机器学习耦合受体模型揭示驱动因素对PM2.5的影响

作者：许博; 徐晗; 赵焕; 张忠诚; 高洁; 李岳; 冯银厂; 史国良^*

来源：环境科学研究, 2022, 35(11): 2425-2434.

DOI：10.13198/j.issn.1001-6929.2022.07.06

• 颗粒物
• 受体模型
• 随机森林
• 驱动因素
• 影响

PM2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响，了解驱动因素对PM2.5浓度的影响十分重要.本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据，耦合机器学习方法和受体模型，揭示了驱动因素的重要性以及对PM2.5浓度的影响.结果表明：(1) 2018年11月—2020年10月观测地点的PM2.5浓度范围为3.21～291.80μg/m3，采暖季PM2.5浓度和化学组分均高于非采暖季.(2)使用受体模型解析PM2.5的来源及其贡献，发现观测期间二次源的贡献率(44.7%)最高，其他依次为燃煤源(23.6%)、机动车排放源(11.0%)、扬尘源(9.9%)、生物质燃烧源(7.2%)，工业源的贡献率(3.6%)最小.(3)利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM2.5浓度的影响，发现观测期间排放源对PM2.5浓度的影响程度为54.3%，高于其他驱动因素；气象条件对PM2.5浓度的影响程度次之，为32.4%；大气氧化能力对PM2.5浓度的影响程度相对较低，为13.3%.在采暖季和非采暖季，各驱动因素对PM2.5浓度的重要性在排序上没有变化，然而驱动因素对PM2.5浓度的影响程度有所不同.采暖季排放源对PM2.5浓度的影响程度高于非采暖季，采暖季大气压对PM2.5浓度的影响程度低于非采暖季.研究显示，排放源对PM2.5的影响相对较大,气象条件和大气氧化能力对PM2.5浓度的影响也不容忽视.

• 单位
  南开大学; 环境科学与工程学院