本研究由美国北卡罗来纳州立大学土木、建筑与环境工程系的James D. East、加州大学戴维斯分校陆地、空气和水资源系的Erwan Monier、加拿大滑铁卢大学土木与环境工程系的Rebecca K. Saari以及北卡罗来纳州立大学的Fernando Garcia-Menendez共同完成。该研究于2024年4月7日被《地球的未来》（Earth’s Future）期刊接受，并在线发表，文章编号为e2023EF003941。该期刊隶属于美国地球物理联合会（AGU）。
这项研究属于大气科学、气候变化与环境健康的交叉领域。其核心科学背景在于，大量研究表明气候变化（通过改变气象条件、化学过程等）预计会加剧全球许多人口稠密地区的近地面臭氧污染。这种“气候惩罚”（climate penalty）将导致高浓度臭氧事件（通常指超过环境空气质量标准的极端污染）变得更频繁、更严重，从而威胁人类健康，并可能抵消过去几十年在空气污染控制方面取得的成果（例如美国的《清洁空气法案》所取得的成就）。然而，准确量化这种未来风险面临巨大挑战，主要源于气候预测中存在多种不确定性。这些不确定性主要来自三个方面：内部变率（气候系统的自然波动）、温室气体排放情景，以及气候模式响应（特别是气候敏感性，即地球表面平均温度对大气二氧化碳浓度倍增的响应程度）。尽管已有研究探讨了内部变率和排放情景的影响，但气候敏感性这一关键不确定性如何具体影响未来臭氧污染极端事件的预测，此前尚未得到系统性的充分研究。因此，该研究旨在填补这一空白，其核心目标是：在一个统一的全球模拟框架下，系统评估气候敏感性这一不确定性来源，对于预测21世纪美国地区高臭氧污染事件的频率和强度变化所起的作用，并与温室气体排放情景的影响进行比较。
研究的详细工作流程整合了多个模型和复杂的分析方法，主要包含以下几个关键步骤： 1. 模拟集合构建与气候-空气质量模拟：研究团队建立了一个全球建模框架，该框架单向耦合了人类活动模型（MIT IGSM框架中的经济预测与政策分析模型，EPPA）、一个中等复杂度的地球系统模型（MIT ESM）以及一个大气化学模型（CAM-Chem）。他们利用此框架生成了一个庞大的模拟集合，以捕捉气候预测中的三类不确定性。该集合模拟了三个30年期的时间段：基准期（1981–2010年）、世纪中叶（2036–2065年）和世纪末（2086–2115年）。在每一个时间段内，他们考虑了三个温室气体排放情景（分别对应高排放的REF情景和两个具有气候政策的P4.5、P3.7中等排放情景）、三种气候敏感性水平（CS2.0， CS3.0， CS4.5°C，基于IPCC AR6的“很可能”范围设定）以及五个不同的气候模式初始条件成员（以模拟内部变率）。所有模拟中，除了对气候敏感的天然源排放（如异戊二烯）外，臭氧前体物的人为排放均固定在2000年水平，从而分离出“纯粹”的气候变化影响。整个模拟集合总共包含超过2800个模拟年，为不确定性分析提供了坚实的基础数据。
模型偏差校正与统计集群方法：由于CAM-Chem等全球化学-气候模型普遍存在系统性高估地面臭氧浓度的偏差，直接使用原始模拟结果进行极端事件分析会带来较大误差。因此，研究采用了偏差校正方法。首先，他们使用美国环保署清洁空气状况与趋势网络（CASTNET）站点夏季日最大8小时臭氧（MDA8 O3）的历史观测数据。传统的分位数映射（Quantile Mapping, QM）方法在应用于像美国这样的大范围、臭氧统计特征空间异质性强的区域时面临挑战，因为观测站点分布不均，无法直接对应所有模型网格。为解决此问题，本研究开发并应用了一种创新的空间变化偏差校正方法。该方法的核心步骤是：先利用K-means无监督机器学习算法，根据地理位置（经纬度）、臭氧平均值、标准差和95百分位浓度等特征，将CASTNET观测站点划分为统计特性相似的“集群”。然后，将模型网格单元分配到这些预先定义的集群中。接着，在每个集群内部，对模拟的历史时期MDA8 O3数据应用QM偏差校正，使其在每个分位数上都与对应集群内观测数据的分布相匹配。对于未来时期的模拟数据，校正方法则是先计算未校正的未来与未校正的历史模拟之间每个分位数的比值，再用校正后的历史模拟值乘以该比值，从而在保留气候变化信号的同时，消除系统性偏差。研究通过安德森-达林检验和交叉验证等方法，验证了该校正方案和集群划分的鲁棒性。这一方法的创新性在于，它允许在大范围异质性地表上对网格化模型数据进行有效的偏差校正，而无需依赖每个网格点的观测数据或简单地进行空间聚合。
极端值理论与臭氧事件分析：为了定量评估高臭氧事件的强度和频率，研究应用了极值理论（Extreme Value Theory, EVT）。他们将超过当前美国国家环境空气质量标准（NAAQS）阈值（70 ppb）的夏季MDA8 O3浓度定义为“极端事件”，并采用阈值超越法（Points-Over-Threshold, POT）。这些超越阈值的数据被拟合为广义帕累托分布（Generalized Pareto Distribution, GP）。通过最大似然估计法拟合出分布的形状参数和尺度参数，从而能够概率性地计算两个关键指标：1年重现水平（1-year return level）——代表平均每年可能出现的最高臭氧浓度值，用于衡量事件的强度；70 ppb重现间隔（70-ppb return interval）——指MDA8 O3超过70 ppb的平均间隔天数，其倒数可反映超过标准限值的频率。他们对每个模型网格单元在不同时期、不同模拟集合成员下都进行了上述计算，并使用Kolmogorov-Smirnov检验来确保GP分布的拟合优度。
数据与分析工作流程：整个分析工作流程为：首先，从庞大的模拟集合中提取历史、世纪中叶、世纪末三个时期的MDA8 O3数据。然后，应用上述基于集群的QM方法对所有模拟数据进行偏差校正。接着，对校正后的每个网格、每个时期、每个模拟成员（或成员平均）的数据应用EVT，计算1年重现水平和70 ppb重现间隔。最后，通过比较不同时期、不同排放情景、不同气候敏感性下的这些指标变化，来量化气候变化的“惩罚”效应以及各不确定性来源的相对重要性。所有分析代码，包括用于极值分析的“pyextremes”工具，均已公开。
研究的主要结果按照分析流程和核心科学问题展开，揭示了深刻且细致的发现： 首先，关于偏差校正与内部变率的影响。研究证实，原始的CAM-Chem模型确实显著高估了历史时期的臭氧浓度极端值，1年重现水平的平均偏差高达27 ppb。应用新的空间变化偏差校正方法后，模型与观测之间的偏差大幅降低至平均约3 ppb，显著提升了模型对历史极端事件的再现能力（图1）。此外，研究强调了考虑内部变率的重要性。比较单个初始条件成员与多个成员平均的结果显示，使用单次模拟可能导致在特定地点对极端臭氧水平的估计出现超过4 ppb的额外潜在误差。而使用五个初始条件成员的平均值，并结合极值分析，可以有效减少这种误差，从而提高对未来预测的信心（图2）。
其次，关于气候变化对美国臭氧极端事件的总体影响。研究预测，在假设前体物排放不变的情况下，气候变化将导致美国大部分地区高臭氧事件的强度和频率增加。到世纪中叶，在P4.5排放情景和3.0°C气候敏感性下，美国平均的1年重现水平（事件强度）预计将增加近2 ppb。与此同时，臭氧浓度超过70 ppb标准的天数将变得更加频繁，许多地区的“重现间隔”缩短，意味着超标天数增加（图3）。特别值得关注的是，在一些目前刚好能够达标（即历史超标频率很低）的地区，气候变化引起的频率微小增加，可能将其“推入”不达标状态。研究表明，在P4.5情景和CS3.0下，气候变化可能导致约850万（基于2000年人口）原本达标的美国居民所在地区，到世纪中叶面临年均超标天数超过4天（即违反NAAQS标准形式）的风险（图4）。这突显了气候变化对现有空气质量管理成果的直接威胁。
第三，也是本研究最核心的发现——气候敏感性的关键作用。研究结果清晰地表明，在世纪中叶的预测中，气候敏感性的不确定性对臭氧极端事件变化的影响，与温室气体排放情景的影响同等重要，甚至在某些情况下更为显著。图5和图6展示了这一关键结论：在较低的气候敏感性下，不同排放情景导致的臭氧极端值增加差异不大；然而，在较高的气候敏感性下，排放情景的选择将产生巨大差异。例如，在世纪中叶，当气候敏感性为4.5°C时，无气候政策的REF情景下美国平均1年重现水平增加超过4 ppb，而在严格的P3.7政策情景下增加仅约1 ppb。反之，在高排放情景下，低气候敏感性（2.0°C）和高气候敏感性（4.5°C）所导致的臭氧增加量可以相差一倍以上。这意味着，一个采用高气候敏感性模式的模拟，即使是在中等排放情景下，也可能预测出与另一个采用低气候敏感性模式但在高排放情景下相似的严重臭氧恶化。此外，研究还发现，气候变化对臭氧分布高端尾部（即极端事件）的影响通常比对平均浓度的影响更大，而这种“放大效应”在高气候敏感性下尤为明显（图6）。气候敏感性也直接影响了对空气质量标准达标风险的评估。例如，在P4.5情景下，CS2.0与CS4.5预测的因气候因素新增的不达标区域人口可能相差超过500万。
关于驱动机制的讨论：虽然本研究未进行详细的机制归因分析，但作者根据模型框架的特性进行了讨论。臭氧浓度的变化由多种相互竞争的气候驱动机制共同决定，包括温度升高促进臭氧生成化学反应和天然前体物排放、环流变化、湿度影响臭氧寿命等。在高气候敏感性下，更强的增温可能通过增强温度依赖的生物源排放等反馈机制，更剧烈地放大极端污染事件。
研究的结论具有多重重要意义。科学价值方面：该研究首次系统性地量化了气候敏感性不确定性对未来臭氧污染极端事件预测的影响，并揭示其在世纪中叶尺度上与排放情景同等重要的地位。这深化了我们对气候-空气质量相互作用复杂性和不确定性的理解，明确了未来相关研究必须将气候模式响应差异作为一个关键的不确定性维度加以考虑。方法论贡献：研究开发并验证了一种适用于大范围异质性区域的空间变化偏差校正方法，为改进全球化学-气候模型的极端事件评估提供了有效的技术工具。同时，研究展示了利用包含多初始条件、多气候敏感性、多排放情景的大型模拟集合进行综合风险评估的强大能力。应用与政策价值：研究结果对空气质量管理具有直接启示。它表明，即使全球实施了中等力度的温室气体减排政策，地球系统本身较高的气候响应仍可能对美国部分地区的臭氧达标构成显著威胁。这强调了持续减少臭氧前体物排放以对冲气候变化负面影响的重要性。同时，研究也警示政策制定者和风险评估者，在依据气候模式预测制定长期的空气质量管理策略时，需要审慎对待不同模式间因气候敏感性差异而导致的预测结果分歧。
本研究的亮点突出体现在以下几个方面：1. 重要发现：明确揭示了气候敏感性是未来中期臭氧污染极端事件预测中一个与排放路径同等重要的不确定性来源，这一发现具有高度新颖性。2. 方法创新：提出了结合统计聚类与分位数映射的空间变化偏差校正新方法，有效解决了大范围异质区域模型极端值校正的难题。3. 研究设计的系统性：构建了一个全面涵盖内部变率、排放情景和气候敏感性三大不确定性的庞大模拟集合，为稳健的归因和风险评估提供了前所未有的数据基础。4. 明确的政策关联：将气候变化影响直接与空气质量标准的合规风险挂钩，量化了受影响的人口规模，使科学研究结论更具现实决策参考价值。
最后，研究也指出了其局限性，例如假设偏差和统计集群在未来时期保持不变可能引入额外不确定性，以及仅使用单一气候-化学模型框架。作者呼吁未来研究应基于多模型比较计划、结合多排放路径，进一步深化对气候敏感性与前体物排放控制相互作用的理解。总体而言，这项研究为更全面、更可靠地评估气候变化下的空气质量和健康风险树立了重要的方法论典范，并提供了关键的科学洞见。