《Journal of Environmental Sciences》：Wildfire-impact identification in the Western USA using numerical techniques
编辑推荐：
本研究利用k-means聚类算法和随机森林分类系统（RFCS），分析雷诺市2011-2022年的空气污染物浓度、颗粒物谱分布及光学数据，识别出野火烟雾影响的时段。结果显示，受野火影响的时段PM2.5和CO浓度分别升高12倍和2.6倍，消光系数及Angstr?m系数显著增加，验证了RFCS的有效性，为精准监测野火烟雾提供了方法。
作者：Siying Lu, Chiranjivi Bhattarai, W. Patrick Arnott, Andrey Khlystov
美国内华达州里诺市沙漠研究所大气科学部，邮编89512
摘要
与清洁条件相比，受野火烟雾影响的气溶胶表现出不同的粒径分布（PSD）特征。为了评估野火烟雾的影响，使用了k-means聚类算法，分析了三种类型的数据：空气污染物浓度（PM2.5、CO、O3和NOx）、PSD以及光学测量结果。这种方法证明了k-means在识别野火影响方面的能力。与野火相关的簇具有较大的粒径，并且PM2.5和CO浓度之间的相关性更强，同时还表现出较高的光消光系数（βext）、吸收阿斯特罗姆指数（AAE）和消光阿斯特罗姆指数（EAE）值。利用聚类结果，开发了一个随机森林分类系统（RFCS），根据空气污染物浓度来识别受烟雾影响的时段。该系统经过训练，可以区分基于所有三种数据类型以及对应的时间序列空气污染物浓度和月份的数据。在受烟雾影响的时段内，PM2.5和CO的平均浓度分别比非烟雾影响时段高出12倍和2.6倍，PM2.5-CO比率也更高，相关性更强。此外，在受烟雾影响的时段内，βext、EAE和AAE的值显著升高，进一步证实了RFCS的稳健性能。本研究提出了识别受烟雾影响时段的方法，这些方法对于检测轻量级野火烟雾特别有用。
引言
在过去二十年里，美国西部的野火频率、规模和严重程度都有显著增加（Dennison等人，2014年；Wehner等人，2017年；Westerling等人，2006年）。野火排放物和城市排放物表现出不同的粒径分布（PSD；Makkonen等人，2010年；McMeeking等人，2005年）。气溶胶的PSD对人类健康和气候都起着关键作用。研究表明，野火排放的颗粒物（PM）会加剧呼吸系统疾病（Jiao等人，2024年），尤其是对老年人和儿童等脆弱人群的影响更为严重（Deflorio-Barker等人，2019年；Heaney等人，2022年）。这些群体由于暴露于野火排放的颗粒物，患呼吸系统疾病（尤其是哮喘）的风险更高。Bougiatioti等人（2016年）发现生物质燃烧产生的气溶胶会显著增加云凝结核（CCN）的浓度。长距离传输的野火排放物还会进一步增加远距离海洋边界层中的CCN浓度（Zheng等人，2020年）。不同粒径的气溶胶具有不同的光散射和吸收效率，这可能导致大气冷却或变暖（Dong等人，2019年；Seinfeld和Pandis，1998年）。此外，研究还表明，野火排放物会显著影响地球大气吸收的太阳辐射量，从而影响降水、北极海冰、大气环流和气候异常（Jiang等人，2020年；Liu等人，2014年；Miranda，2004年）。
Lu等人（2025年）通过正矩阵分解（PMF）分析发现，野火排放的气溶胶在PSD上存在变化。这些变化可归因于多种因素，包括测量地点与火源之间的距离（Sakamoto等人，2016年）、传输过程（Pacyna，1995年）、燃料类型（Jan?all等人，2010年）以及燃烧条件（Hosseini等人，2010年）。在传输过程中，气溶胶可能会因凝聚和冷凝而改变粒径（Hinds，1999年），还可能发生化学反应生成二次气溶胶（Pacyna，1995年）。总体而言，森林火灾产生的颗粒通常比草原和草地火灾产生的颗粒更大（Jan?all等人，2010年）。此外，燃烧的闷烧阶段产生的颗粒与燃烧的明火阶段产生的颗粒在PSD上也有所不同（Carrico等人，2016年；Hosseini等人，2010年；Pokhrel等人，2021年）。同样，不同老化阶段的火灾排放物也会表现出差异（Zheng等人，2020年）。Lu等人（2025年）揭示了野火排放气溶胶的独特PSD特征，强调了开发更有效方法来识别野火影响的必要性。
k-means算法是一种广泛使用的无监督聚类技术，在大气科学中有着广泛应用。这些研究涉及各种数据，包括PSD数据、气象数据和空气污染物浓度。Beddows等人（2009年）使用k-means聚类分析了伦敦较小区域内的大气PSD，发现了显著的时空变化。Zhao等人（2019年）应用k-means聚类方法分析了PM2.5和O3的区域污染和传输。此外，k-means聚类还应用于多种与野火排放相关的研究（Chaturvedi等人，2021年；Shafi和Waheed，2020年；Stamatis和Barsanti，2022年；Wang等人，2023年）。例如，Shafi和Waheed（2020年）利用k-means展示了火灾污染物对空气质量水平的快速影响。Wang等人（2023年）通过k-means聚类发现，燃料干燥是导致夏季火灾排放物持续到秋季的关键因素。尽管有这些应用，但k-means聚类在识别野火排放物方面的应用仍然有限。
随机森林（RF）是一种用于分类任务的监督算法。Yao等人（2018年）开发了一个RF模型，用于预测加拿大不列颠哥伦比亚省野火季节期间5公里空间分辨率下的1小时PM2.5浓度。该模型有效识别了与附近活跃野火同时发生的PM2.5浓度的时间和空间峰值。然而，由于缺乏火灾信息的每小时更新，该模型在将这些峰值明确归因于野火烟雾方面存在局限性。随后，Aguilera等人（2023年）将RF与其他机器学习（ML）算法结合，开发了一个能够预测特定野火PM2.5浓度的模型。虽然这一模型有所进步，但在预测邮政编码级别的日PM2.5浓度方面仍存在空间和时间分辨率上的不足。
本研究的目标是识别内华达州里诺市空气质量受野火烟雾影响的每小时情况。为此，我们评估了k-means算法区分野火和非野火排放物的能力。2017年7月至2020年10月期间，分别使用PSD数据（PSD k-means）、空气污染物浓度（AP k-means）和气溶胶光学特性（OP k-means）在里诺收集的数据进行了k-means聚类分析。然后将聚类结果用于训练随机森林分类系统（RFCS）。该系统用于对2011年至2022年的12年数据集进行二分类，以识别受野火影响的时段。通过比较受烟雾影响时段和非受烟雾影响时段的化学和光学特征，验证了结果的稳健性。
数据收集情况
地点
用于聚类的PSD数据、部分光学数据以及部分空气污染物浓度（PM2.5、CO、O3和NOx）分别收集于2017年7月至2018年8月、2020年4月至2020年5月以及2020年8月至2020年10月期间。RFCS分析中使用的额外光学数据和空气污染物浓度收集于2011年1月至2022年6月，排除了PSD数据覆盖的时期。环境PSD是在沙漠研究所（DRI）的屋顶测量的。
k-means聚类分析
根据先前的研究（Jaffe等人，2022年；Lu等人，2025年），PM2.5与CO的比率及PSD特征可以作为野火烟雾的有用指标。PM2.5与CO的比率较高（约115-125 μg/(m3·ppm）且PSD模式较大（≥200 nm）的观测结果通常被认为是受野火影响的。然而，这些先前的研究依赖于日均数据而非每小时观测数据，因此难以在更细的时间分辨率下识别野火影响。
结论
本研究应用k-means聚类根据内华达州里诺市测量的空气污染物浓度、PSD和光学数据来识别受烟雾影响的时段。然后使用仅基于空气污染物浓度的k-means聚类结果来训练RFCS。k-means和RFCS均使用了2017年、2018年和2020年的数据，而RFCS还结合了2011年至2022年的空气污染物浓度。这两种算法在识别野火影响方面都表现出稳健的性能。
数据可用性
作者贡献声明
Siying Lu：撰写 - 原稿撰写、审阅与编辑、概念构思、方法论、数据整理、数据分析、软件开发、可视化。
Chiranjivi Bhattarai：数据整理。
W. Patrick Arnott：数据整理、资源提供、撰写 - 审阅与编辑。
Andrey Khlystov：撰写 - 审阅与编辑、资源提供、监督、资金获取。
关于手稿准备过程中使用生成式AI和AI辅助技术的声明
作者声明在手稿准备过程中未使用任何生成式AI和AI辅助技术。
