近日，一篇题为《Ozone pollution in China affected by climate change in a carbon neutral future as predicted by a process‐based interpretable machine learning method》的学术论文在《Geophysical Research Letters》期刊上发表。这项研究由南京信息工程大学的李慧敏和杨阳（通讯作者，yang.yang@nuist.edu.cn）作为主要作者领衔，合作者包括南京信息工程大学的苏杭、美国太平洋西北国家实验室的王海龙、王品雅和廖宏。该研究采用了一种创新的、基于过程的可解释机器学习方法，预测了在未来碳中和情景下，气候变化将如何影响中国的地面臭氧污染。

研究的学术背景 该研究属于大气环境科学与气候变化交叉领域。地面臭氧污染是中国面临的一个严重空气质量问题，对公众健康和生态系统构成威胁。臭氧的形成不仅依赖于前体物（如氮氧化物和挥发性有机化合物）的排放，也受到气象条件的深刻影响。气候变化会通过两种主要途径影响臭氧浓度：一是直接改变影响臭氧生成、传输和清除的物理与化学过程；二是间接改变臭氧前体物（尤其是生物源挥发性有机化合物，Biogenic Volatile Organic Compounds, BVOCs）的自然排放。中国已承诺在2030年前实现碳达峰、2060年前实现碳中和。然而，遵循这条碳中和路径（如SSP1-1.9情景）下的未来气候变化，将如何具体影响中国的臭氧污染，特别是区分上述直接和间接影响的相对重要性，此前的研究尚不充分。传统的机器学习方法在预测空气污染物方面虽有高效、高分辨率的优势，但常被视为“黑箱”，缺乏对内在物理化学机制的解释性。因此，本研究旨在建立一个融合物理化学过程的可解释机器学习模型，定量评估在未来不同气候情景下，气候变化通过直接和间接途径对中国臭氧浓度的影响，特别关注碳中和目标年份2030年和2060年。

详细研究流程 本研究的工作流程是一个系统性的、多步骤的建模与预测过程，主要包含以下五个核心环节：

第一，基础数据获取与模型模拟。 本研究的数据基石来源于一个三维全球化学传输模型——GEOS-Chem（版本13.4.1）。研究者利用该模型模拟了2000年至2019年中国地区近地面臭氧浓度，并提取了影响臭氧浓度的关键物理和化学过程的速率数据。这些过程包括：净化学生成、水平平流输送、垂直对流以及干沉降与扩散。同时，模型也提供了同期生物源异戊二烯（BVOCs中一种关键的臭氧前体物）的排放数据。这些模拟结果使用MERRA-2再分析气象数据驱动，并采用了最新的全球排放清单（如CEDS）。这一步骤为后续的机器学习模型提供了高质量的“训练标签”数据。

第二，未来气候情景数据准备。 为了预测未来臭氧，研究从第六次国际耦合模式比较计划中，选取了8个全球气候模式在两种共享社会经济路径下的未来气候预估数据：碳中和情景和高排放情景。关键的气象变量（如气温、风速、湿度、太阳辐射等）被提取出来，并进行了偏差校正，以消除气候模式历史模拟与再分析数据之间的系统性差异，确保未来预测的可靠性。

第三，构建与训练可解释的机器学习模型。 这是本研究的核心创新环节。研究者采用了极端梯度提升树算法来构建预测模型。与直接将气象变量映射到臭氧浓度的传统“黑箱”做法不同，本研究设计了一个两阶段的、基于过程的预测框架，显著增强了模型的可解释性和物理意义。 1. 过程预测模型构建： 首先，研究者并未直接预测臭氧浓度，而是训练了五个独立的XGBoost模型，分别用于预测未来四种臭氧关键物理化学过程的速率以及生物源异戊二烯的排放量。每个模型的输入特征都经过精心设计，包括气象变量、前体物排放/浓度、土地利用、植被指数、地形、人口密度以及时空信息（经纬度、月份）。例如，预测异戊二烯排放的模型，其输入特征包含了影响植物排放的关键气象因子；预测化学过程的模型，则包含了光化学反应依赖的太阳辐射、温度等变量。 2. 臭氧浓度集成预测： 在获得上述过程和排放的预测值后，研究者再利用另一个XGBoost模型，将这些预测出的过程速率和排放量作为核心输入特征，最终集成预测出近地面臭氧浓度。这种设计使得模型的预测逻辑更贴近臭氧形成的实际物理化学机制：臭氧浓度是由化学生成、输送、清除等过程共同决定的。 3. 模型可解释性分析： 研究进一步采用了沙普利加性解释方法，对模型中的特征重要性进行了量化分析，揭示了不同气象因子和输入变量对异戊二烯排放、各个臭氧过程以及最终臭氧浓度的贡献方向和大小，从而“打开”了机器学习模型的“黑箱”。

第四，未来情景预测与贡献分解。 利用训练好的模型和CMIP6的未来气候数据，研究者预测了中国在2030年（代表碳达峰时期）和2060年（代表碳中和时期）的臭氧浓度。为了精确量化气候变化直接效应和间接效应的相对贡献，他们设计了四组巧妙的对比实验： - M1I1：气象场和异戊二烯排放均遵循SSP1-1.9情景。 - M1I5：气象场遵循SSP1-1.9，但异戊二烯排放遵循SSP5-8.5情景。 - M5I5：气象场和异戊二烯排放均遵循SSP5-8.5情景。 - M5I1：气象场遵循SSP5-8.5，但异戊二烯排放遵循SSP1-1.9情景。 通过比较这四组预测结果，可以分离出仅由气象变化引起的物理化学过程改变对臭氧的影响，以及仅由气象变化引起的异戊二烯排放改变对臭氧的影响。

第五，模型性能评估与不确定性分析。 研究使用2018-2019年的数据作为测试集，对训练好的模型进行了验证。统计指标显示模型具有很高的预测精度。同时，论文也坦率地讨论了研究中存在的不确定性来源，包括GEOS-Chem模型本身的模拟偏差、CMIP6多模式气候预估的不确定性、以及未来土地利用等固定输入假设可能带来的偏差。

主要研究结果 研究结果清晰地揭示了在不同未来情景和时间节点上，气候变化对中国臭氧污染的影响机制和程度。

1. 机器学习模型性能优异。 验证结果表明，所构建的XGBoost模型能准确预测臭氧浓度及其相关过程。SHAP分析进一步证实了模型机制的合理性：例如，温度是驱动异戊二烯排放的最重要正相关因子；臭氧化学生成率与温度、太阳辐射呈正相关，与湿度呈负相关；在四个过程中，只有化学过程对边界层内臭氧浓度有正的贡献，而输送和清除过程则呈现负相关，这与物理认知一致。

2. 生物源异戊二烯排放对未来气候的响应。 预测显示，相对于高排放情景，在碳中和情景下： - 2030年： 由于东部地区气温略有上升，异戊二烯排放在中国东部和南部有小幅增加（0-0.5 g/m²/yr），而在西部地区有所减少。 - 2060年： 由于碳中和情景下显著的气候变冷效应（气温降低）和更频繁的湿润天气条件，整个中国，尤其是南方地区的异戊二烯排放将显著下降，最大降幅可达0.5-2.0 g/m²/yr。

3. 臭氧物理化学过程对未来气候的响应。 臭氧相关过程对气候变化，尤其是温度变化，极为敏感： - 2030年： 在碳中和情景下，东部地区较高的气温和较强的太阳辐射，促进了臭氧的光化学生成。但同时，臭氧浓度的升高也导致了干沉降和水平外流输送的增强。 - 2060年： 与高排放情景相比，碳中和情景下更凉爽的气候导致臭氧的化学生成率大幅下降。臭氧生成的减弱进而减少了干沉降，并使得更多的臭氧通过水平输送进入分析区域。

4. 未来臭氧浓度变化及驱动因素分解。 这是本研究的核心定量发现： - 2030年： 相对于高排放情景，碳中和情景下中国东部地区近地面臭氧浓度预计会轻微上升（最大超过0.2 ppb），这主要是由气温升高导致的化学生成增强驱动的。 - 2060年： 情景发生了根本性逆转。碳中和情景下，中国东部地区的臭氧浓度预计将比高排放情景下降超过0.4 ppb。这个下降主要由气候变冷导致的臭氧化学生成减弱所主导。 - 贡献分解： 研究定量分离了直接效应和间接效应的贡献。在2060年东部地区观测到的0.52 ppb臭氧下降中，约80%归因于气候变化引起的臭氧物理化学过程改变（主要是化学生成减弱），仅有约20%归因于生物源异戊二烯排放的减少。这一结果明确表明，在调控未来臭氧浓度方面，气候变化对臭氧本身物理化学过程的直接影响，比其对自然前体物排放的间接影响更为重要。

研究结论与意义 本研究得出明确结论：为实现将全球变暖控制在1.5°C以内的目标，中国所遵循的碳中和路径，不仅有利于减缓气候变化，也将对改善未来的臭氧污染产生积极影响。特别是在2060年碳中和目标实现时，相对于高排放路径，中国东部地区的臭氧污染将因气候变冷而显著减轻。更为关键的是，气候变化通过改变臭氧的物理化学过程（尤其是光化学生成）所产生的直接影响，是未来臭氧浓度变化的主导因素，其重要性超过了气候变化通过改变生物源排放所产生的间接影响。

这项研究的科学价值在于：方法上，它创造性地将物理化学过程机制融入机器学习框架，开发了一种新颖的、高解释性的预测工具，为解决“黑箱”问题提供了新思路。认知上，它首次在未来碳中和背景下，清晰量化并比较了气候变化影响中国臭氧污染的两条路径的相对重要性，深化了我们对气候-化学相互作用的理解。应用价值上，研究结果为中国制定协同控制气候变化和空气污染的长期政策提供了重要的科学依据，明确了实现碳中和本身对减轻未来臭氧污染的积极效益。

研究亮点 1. 方法创新性： 构建了首个“基于过程的可解释机器学习模型”用于未来臭氧预测。通过先预测关键物理化学过程再集成预测臭氧浓度的两阶段框架，将机器学习的高效性与传统化学传输模型的机制性相结合，显著提升了模型的可解释性和物理可信度。 2. 核心科学发现： 首次在未来碳中和情景下，定量揭示并比较了气候变化影响中国臭氧污染的直接与间接途径的贡献。明确了在2060年，物理化学过程的改变贡献了约80%的臭氧下降，是主导因素。 3. 重要的政策启示： 研究强有力地证明，中国选择的碳中和路径是一条理想的“双赢”路径，既能有效应对气候变化，也能在未来（特别是2060年）显著减轻因气候变暖而加剧的臭氧污染风险，为“减污降碳协同增效”的国家战略提供了关键的科学支撑。

其他有价值内容 论文还详细讨论了研究的局限性，如GEOS-Chem模型的固有偏差、CMIP6数据的不确定性、以及模型在预测臭氧垂直对流过程时性能欠佳的可能原因（可能与所采用气象数据的垂直分辨率有关）。这些坦诚的分析为未来研究的改进指明了方向。此外，研究中采用的SHAP特征重要性分析，不仅验证了模型，也深化了对臭氧形成与气象条件之间复杂非线性关系的理解。