一种贝叶斯模型，用于融合卫星降水数据以增强对降水观测不足地区的干旱监测能力

《Atmospheric Research》：A Bayesian model for blending satellite precipitation estimates to enhance drought monitoring in poorly gauged regions

协同控制中国大气污染物与温室气体需考虑区域差异和气象条件，基于高分辨率PM2.5-O3数据构建四类污染演变类型，运用堆叠集成机器学习模型和SHAP分析揭示不同区域关键排放因子，发现CH4、SO2、NOx和N2O控制优先级动态变化，均匀减排扩大O3反弹，需针对性策略实现协同增效。

　　

王凯|田红阳|褚建文

北京工业大学能源与环境政策研究中心，北京，100081，中国

摘要

由于天气和排放的时空变化导致大气化学过程高度非线性，中国对温室气体和空气污染物的协同控制具有挑战性。为了提供精确的、针对特定地区的污染和减排政策指导，本研究整合了高分辨率的PM₂.₅和O₃数据集，并根据PM₂.₅-O₃的协同效应将中国划分为四种污染演变类型。我们采用堆叠集成机器学习方法来模拟在真实气象条件下人为排放与污染演变之间的相互作用。通过Shapley加性解释（SHAP）方法，确定了在每种区域污染演变类型中需要优先控制的三个人为排放因素，以实现PM_2.5和O₃污染的协同改善。主要发现表明，从2015年到2022年，传统污染物（PM₁₀、NMVOC）的控制效果有所下降。CH₄、SO₂、NO_x和N₂O成为越来越关键的控制目标，其中CH₄和N₂O的优先级更高。虽然一些地区成功减少了PM₂.₅的污染，但O₃污染持续增加。在2021–2022年均匀气象条件下的情景模拟显示，如果所有污染物均削减5%，O₃反弹面积将比基准情况增加超过15%。在特定地区优先控制CH₄、N₂O和SO₂可以将协同改善面积扩大约40%，而其他地区仍需要综合控制多种因素以获得空气质量和气候的双重效益。这种方法能够根据人类活动和自然条件的时空变化制定量身定制的、针对特定地区的排放控制策略。

引言

作为世界上最大的发展中国家，中国面临着改善空气质量与减少温室气体排放的双重挑战（Liu等人，2022；Qian等人，2021；Vennemo和Aunan，2018；世界银行集团，2022）。目前，中国约占全球二氧化碳排放量的27%和总温室气体排放量的三分之一，其减排努力对实现全球气候目标至关重要（Huo等人，2010；世界银行集团，2022；Zheng等人，2024）。同时，空气污染在中国仍然是一个严重问题。根据2023年中国生态环境状况报告，2023年超过70%的中国城市未能达到国家空气质量标准，主要污染物如O₃和PM₂.₅对公共健康和生态系统构成了重大威胁（中华人民共和国生态环境部，2023）。实现减排和碳中和双重目标的关键在于有效控制人为排放，特别是减少初级污染物和温室气体。人为排放的污染物和温室气体主要来源于工业生产、化石燃料燃烧、交通运输和农业活动。例如，化石燃料燃烧不仅释放二氧化碳，还会排放氮氧化物（NO_x）和硫氧化物（SO₂等初级污染物，这些污染物通过大气化学反应生成臭氧（O₃）和PM₂.₅等二次污染物，从而加剧空气污染（Kennedy等人，2009；Von Schneidemesser等人，2015）。因此，在排放源处协同控制污染物和温室气体不仅可以降低减排成本，还能显著提升环境和气候效益（IPCC，2023；Markandya等人，2018a；Peng等人，2017；Shindell等人，2012；Zheng等人，2024）。

West等人（2013）从全球和长期的角度评估了减少温室气体排放对空气质量改善的显著协同效益。然而，更细致的研究发现，在某些地区，碳减排政策可能会因生物质燃烧而增加挥发性有机化合物（VOCs）和氮氧化物（NO_x）的排放，从而导致臭氧（O_{32.5污染的局部恶化。因此，准确识别污染的驱动因素对于污染物和温室气体的协同控制至关重要。在中国，通过大气化学反应形成的二次PM2.5和O3是主要的空气质量问题（Li等人，2019a）。这些浓度不仅受人为排放影响，还受温度、湿度和风模式等气象因素的影响，这些因素会影响污染物的扩散和化学转化（Markandya等人，2018a）。因此，仅关注减少人为排放可能不足以同时实现气候和空气质量目标。需要采取一种综合方法，将排放控制与气象因素结合起来。例如，研究表明，在中国北部天气停滞的情况下，低风速和高湿度会加剧PM2.5的积累，需要采取临时停产或交通限制等适应性措施（Xu等人，2020）。同样，高温和强烈阳光会加速O3的形成，因此需要在夏季针对NOx和挥发性有机化合物（VOCs）进行有针对性的控制（Wang等人，2017）。通过将气象因素纳入空气质量模型和政策框架，中国可以优化污染减排与碳中和之间的协同效应，有效利用“人类努力”和“自然条件”。}

迄今为止，许多研究都集中在污染物和碳排放的协同控制上。总体而言，在研究视角和方法论方面取得了一些进展，但也存在一些局限性。（1）研究视角：当前研究强调了差异化控制措施的必要性，但对二次污染物形成和气象驱动因素的时间和空间异质性的理解仍然不足，难以提供能够随时间动态调整的、针对特定地区的污染控制策略。例如，一些研究表明，PM₂.₅和O₃的二次形成涉及复杂的大气化学反应，其中主要污染物（如SO₂、NO_x和VOCs）与某些温室气体（如CH₄）以非线性方式相互作用，常常导致意外结果，如污染反弹。在VOCs受到限制的地区，减少NO_x排放可能导致O₃浓度增加，这种现象称为“臭氧反弹”效应（Li等人，2019a；Yang等人，2025a）。这种复杂性表明，一刀切的减排方法并不理想。一些研究表明，有效的空气质量管理需要根据当地大气化学和气象条件制定定制化的策略（Fan等人，2020）。例如，在VOC/NOx比率较高的城市地区，优先减少VOC排放可以缓解O₃的形成，而在NO_x受限的农村地区，控制NO_x更为有效（Cohan等人，2005）。此外，像CH₄这样的温室气体通过提高背景氧化剂水平促进O₃的形成，因此需要综合策略来同时应对空气污染物和温室气体。如果没有根据区域化学机制定制策略——例如在夏季优先控制VOC以减少O₃，在冬季控制NO_x以降低PM₂.₅——污染控制措施可能无效，甚至可能加剧空气质量问题，阻碍污染控制和碳减排的协同效益（Atkinson，2000；Li等人，2019b；Mellouki等人，2015；Zhang等人，2021，2023；Zhao等人，2024）。（2）在研究方法论方面：基于化学传输模型的传统方法难以提供动态可调、高分辨率和精确的污染排放控制策略。传统上，空气质量分析依赖于复杂的化学传输模型（如CMAQ、GEOS-Chem），这些模型通过模拟大气化学和物理过程来预测污染物浓度。然而，这些模型在高分辨率、实时预测或大规模应用方面面临计算资源和操作复杂性的挑战。此外，简化的化学机制（如对气溶胶和二次有机化合物形成的不完整表示）或参数化的不确定性通常会限制预测准确性，特别是在复杂气象条件和非线性化学反应场景下（Baklanov和Zhang，2020；Ma等人，2022）。近年来，机器学习的快速发展为处理高维、复杂的大数据提供了新的解决方案。其非参数和非线性统计能力有效克服了传统模型在处理多源异构数据和复杂污染机制方面的局限性（Du等人，2024；Tang等人，2024）。

基于研究空白，本文设计了一种建模方法，将人为排放因素（包括污染物和主要温室气体）和气象因素作为特征变量，污染演变类型作为目标变量。该模型模拟了在不同气象条件下各种地区人为排放的复杂相互作用过程中的污染形成。为了克服研究方法论中的局限性（2），我们使用堆叠集成机器学习模型来克服传统化学传输模型的局限性。这种方法基于高空间分辨率的污染浓度和排放数据，为开发高空间分辨率、针对特定地区、近乎实时的动态调整排放控制策略提供了方法论基础。为了解决研究视角中的局限性（1），我们应用基于SHAP的机器学习可视化方法来分析污染演变类型转换的关键驱动因素，并根据识别出的人为排放驱动因素进一步制定减排策略。虽然SHAP在空气污染研究中的驱动因素分析中得到了广泛应用，但我们的贡献在于将其应用于污染演变转换这一特定背景。为了评估减排策略的有效性，我们设计了三种排放控制情景：在均匀气象条件下，实施了（i）保持当前减排努力的基准情景，（ii）针对SHAP识别出的关键排放因素的优先控制情景，以及（iii）均匀削减所有人为因素的情景，从而比较它们对空气质量改善的相应影响。总体而言，我们的研究引入了一种新方法，可以为中国的各级行政区域定制精确的污染控制策略，实现区域差异化和动态调整。它还允许预测完全实施假设策略的效果，为政策制定者提供关于空气污染控制和温室气体减排的精确排放控制策略的新见解。

数据获取

大数据采集

为了分析不同时间段内不同污染演变类型的关键驱动因素，后续数据分析采用了不同的数据来源。相应的数据特征如表S1所示。所有数据在分析前都进行了标准化处理，以确保规模和单位的一致性。此外，使用双线性插值等方法将具有不同时间和空间分辨率的数据匹配到相同的时间框架和空间尺度。

中国高分辨率污染数据集

PM2.5和O₃数据

人为排放率的变化

要实现污染减排和碳减排的双重目标，首先需要回顾过去控制人为排放因素的有效性。2015年和2022年大致代表了清洁空气政策实施开始和结束时的排放水平，人为排放的变化反映了减排政策的影响。

结论

本研究利用2015年至2022年的高分辨率污染、气象和排放数据，采用堆叠集成机器学习模型来研究中国不同地区的空气污染演变驱动因素。主要发现如下。

• (1)
  对中国2015年至2022年空气污染趋势的统计分析显示，PM2.5浓度得到了有效控制，而臭氧（O₃）污染则持续上升。
• (2)
  SHAP分析

CRediT作者贡献声明

王凯：撰写——审稿与编辑，撰写——初稿，监督，调查，资金获取，概念化。田红阳：撰写——初稿，方法论，调查，数据管理，概念化。褚建文：方法论。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了国家自然科学基金 [项目编号：72271026、72293601、72488101]的支持。