃质量浓度的贡献情况 Fig. 7 Contributions of different factors to O₃ mass concentrations at urban and control sites on ozone polluted days and non-polluted days

对于PM_2.5而言，NO₂、相对湿度和CO是影响城区PM_2.5质量浓度的主要因素（图 6），其中NO₂的贡献权重最为显著，占比高达33.8%. NO_x（NO₂+NO）和CO与一次排放相关，柴油车和汽油车发动机在高温不充分燃烧情况下会排放出大量的NO_x和CO，推测城区PM_2.5质量浓度主要受机动车尾气排放影响，高浓度气态前体物叠加高湿气象条件，有利于PM_2.5的转化累积和吸湿增长，进一步导致了PM_2.5质量浓度的增加. 在对照站点中，影响PM_2.5质量浓度的主要要素为相对湿度、NO₂和风速，三者贡献权重分别为26.1%、18.7%和12.7%，说明在对照站点气态前体物对PM_2.5质量浓度的贡献不如城区显著，对照站点PM_2.5质量浓度除了受颗粒物的吸湿增长和NO₂的二次转化外，区域传输和扩散条件是影响对照站点PM_2.5质量浓度的重要因素.

2.4.2 敏感性分析

为揭示关键驱动因子的动态演变对城区和对照站点O₃和PM_2.5质量浓度的影响机制，本研究基于Shapley加性解释方法得到的关键要素，开展对O₃和PM_2.5质量浓度贡献的敏感性分析. 从图 8可知，随着太阳辐射的增加，对O₃质量浓度的贡献[O₃_shap（SSR）]不断增大，当日累积地表净太阳辐射增加到大于135 W·m^-2时，分别对城区和对照站点O₃质量浓度有98.6%和88.6%正贡献，表明太阳辐射的增加，促进了前体物VOCs和NO₂的光化学转化，进一步导致了O₃质量浓度增加.

图 8 地表净太阳辐射（SSR）、风速（WSPD）、温度（T2M）和ρ（NO₂）与对应O₃_shap值的关系 Fig. 8 Relationship between SSR, WSPD, T2M, NO₂, and SHAP values for O₃ mass concentration prediction

温度对O₃质量浓度同样有重要影响，当温度≥22℃时，城区O₃质量浓度增加显著，比ρ（O₃）均值平均偏高7.3 μg·m^-3，高于对照站点4.5 μg·m^-3（温度分界点为21℃）. 温度升高增加光化学反应速率，模型结果显示：在高NO_x条件下，温度从20℃升高到40℃，可能使O₃体积分数增加高达10×10^-9[47]. 此外，温度升高还可能增加BVOCs的释放和过氧乙酰硝酸酯（PAN）分解^[33]，进一步加速了城区O₃生成.

风速影响城区和对照站点污染物的扩散，当风速≤1.8 m·s^-1时，有利于前体物在局地累积，促进O₃的本地生成，对O₃质量浓度增加有99.0%和97.9%的正贡献. 对前体物（NO₂）而言，当城区站点ρ（NO₂）日均值≥34 μg·m^-3和对照站点ρ（NO₂）日均值≥22 μg·m^-3，分别对O₃质量浓度增加有正贡献；但当城区站点ρ（NO₂）日均值≥80 μg·m^-3时，O₃生成效率对前体物浓度的响应趋于平稳.

对PM_2.5而言，关键驱动因子（NO₂、相对湿度、CO、风速）的变化与PM_2.5质量浓度也同样呈现高度非线性. 由图 9可知，当城区站点ρ（NO₂）日均值≥40 μg·m^-3和对照站点ρ（NO₂）日均值≥22 μg·m^-3时，对PM_2.5质量浓度均有94.4%的正贡献. 城区站点PM_2.5的生成同样存在边际效用递减现象，当ρ（NO₂）日均值≥150 μg·m^-3时，PM_2.5质量浓度的增加值趋于平稳. 结合NO₂质量浓度对城区O₃生成的敏感性可知，当ρ（NO₂）日均值≥34 μg·m^-3时，NO₂质量浓度对城区O₃的二次生成起到关键作用；当NO₂质量浓度进一步增加时，NO₂质量浓度对城区PM_2.5贡献逐渐显著，高浓度的NO₂在白天通过与·OH反应生成HNO₃，夜间则通过与O₃反应生成NO₃·，进一步通过N₂O₅的水解生成硝酸盐^[48，49]，促进硝酸盐气溶胶的均相/非均相反应生成，进一步导致PM_2.5质量浓度增加.

图 9 ρ（NO₂）、相对湿度（RH）、ρ（CO）和风速（WSPD）与对应PM_2.5_shap值的关系 Fig. 9 Relationship between NO₂, RH, CO, WSPD, and SHAP values for PM_2.5 mass concentration prediction

当日相对湿度小于50%时，随着相对湿度的增加，PM_2.5_shap（RH）维持正值且逐渐增大. 相对湿度的升高伴随着气溶胶液态水含量的增加，促进了气态前体物（SO₂、NO₂、VOCs）向硫酸盐、硝酸盐和有机物等转化^[50]，有利于二次无机气溶胶和二次有机气溶胶的生成^[51~53]. 当相对湿度处于50%~78%时，PM_2.5_shap（RH）随着相对湿度增加逐渐降低，但维持正值，此时湿度的进一步增加时可能伴随着降水过程，PM_2.5吸湿增长同时湿沉降效应也渐趋明显，但总体对PM_2.5质量浓度以正贡献为主；当相对湿度大于78%时，受降雨等湿清除过程影响，PM_2.5_shap（RH）为负值，总体对PM_2.5质量浓度呈现负贡献.

当CO质量浓度逐渐增加时，shap值同样不断增大，当城区（对照站点）ρ（CO）≥0.8（0.7）mg·m^-3时，分别对城区（对照站点）PM_2.5质量浓度增加有97.8%（97.3%）的正贡献. 与O₃类似，风速对城区和对照站点PM_2.5质量浓度具有重要影响，当风速≤1.6 m·s^-1时，有利于前体物累积，对城区和对照站点PM_2.5质量浓度增加分别有99.0%和91.9%的正贡献.

3 结论

（1）2019~2023年，城区和对照站点O₃质量浓度呈现高值波动趋势，PM_2.5质量浓度在城区和对照站点下降明显，ΔPM_2.5与ΔO₃的变化趋势从2019~2020年间的协同性逐渐转为2020~2023年的差异性，凸显了城市进一步减排的复杂性.

（2）城区O₃月变化呈现双峰（5月和9月）分布，而对照站点呈现三峰（5月、7月和9月）分布特征. ΔO₃在冬季及早春时为负值或0值，其他月份为正值，ΔPM_2.5保持为正值，揭示了城区和对照站点在气象和人为/天然源排放影响下O₃和PM_2.5质量浓度的差异.

（3）城区和对照站点O₃质量浓度季节变化具有一致性，呈现秋季 > 夏季 > 春季 > 冬季的特征，PM_2.5质量浓度的变化区别于O₃，呈现冬季 > 秋季 > 春季 > 夏季的特点.

（4）影响城区O₃质量浓度的前3个要素为太阳辐射、风速和温度，超标天太阳辐射和风速的贡献权重增加；太阳辐射和风速为影响对照站点O₃质量浓度的关键因素，对照站点对NO₂的光化学生成敏感性更为显著，进一步显示城市实施NO_x减排，一定程度上有利于城市背景O₃质量浓度的降低.

（5）NO₂、相对湿度和CO是影响城区站点PM_2.5质量浓度的主要因素，推测城区PM_2.5质量浓度主要受机动车尾气排放影响；对照站点的前3个贡献要素是相对湿度、NO₂和风速，区域传输和扩散是影响对照站点PM_2.5质量浓度的重要因素.

（6）当地表净太阳辐射≥135 W·m^-2、风速≤1.8 m·s^-1和高于ρ（NO₂）下限值（城区/对照点：34/22 μg·m^-3）对O₃质量浓度增加有正贡献；而在静稳条件（风速≤1.6 m·s^-1）、湿度≤78%、高于ρ（NO₂）下限值（城区/对照站点：40/22 μg·m^-3）和ρ（CO）下限值（城区/对照站点：0.8/0.7 mg·m^-3）对PM_2.5质量浓度增加显著.

参考文献

[1]	Zheng B, Tong D, Li M, et al. Trends in China's anthropogenic emissions since 2010 as the consequence of clean air actions[J]. Atmospheric Chemistry and Physics, 2018, 18(19): 14095-14111. DOI:10.5194/acp-18-14095-2018
[2]	Geng G N, Zheng Y X, Zhang Q, et al. Drivers of PM_2.5 air pollution deaths in China 2002-2017[J]. Nature Geoscience, 2021, 14(9): 645-650. DOI:10.1038/s41561-021-00792-3
[3]	Xue T, Liu J, Zhang Q, et al. Rapid improvement of PM_2.5 pollution and associated health benefits in China during 2013-2017[J]. Science China Earth Sciences, 2019, 62(12): 1847-1856. DOI:10.1007/s11430-018-9348-2
[4]	Wang Y H, Gao W K, Wang S, et al. Contrasting trends of PM_2.5 and surface-ozone concentrations in China from 2013 to 2017[J]. National Science Review, 2020, 7(8): 1331-1339. DOI:10.1093/nsr/nwaa032
[5]	Liu Y X, Geng G N, Cheng J, et al. Drivers of increasing ozone during the two phases of clean air actions in China 2013-2020[J]. Environmental Science & Technology, 2023, 57(24): 8954-8964.
[6]	刘南希, 何成, 刘晨曦, 等. 2015-2021年广州市臭氧和PM_2.5复合污染特征及天气分型研究[J]. 环境科学学报, 2023, 43(1): 42-53. Liu N X, He C, Liu C X, et al. Study on characteristics and weather classification of ozone and PM_2.5 complex pollution in Guangzhou from 2015 to 2021[J]. Acta Scientiae Circumstantiae, 2023, 43(1): 42-53.
[7]	陈玥, 马敏劲, 苏雨萌, 等. 京津冀主要城市与背景地区PM_2.5分布差异[J]. 兰州大学学报(自然科学版), 2021, 57(4): 559-568. Chen Y, Ma M J, Su Y M, et al. A study on the differences of PM_2.5 distribution between major cities and their background areas in the Beijing-Tianjin-Hebei region[J]. Journal of Lanzhou University (Natural Sciences), 2021, 57(4): 559-568.
[8]	吴文景, 常兴, 邢佳, 等. 京津冀地区主要排放源减排对PM_2.5污染改善贡献评估[J]. 环境科学, 2017, 38(3): 867-875. Wu W J, Chang X, Xing J, et al. Assessment of PM_2.5 pollution mitigation due to emission reduction from main emission sources in the Bejing-Tianjin-Hebei Region[J]. Environmental Science, 2017, 38(3): 867-875.
[9]	Zhang C W, Xie Y M, Shao M, et al. Application of machine learning to analyze ozone sensitivity to influencing factors: a case study in Nanjing, China[J]. Science of the Total Environment, 2024, 929. DOI:10.1016/j.scitotenv.2024.172544
[10]	潘梦瑶, 任瑛, 王思源, 等. 基于梯度提升算法和SHAP的石家庄PM_2.5和臭氧浓度预测及影响因素分析[J]. 环境科学学报, 2024, 44(7): 402-409. Pan M Y, Ren Y, Wang S Y, et al. Prediction of PM_2.5 and ozone concentration in Shijiazhuang and analysis of influencing factors based on gradient boosting algorithm and SHAP[J]. Acta Scientiae Circumstantiae, 2024, 44(7): 402-409.
[11]	王书苏, 万雨勤, 仝纪龙, 等. 基于PMF和XGBoost-SHAP的兰州市主城区PM_2.5来源解析及特征因子量化研究[J]. 环境科学学报, 2025, 45(4): 313-321. Wang S S, Wan Y Q, Tong J L, et al. Source analysis and quantification of the influencing factors of PM_2.5 in Lanzhou City's main urban area using PMF and XGBoost-SHAP[J]. Acta Scientiae Circumstantiae, 2025, 45(4): 313-321.
[12]	董佳奇, 胡冬梅, 闫雨龙, 等. 基于可解释性机器学习的城市O₃驱动因素挖掘[J]. 环境科学, 2023, 44(7): 3660-3668. Dong J Q, Hu D M, Yan Y L, et al. Revealing driving factors of urban O₃ based on explainable machine learning[J]. Environmental Science, 2023, 44(7): 3660-3668.
[13]	王超龙, 薛莲, 张宜升, 等. 基于可解释性机器学习的滨海城市臭氧驱动因素[J]. 环境科学, 2025, 46(5): 2642-2653. Wang C L, Xue L, Zhang Y S, et al. Urban ozone driving factors based on explainable machine learning[J]. Environmental Science, 2025, 46(5): 2642-2653.
[14]	李焕, 苏慧, 张婷, 等. 基于机器学习的汾渭平原PM_2.5和O₃变化特征及影响因素[J]. 环境化学, 2024, 43(5): 1585-1598. Li H, Su H, Zhang T, et al. Variation characteristics and influencing factors of PM_2.5 and O₃ machine learning in Fenwei Plain[J]. Environmental Chemistry, 2024, 43(5): 1585-1598.
[15]	黄健彬, 祁建华. 基于可解释性机器学习的2013~2023年青岛PM_2.5主控因素[J]. 环境科学, 2026, 47(2): 673-681. Huang J B, Qi J H. Key drivers of PM_2.5 in Qingdao from 2013 to 2023 using an interpretable machine learning model[J]. Environmental Science, 2026, 47(2): 673-681.
[16]	高平, 庄立跃, 王龙, 等. 广州地区秋季不同站点类型地面臭氧变化特征与影响因子[J]. 环境科学, 2020, 41(8): 3527-3538. Gao P, Zhuang L Y, Wang L, et al. Characteristics of surface ozone and impact factors at different station types during the autumn in Guangzhou[J]. Environmental Science, 2020, 41(8): 3527-3538.
[17]	姚懿娟, 王美圆, 曾春玲, 等. 广州不同站点类型PM_2.5与O₃污染特征及相互作用[J]. 中国环境科学, 2021, 41(10): 4495-4506. Yao Y J, Wang M Y, Zeng C L, et al. Pollution characteristics and interaction between PM_2.5 and O₃ at different types of stations in Guangzhou[J]. China Environmental Science, 2021, 41(10): 4495-4506.
[18]	裴成磊, 谢雨彤, 陈希, 等. 广州市冬季一次典型臭氧污染过程分析[J]. 环境科学, 2022, 43(10): 4305-4315. Pei C L, Xie Y T, Chen X, et al. Analysis of a typical ozone pollution process in Guangzhou in winter[J]. Environmental Science, 2022, 43(10): 4305-4315.
[19]	陈彦宁, 张金谱, 裴成磊, 等. 2016-2020年广州市PM_2.5时空分布特征[J]. 环境科学学报, 2022, 42(12): 273-285. Chen Y N, Zhang J P, Pei C L, et al. Spatial and temporal distribution characteristics of PM_2.5 in Guangzhou from 2016 to 2020[J]. Acta Scientiae Circumstantiae, 2022, 42(12): 273-285.
[20]	Lundberg S M, Lee S I. A unified approach to interpreting model predictions[A]. In: Von Luxburg U, Guyon I, Bengio S, et al (Eds. ). Proceedings of the 31st International Conference on Neural Information Processing Systems[C]. Long Beach: Curran Associates Inc., 2017.4768-4777.
[21]	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.
[22]	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
[23]	Li X, Zhang F, Ren J Y, et al. Rapid narrowing of the urban-suburban gap in air pollutant concentrations in Beijing from 2014 to 2019[J]. Environmental Pollution, 2022, 304. DOI:10.1016/j.envpol.2022.119146
[24]	Pei C L, Yang W Q, Zhang Y L, et al. Decrease in ambient volatile organic compounds during the COVID-19 lockdown period in the Pearl River Delta region, south China[J]. Science of the Total Environment, 2022, 823. DOI:10.1016/j.scitotenv.2022.153720
[25]	Shen F Z, Hegglin M I, Luo Y F, et al. Disentangling drivers of air pollutant and health risk changes during the COVID-19 lockdown in China[J]. npj Climate and Atmospheric Science, 2022, 5(1). DOI:10.1038/s41612-022-00276-0
[26]	黄继章, 高健, 何钰清, 等. 2022年夏季广州市一次较长时间O₃污染的特征及机理分析[J]. 环境科学学报, 2024, 44(3): 268-277. Huang J Z, Gao J, He Y Q, et al. Characteristics and mechanism of a long-lasting O₃ pollution episode in the summer of 2022 in Guangzhou[J]. Acta Scientiae Circumstantiae, 2024, 44(3): 268-277.
[27]	孙启斌, 冼星河, 黄朝盈, 等. 东莞市臭氧污染及扩散输送特征的客观天气分型研究[J]. 环境科学学报, 2025, 45(1): 436-446. Sun Q B, Xian X H, Huang C Y, et al. Objective synoptic pattern classification study on ozone pollution and diffusion transport characteristics in Dongguan City[J]. Acta Scientiae Circumstantiae, 2025, 45(1): 436-446.
[28]	黄继章, 高健, 余美芳, 等. 广州市2022年臭氧污染特征与成因分析[J]. 中国环境科学, 2024, 44(6): 3100-3110. Huang J Z, Gao J, Yu M F, et al. Analysis of characteristics and cause of ozone pollution in Guangzhou in 2022[J]. China Environmental Science, 2024, 44(6): 3100-3110.
[29]	Wang W J, Parrish D D, Wang S W, et al. Long-term trend of ozone pollution in China during 2014-2020: distinct seasonal and spatial characteristics and ozone sensitivity[J]. Atmospheric Chemistry and Physics, 2022, 22(13): 8935-8949. DOI:10.5194/acp-22-8935-2022
[30]	贾梦唯, 赵天良, 张祥志, 等. 南京主要大气污染物季节变化及相关气象分析[J]. 中国环境科学, 2016, 36(9): 2567-2577. Jia M W, Zhao T L, Zhang X Z, et al. Seasonal variations in major air pollutants in Nanjing and their meteorological correlation analyses[J]. China Environmental Science, 2016, 36(9): 2567-2577.
[31]	Ren J, Hao Y F, Simayi M, et al. Spatiotemporal variation of surface ozone and its causes in Beijing, China since 2014[J]. Atmospheric Environment, 2021, 260. DOI:10.1016/j.atmosenv.2021.118556
[32]	Sillman S. The relation between ozone, NO_x and hydrocarbons in urban and polluted rural environments[J]. Atmospheric Environment, 1999, 33(12): 1821-1845. DOI:10.1016/S1352-2310(98)00345-8
[33]	Steiner A L, Davis A J, Sillman S, et al. Observed suppression of ozone formation at extremely high temperatures due to chemical and biophysical feedbacks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2010, 107(46): 19685-19690.
[34]	Wang L L, Xiong Q L, Wu G F, et al. Spatio-temporal variation characteristics of PM_2.5 in the Beijing-Tianjin-Hebei Region, China, from 2013 to 2018[J]. International Journal of Environmental Research, 2019, 16(21). DOI:10.3390/ijerph16214276
[35]	Chen T, He J, Lu X W, et al. Spatial and temporal variations of PM_2.5 and its relation to meteorological factors in the urban area of Nanjing, China[J]. International Journal of Environmental Research and Public Health, 2016, 13(9). DOI:10.3390/ijerph13090921
[36]	宿兴涛, 冯静, 安豪, 等. 2015~2021年京津冀典型城市PM_2.5和O₃污染趋势变化分析[J]. 大气科学, 2023, 47(5): 1641-1653. Su X T, Feng J, An H, et al. Trends analysis of fine particulate matter and ozone pollution in typical cities in the Beijing-Tianjin-Hebei region during 2015-2021[J]. Chinese Journal of Atmospheric Sciences, 2023, 47(5): 1641-1653.
[37]	Yang X H, Xiao D P, Bai H Z, et al. Spatiotemporal distributions of PM_2.5 concentrations in the Beijing-Tianjin-Hebei region from 2013 to 2020[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.842237
[38]	牟南南, 朱彬, 卢文. 中国东部冷锋推进中的PM_2.5三维结构变化特征[J]. 环境科学, 2022, 43(1): 85-92. Mou N N, Zhu B, Lu W. Three-dimensional structure variation of PM_2.5 during cold front advance in eastern China[J]. Environmental Science, 2022, 43(1): 85-92.
[39]	苗蕾, 廖晓农, 王迎春. 基于长时间序列的北京PM_2.5浓度日变化及气象条件影响分析[J]. 环境科学, 2016, 37(8): 2836-2846. Miao L, Liao X N, Wang Y C. Diurnal Variation of PM_2.5 mass concentration in Beijing and influence of meteorological factors based on long term date[J]. Environmental Science, 2016, 37(8): 2836-2846.
[40]	Chen Z Y, Chen D L, Zhao C F, et al. Influence of meteorological conditions on PM_2.5 concentrations across China: a review of methodology and mechanism[J]. Environment International, 2020, 139. DOI:10.1016/j.envint.2020.105558
[41]	Gong X, Hong S, Jaffe D A. Ozone in China: spatial distribution and leading meteorological factors controlling O₃ in 16 Chinese cities[J]. Aerosol and Air Quality Research, 2018, 18(9): 2287-2300. DOI:10.4209/aaqr.2017.10.0368
[42]	Gao L, Yue X, Meng X Y, et al. Comparison of ozone and PM_2.5 concentrations over urban, suburban, and background sites in China[J]. Advances in Atmospheric Sciences, 2020, 37(12): 1297-1309. DOI:10.1007/s00376-020-0054-2
[43]	Miao Y C, Hu X M, Liu S H, et al. Seasonal variation of local atmospheric circulations and boundary layer structure in the Beijing-Tianjin-Hebei region and implications for air quality[J]. Journal of Advances in Modeling Earth Systems, 2015, 7(4): 1602-1626. DOI:10.1002/2015MS000522
[44]	Jin X M, Holloway T. Spatial and temporal variability of ozone sensitivity over China observed from the Ozone Monitoring Instrument[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(14): 7229-7246. DOI:10.1002/2015JD023250
[45]	Xing J, Wang S X, Jang C, et al. Nonlinear response of ozone to precursor emission changes in China: a modeling study using response surface methodology[J]. Atmospheric Chemistry and Physics, 2011, 11(10): 5027-5044. DOI:10.5194/acp-11-5027-2011
[46]	Jin X M, Fiore A M, Murray L T, et al. Evaluating a space-based indicator of surface ozone-NO_x-VOC sensitivity over midlatitude source regions and application to decadal trends[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(19): 10439-10461.
[47]	Coates J, Mar K A, Ojha N, et al. The influence of temperature on ozone production under varying NO_x conditions - a modelling study[J]. Atmospheric Chemistry and Physics, 2016, 16(18): 11601-11615. DOI:10.5194/acp-16-11601-2016
[48]	Chen X R, Wang H C, Lu K D, et al. Field determination of nitrate formation pathway in winter Beijing[J]. Environmental Science & Technology, 2020, 54(15): 9243-9253.
[49]	Xiao H W, Zhu R G, Pan Y Y, et al. Differentiation between nitrate aerosol formation pathways in a southeast Chinese city by dual isotope and modeling studies[J]. Journal of Geophysical Research: Atmospheres, 2020, 125(13). DOI:10.1029/2020JD032604
[50]	Ting Y C, Huang C H, Cheng Y H, et al. Chemical characteristics and formation mechanism of secondary inorganic aerosols: the decisive role of aerosol acidity and meteorological conditions[J]. Environmental Pollution, 2024, 358. DOI:10.1016/j.envpol.2024.124472
[51]	Fang Y H, Ye C X, Wang J X, et al. Relative humidity and O₃ concentration as two prerequisites for sulfate formation[J]. Atmospheric Chemistry and Physics, 2019, 19(19): 12295-12307. DOI:10.5194/acp-19-12295-2019
[52]	Xie F, Su Y, Tian Y L, et al. The shifting of secondary inorganic aerosol formation mechanisms during haze aggravation: the decisive role of aerosol liquid water[J]. Atmospheric Chemistry and Physics, 2023, 23(4): 2365-2378. DOI:10.5194/acp-23-2365-2023
[53]	Kuang Y, He Y, Xu W Y, et al. Photochemical aqueous-phase reactions induce rapid daytime formation of oxygenated organic aerosol on the North China Plain[J]. Environmental Science & Technology, 2020, 54(7): 3849-3860.


环境科学 2026, Vol. 47 Issue (6): 4249-4260	PDF