科研之友
微信
新浪微博
Facebook
分享链接
摘要
受前体物排放和气象条件等因素共同驱动， 大气臭氧(O3)已成为影响城市夏季环境空气质量的主要污染物. 目前物理化学机制驱动的演绎模型在进行O3污染解析时需要的模型参数众多， 运算时效性较差; 数据驱动的归纳模型运算效率高， 但存在可解释性差等问题. 通过建立可解释性数据驱动的Correlation-ML-SHAP模型， Correlation模块挖掘O3浓度关联影响因素， 机器学习ML模块耦合可解释性SHAP模块计算各驱动因素对O3浓度的影响贡献， 实现对驱动因素的定量解析， 并以晋城市2021年夏季O3污染过程为例开展应用研究. 结果表明， Correlation-ML-SHAP模型能够挖掘并利用强驱动因素模拟O3浓度和量化影响贡献， 其中ML模块采用XGBoost模型模拟准确度最佳. 2021年夏季晋城市O3污染强驱动因素为气温、日照强度、湿度和前体物排放水平， 贡献权重为32.1%、21.3%、16.5%和15.6%， 其中气温、日照强度和前体物排放水平贡献在污染天分别提升3.4%、1.2%和1.2%， 前体物排放贡献权重在污染天排名提升至第3. 各驱动因素对O3浓度呈非线性交互影响， 气温超24℃或湿度低于70%， 分别有94.9%和94.1%的概率对O3污染呈正贡献， 这种气象条件下ρ(NO2)超9 μg·m-3或ρ（CO）超0.7 mg·m-3， 分别有94.9%和99.3%的概率对O3污染呈正贡献. 东南风风速低于5.8m·s-1或南风风速低于5.3m·s-1， 均对O3污染呈正贡献. 模型定量解析了各驱动因素对城市O3浓度的影响贡献， 可为夏季城市大气O3污染防控提供基础依据.
- 单位
