根据文档内容，该文档为一篇研究报告，报道了一项针对中国近地面臭氧污染趋势及其驱动因素的原创研究。因此，将按照类型a的要求生成学术报告。
关于“追踪暖化气候下中国近地面臭氧对清洁空气行动的响应”研究的学术报告
一、 研究团队与发表信息 本研究由来自中国南京信息工程大学、法国巴黎萨克雷大学气候与环境科学实验室、清华大学深圳国际研究生院、中国科学院青藏高原研究所、暨南大学、东南大学等国内外多家科研机构的学者共同完成。第一作者为方洁，通讯作者为张云江（南京信息工程大学）。研究成果于2026年1月19日发表于地学期刊《大气化学与物理学》（Atmospheric Chemistry and Physics，简称ACP），卷26，页851-867。该论文遵循知识共享署名4.0许可协议。
二、 研究的学术背景 本研究属于大气环境科学和气候变化交叉领域。近地面臭氧是一种对空气质量、生态系统和气候均有重要影响的关键污染物。其长期变化趋势同时受到人为排放（氮氧化物NOx、挥发性有机物VOCs）和气候/气象条件的双重驱动。近年来，中国相继实施了《大气污染防治行动计划》（2013-2017年）和《打赢蓝天保卫战三年行动计划》（2018-2020年）等一系列清洁空气行动，虽然显著降低了细颗粒物（PM2.5）浓度，但许多地区的臭氧水平仍在持续上升，形成了复杂的演变趋势。
厘清人为排放与气象变异在臭氧趋势中的相对贡献，对于评估清洁空气政策的有效性、制定未来的协同控制策略至关重要。以往研究多使用化学传输模型或统计模型进行归因分析，但各自存在局限（如排放清单不确定性、模型复杂度等）。随着大气观测大数据和机器学习技术的发展，利用数据驱动方法分离不同驱动因素成为新兴且有效的工具。
基于此背景，本研究旨在开发一种新的机器学习框架，以量化2013-2023年间中国夏季臭氧趋势中人为排放和气象条件各自的贡献；分析极端天气事件（如热浪、持续降雨）对臭氧的短期影响；利用卫星遥感诊断臭氧生成的敏感性机制；并评估自1970年以来长期气候变化对臭氧的潜在影响。最终目标是揭示在气候变暖背景下，臭氧污染对清洁空气行动的复杂响应，为制定综合减排与气候适应策略提供科学依据。
三、 详细研究流程与方法 本研究包含一个整合多源数据的系统分析框架，具体流程如下：
1. 数据整合与预处理 研究首先整合了多维数据集，构成了分析的基础。 * 研究对象与样本量： * 地面污染物观测： 使用中国国家环境监测中心提供的2013-2023年全国354个城市的逐时臭氧、二氧化氮（NO2）、一氧化碳（CO）、PM2.5浓度数据。对于2013-2014年部分数据缺失的城市，补充使用了追踪中国空气污染（TAP）数据集。 * 气象数据： 使用欧洲中期天气预报中心（ECMWF）提供的ERA5再分析数据集，空间分辨率0.25°×0.25°，提取了包括近地面温度、湿度、风速、边界层高度、太阳辐射等在内的18个不同高度层的变量。 * 卫星遥感数据： 使用哨兵-5P卫星上的对流层监测仪（TROPOMI）观测的NO2和甲醛（HCHO）柱浓度数据。甲醛与二氧化氮的比值（HCHO/NO2， FNR）被用作臭氧生成敏感性（是VOCs限制还是NOx限制）的诊断指标。 * 时间变量： 引入“小时”（一天中的时刻）和“月份”（一年中的月份）作为人为排放的替代指标，用以捕捉排放的日变化和季节变化规律。
2. 机器学习模型构建与“固定排放近似”方法开发 这是本研究的核心创新方法。 * 方法原理： 研究团队开发了一种基于机器学习的“固定排放近似”（Fixed Emission Approximation， FEA）框架。其核心思想是，通过构建一个能够关联臭氧浓度与气象因子、时间变量的随机森林（Random Forest）模型，来分离排放和气象的影响。 * 模型训练： 为减少地表异质性带来的不确定性，研究为每个城市、每一年（2015-2023）分别建立了独立的随机森林模型。模型输入包括气象参数、时间变量（小时、月份），输出为臭氧浓度。数据集的80%用于训练，20%用于测试，并进行了十折交叉验证。 * FEA计算流程： 1. 选定一个基准年i（代表特定排放水平），使用该年夏季数据训练模型，得到预测值（Pred_i）和模型残差（Res_i）。 2. 将该训练好的模型应用于目标年j的气象条件下进行预测，得到在基准年i排放水平下、目标年j气象条件下的臭氧模拟值（Pred_i(j)）。 3. 通过一系列公式运算，将观测到的臭氧变化分解为气象贡献（Met_i(j) = Pred_i(j) - Pred_i）和人为排放贡献（Ant_i(j) = Obs_j - Pred_i(j) - Res_i）。 4. 通过交叉矩阵方法（选择不同年份作为基准年进行多次计算）评估FEA方法的不确定性，结果显示该方法在全国尺度上的不确定性约为6%，证明了其稳健性。 * 对比方法： 为验证FEA的可靠性，研究同时应用了广泛使用的基于随机森林的“气象归一化”方法进行对比，两者结果趋势一致。
3. 极端天气影响的量化 为探究热浪和持续降雨等极端天气的短期影响，研究采用了SHAP（Shapley Additive Explanations）值分析。 * 定义事件期： 将2022年夏季（7月16日-8月31日）的极端热浪定义为热浪期（HW），其他年份同期为非热浪期（NHW）。将长江-淮河流域每年6月15日-7月15日定义为持续降雨期（PR），其余夏季时间为非持续降雨期（NPR）。 * SHAP分析： 分别计算PR期与NPR期、HW期与NHW期所有输入特征的SHAP值。通过比较SHAP值的变化（ΔSHAP），量化关键气象变量（如温度、太阳辐射、湿度）在这些极端天气条件下对臭氧预测值的边际贡献变化，从而揭示其影响机制。
4. 长期气候变化影响的评估 研究扩展了FEA框架，以评估1970-2023年长期气候变化对臭氧的影响。 * 模拟设定： 以2015-2023年每年夏季的排放水平作为9个独立的“固定排放”基准情景。使用对应年份数据训练随机森林模型，然后将这些训练好的模型应用于1970-2023年的历史气象再分析数据中进行预测。 * 情景设计： 为考察不同大气背景下气候影响的敏感性，定义了三个代表性区域情景：高污染情景（以京津冀地区BTH为基准）、中等污染情景（以长三角地区YRD为基准）、低污染情景（以珠三角地区PRD为基准）。 * 核心假设： 此分析假设人为排放不受气候变化影响（即排放与气候解耦），从而分离出纯粹由长期气象变量趋势（即气候变化信号）所驱动的臭氧变化。
5. 臭氧生成敏感性诊断 利用TROPOMI卫星获取的HCHO和NO2数据，计算FNR比值，并根据既定的阈值（通常FNR<2为VOCs限制，FNR>4为NOx限制，之间为过渡区），逐年绘制2018-2023年中国夏季臭氧生成敏感性的空间分布图，分析其时空演变特征，并与排放变化和极端天气事件进行关联解释。
四、 主要研究结果 研究取得了多方面、层层递进的发现：
1. 中国夏季臭氧时空演变特征（2013-2023） 结果显示，中国夏季臭氧污染经历三个阶段： * 第一阶段（2013-2017）： 全国平均臭氧浓度显著上升（从95.5 µg/m³升至118.0 µg/m³），尤其在京津冀和汾渭平原增幅最大（约38%和41%）。 * 第二阶段（2017-2020）： 全国平均臭氧浓度出现小幅下降（至109.0 µg/m³），在汾渭平原和长三角下降尤为明显。 * 第三阶段（2020-2023）： 臭氧浓度再度反弹，2023年达到118.4 µg/m³，与2017年峰值相当，其中2022年夏季反弹最为剧烈。
2. FEA方法归因的主要发现 应用FEA方法，清晰地量化了不同阶段的主要驱动因素： * 第一阶段（2013-2017）： 臭氧上升主要由人为排放驱动，贡献了全国平均约+23.2 ± 1.1 µg/m³的增加量。气象条件的贡献相对较小。 * 第二阶段（2017-2020）： 臭氧下降是人为减排和有利气象条件共同作用的结果。其中，气象条件贡献了相当大的下降量（如在长三角贡献了下降总量的约77%），而人为减排也带来了全国平均约-4.6 ± 1.5 µg/m³的下降。 * 第三阶段（2020-2023）： 气象异常（特别是极端天气事件）成为主导因素。2022年历史性热浪导致长三角和四川盆地的臭氧浓度分别激增约+20.8 µg/m³和+22.1 µg/m³；而2023年夏季的异常强降雨则显著抑制了臭氧生成，导致长三角臭氧浓度下降约-17.8 µg/m³。 * COVID-19封锁期（2020年初）： 尽管人为排放大幅下降，全国约79%的城市臭氧浓度反而平均上升了2.1 µg/m³。FNR诊断表明，此期间大部分城市处于VOCs限制或过渡区，NOx的快速减少反而可能因非线性化学效应加剧了臭氧生成。
3. 臭氧生成敏感性机制的演变 卫星FNR分析揭示了化学机制的动态变化： * 总体趋势： 2018-2023年间，中国夏季臭氧生成以NOx限制和过渡区为主，VOCs限制区范围呈缩小趋势。 * 热浪的影响： 2022年极端热浪在长三角等地区诱发了显著的机制转变。高温增强了VOCs的排放和活性，使得部分区域从VOCs限制向NOx限制或过渡区转移，从而改变了臭氧对前体物减排的响应方式。 * 区域差异： 京津冀地区以NOx限制为主；四川盆地持续以强NOx限制为主；珠三角地区过渡区范围逐渐扩大。
4. 长期气候变化的“惩罚”效应 基于FEA的长期模拟（1970-2023）揭示了一个重要结论：在排放固定的假设下，长期气候变化本身已导致中国城市夏季臭氧浓度呈现显著的上升趋势。 * 全国趋势： 平均增长率为0.06 µg/m³/年。 * 区域差异： 京津冀和四川盆地的上升趋势最为明显（约0.12 µg/m³/年），长三角和珠三角次之。 * 主导因子： 模拟的臭氧上升趋势与地表温度升高显示出高度相关性（相关系数在0.72-0.93之间），证实气候变暖是驱动这一长期臭氧增加趋势的主要因素。这表明存在一个“气候惩罚”效应，即气候变化正在抵消一部分通过人为减排获得的空气质量改善效益。
五、 研究结论与意义 本研究系统阐明了2013-2023年中国夏季臭氧污染趋势演变的驱动机制，并前瞻性地评估了长期气候变化的潜在影响。主要结论如下： 1. 驱动机制的阶段性转换： 中国臭氧污染控制已从早期以“排放驱动增长”为主，经历了“减排与气象协同改善”的阶段，正进入一个“极端气象事件主导短期波动、长期气候变化施加持续上行压力”的新时期。 2. 气候变化的抵消作用： 持续的全球变暖正在对中国城市的夏季臭氧水平产生可测量的增加效应。这意味着，未来若要实现臭氧浓度的持续下降，所需的减排力度将比不考虑气候变化时更大，因为减排成果会部分被气候变暖所抵消。 3. 化学机制的动态性： 臭氧生成敏感性并非一成不变，它会随着排放结构的变化和极端天气（如热浪）而发生转变。这要求控制策略必须是动态的、区域差异化的，需根据实时的化学状态进行调整。
本研究的科学价值在于开发并验证了FEA这一有效的归因分析工具，为理解复杂大气污染问题提供了新的方法论。其应用价值在于为政策制定者提供了清晰的科学证据：在气候变暖的世界中，有效的臭氧治理需要综合策略，即将末端排放控制与源头气候变化减缓以及针对极端天气事件的适应措施结合起来，才能确保空气质量的长期持续改善。
六、 研究亮点 1. 方法创新： 自主开发了基于机器学习的“固定排放近似”框架，实现了对臭氧长期趋势中人为与气象贡献的高效、稳健量化，不确定性低，且计算上比复杂的化学传输模型更简便。 2. 多维度综合分析： 创新性地将地面观测、气象再分析、卫星遥感（用于诊断化学机制）以及先进的机器学习解释工具（SHAP）相结合，从趋势归因、极端事件影响、化学机制演变到长期气候效应，形成了一个完整、闭环的证据链。 3. 揭示关键机制转变： 明确指出了当前中国臭氧污染控制面临的主要矛盾已从单纯的排放控制，转向应对日益增加的、由气候变化和极端天气引发的污染风险，这一结论具有重要的政策警示意义。 4. 量化“气候惩罚”： 通过严谨的“固定排放”情景模拟，首次量化评估了1970年以来纯粹由气候变化导致的我国夏季臭氧背景浓度上升趋势，为理解未来臭氧治理的长期挑战提供了关键定量参考。
七、 其他有价值内容 研究还对模型中的关键气象驱动因子进行了重要性排序和部分依赖分析，发现不同区域的主导因子不同（如京津冀对温度最敏感，长三角对太阳辐射最敏感），这深化了对区域臭氧气象成因的理解。此外，论文提供了详尽的补充材料，包括数据来源、变量列表、模型性能指标、不确定性评估公式及大量辅助图表，确保了研究的可重复性和透明度。