珠江三角洲代表性城市中昼夜NO?浓度差异长期增加的驱动因素

《Journal of Environmental Sciences》：Long-term drivers of increasing diurnal NO 2 difference in representative cities of the Pearl River Delta

NO?昼夜差异的长期演变与气象驱动机制研究在珠三角地区（2014-2023），通过K-means聚类和机器学习模型揭示三类模式：夜间累积（集群2）、区域背景（集群1）、全天高浓度（集群3）。气象因素如边界层高度、温度、气压显著影响昼夜差异，尤其在污染天。该研究为优化污染控制策略提供依据。

　　

刘子怡|李红丽|朱云

中国南方科技大学环境与能源学院，大气环境与污染控制广东省重点实验室，广州高等教育 Mega 中心，广州 510006，中国

摘要

二氧化氮（NO₂）的日变化差异的增加对次日臭氧和细颗粒物的形成有着不可忽视的促进作用。因此，深入分析这种日变化背后的驱动机制对于实现精确的污染控制至关重要。本文研究了 2014 年至 2023 年珠江三角洲（PRD）地区 NO₂ 日变化差异的长期演变及其气象因素的贡献。通过 K-means 聚类方法识别出三个主要类别：类别 1 代表区域背景浓度；类别 2 显示夜间浓度显著积累且日变化差异较大；类别 3 表现为全天高浓度的 NO₂。日变化差异的增加主要是由于被归类为类别 2 和 1 的天数增加所致。从 2014 年到 2023 年，PRD 地区人为排放对 NO₂ 浓度的贡献减少了 34.2%，这反映了减排措施的有效性。然而，不同类别之间的气象影响存在显著差异。在类别 1 中，气象条件使 NO₂ 浓度降低了 4.4 μg/m³-11.0 μg/m³；在类别 2 中，中心城市的贡献为正，而周边城市的贡献为负；在类别 3 中，气象条件使 NO₂ 浓度增加了 9.9 μg/m³-22.0 μg/m^{3₂ 日变化的关键气象驱动因素，其贡献在不同类别、污染日与非污染日以及一天中的不同时间存在显著差异。本研究强调了特定气象模式在放大 NO₂ 日变化中的关键作用。}

引言

对流层中的二氧化氮（NO₂）作为光化学烟雾和细颗粒物（PM_2.5）的重要前体，在空气质量管理中起着关键作用（Yin 等，2019；Yin 等，2022）。清晰了解其时空分布及其背后的驱动因素对于有效控制污染至关重要。近年来，随着中国空气污染防治工作的持续实施，氮氧化物（NO?）的排放量显著下降（Jiang 等，2020；Li 等，2024；Lou 等，2025；Lu 等，2025），全国大多数城市的年平均 NO₂ 浓度持续降低。然而，在中国经济发达地区（如中国东部），NO₂ 的日变化差异持续增加（Shen 等，2023）。夜间较高的 NO₂ 浓度不仅直接威胁健康，还为清晨的光化学反应提供了丰富的前体物质，从而加剧了 O₃ 和二次 PM_2.5 的形成（Wang 等，2023；Yan 等，2023）。这种夜间前体物质积累导致次日污染加剧的耦合机制突显了当前主要关注白天污染源的减排策略的局限性。因此，全面研究 NO₂ 日变化差异的驱动机制对于优化空气污染缓解策略至关重要。

目前，研究主要集中在利用多个观测数据集揭示中国 NO₂ 的年际、月度、季节性和昼夜变化（Li 等，2021；Meng 等，2018；Tian 等，2020），以及 NO? 排放减少对臭氧（O₃）浓度的不利影响（Wang 等，2017）。其他研究使用 WRF-CMAQ 和 WRF-CMAx 等数值模拟工具评估了人为源（包括工业排放和交通活动）对 NO₂ 浓度的贡献（Park 等，2025；Zhou 等，2021）。然而，很少有研究关注 NO₂ 昼夜差异的年际趋势及其潜在影响。尽管 NO₂ 的长期趋势主要受气候条件和人为排放驱动，但其昼夜波动主要受 NO? 排放的日变化影响，并受到区域气象过程（如温度（T）、相对湿度（RH）、边界层高度（BLH）和太阳辐射（SSRD）的显著调节（Yin 等，2022）。具体而言，这些因素直接影响 NO₂ 的产生和损失速率及其区域传输，同时也通过影响人为和生物源排放间接改变 NO₂ 浓度。值得注意的是，NO? 排放的持续减少可能使气象因素对 NO₂ 分布的影响越来越大。近年来，随着观测和分析能力的进步，NO₂ 日变化增加的现象及其对 O₃ 的影响逐渐被揭示。例如，Shen 等（2023）探讨了中国东部 NO₂ 日变化差异增加的潜在影响，指出在高 NO? 浓度的城市及其下风地区，日变化差异的增加会提高早晨的 O₃ 水平和每日最大 8 小时 O₃ 浓度。这表明 NO₂ 日变化差异的增加是中国近期 O₃ 污染加剧的原因之一。然而，当前研究中 NO₂ 日变化差异增加的原因尚不明确。在这种情况下，机器学习方法为解决这一挑战提供了新的途径。基于树的模型（如随机森林（RF）（Dou 等，2021；Kamińska，2019）和极端梯度提升模型（XGBoost）（Ahmad 等，2024；He 等，2025），以及深度学习方法（如循环神经网络（Li 等，2023；Ma 等，2022）在预测大气污染物浓度方面表现出色，因为它们具有强大的非线性拟合和时空序列建模能力。此外，可解释的 AI 技术（如 Shapely Additive exPlanations 模型（SHAP）可以定量评估各种驱动因素对 NO₂ 日变化差异的贡献（Vega García 和 Aznarte，2020），有助于揭示复杂的驱动机制，并为优化污染控制策略提供科学支持。

在本研究中，我们结合 k-means 聚类、RF 和 SHAP 模型开发了一个综合的“聚类-归因”分析框架。以珠江三角洲（PRD）为例，系统地揭示了 2014 年至 2023 年 NO₂ 日变化差异演变背后的气象驱动机制。首先，使用 k-means 聚类方法对不同城市的 NO₂ 日变化模式进行分类，识别出不同城市类型的日变化特征。随后，建立 RF-SHAP 模型，利用气象归一化技术区分人为排放和气象条件的贡献。然后应用 SHAP 方法归因于气象贡献，量化每个气象因素对 NO₂ 日变化增加的影响。最后，分析了气象因素在污染日和非污染日上的不同驱动效应，揭示了极端事件期间 NO₂ 积累的潜在气象影响。本研究的结果为理解 NO₂ 日变化增加的机制提供了基础，并有助于指导 PRD 地区更有效的污染控制措施的开发。

部分片段

NO₂ 日变化差异的评估

NO₂ 的日变化差异分析遵循 Shen 等（2023）描述的方法，日变化差异指数（DDI）使用公式（1）计算：$DDI=\frac{C_{\text{夜间}}?C_{\text{白天}}}{C_{\text{每日}}}$$C_{\text{夜间}}$（μg/m^{3$C_{\text{白天}}$（μg/m3₂ 浓度，$C_{\text{每日}}$（μg/m3}

结论

作为重要的痕量气体，NO₂既是 O₃ 的前体，也参与大气化学过程。本研究调查了 PRD 代表性城市中 NO₂ 日变化差异增加的长期气象驱动因素。研究结果揭示了这些城市中三种不同的 NO₂ 变化模式。第一种类型代表区域平均水平；第二种类型的特点是在不利条件下夜间 NO₂ 浓度升高

CRediT 作者贡献声明

刘子怡：撰写——原始草稿、验证、软件、方法论、调查、概念化。李红丽：撰写——原始草稿、调查、数据管理。朱云：监督、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了中国国家重点研发计划（编号 2023YFC3708503、2023YFC3708505 和 2023YFE0121300）的支持。