关于《大气环境科学与技术》期刊发表论文《全球地表臭氧对排放与热浪引起的化学状态转变存在差异性响应》的学术研究报告
一、 研究作者、机构及发表信息 本项研究由Chenliang Tao, Yuqiang Zhang, Xin Zhang, Xu Guan, Yanbo Peng, Guoqiang Wang, Qingzhu Zhang*, Yuchao Ren, Xingyu Zhao, Ruobei Zhao, Qiao Wang 和 Wenxing Wang 合作完成，其中通讯作者为 Yanbo Peng（山东大学，环境研究院，生态环境大数据研究中心；山东省生态环境规划院，陆海统筹生态环境治理与系统调控国家环境保护重点实验室）、Guoqiang Wang（山东大学，环境研究院，生态环境大数据研究中心）和 Qingzhu Zhang（山东大学，环境研究院，生态环境大数据研究中心）。该研究于2024年12月3日在线发表于环境科学领域顶级期刊 《Environmental Science & Technology》 (Environ. Sci. Technol. 2024, 58, 22288−22297)。
二、 学术背景与研究目的 本研究属于大气环境科学与气候变化交叉领域，聚焦于地表臭氧(O3) 这一对健康、生态和农作物产量有害的二次污染物的形成机制。臭氧的形成依赖于其前体物——氮氧化物(NOx)和挥发性有机物(VOCs)的光化学反应，而其生成对前体物的敏感性并非一成不变，通常可分为 NOx控制型 (NOx-limited)、VOC控制型 (VOC-limited) 和近年提出的气溶胶抑制型 (aerosol-inhibited) 三种光化学状态。识别特定地区的主导状态，是制定有效减排策略、实现PM2.5与臭氧协同控制的关键。
研究的背景与动机在于：一方面，随着社会活动恢复和可再生能源转型，臭氧光化学过程日趋复杂，而全球地表空气质量监测网络空间覆盖有限，难以精确诊断其形成机制；另一方面，极端高温事件（热浪） 的频率和强度日益加剧（如2023年成为有记录以来最热年份），不仅通过增加生物源排放、野火排放和光化学反应速率直接影响臭氧及其前体物的浓度，还可能从根本上改变臭氧生成对前体物的敏感性和主导状态。然而，关于热浪如何定量影响这种状态转变，科学界认知尚存空白。因此，本研究旨在利用机器学习模型和原位观测数据，量化评估2019至2023年间全球地表臭氧光化学状态的时空演变，并揭示人为排放变化与热浪这两种驱动因素如何差异化地改变臭氧化学状态，进而影响全球臭氧污染趋势，为应对气候变化加剧下的“气候惩罚效应（climate penalty）”提供政策制定所需的科学依据。
三、 详细研究流程 本研究采用了一种融合多源数据与可解释性机器学习的系统性诊断框架，具体流程如下：
流程一：数据收集与预处理 1. 地面监测数据：研究团队收集了2019-2023年间全球约15,000个地面监测站点的臭氧（O3）、细颗粒物（PM2.5）、二氧化氮（NO2）和甲醛（HCHO，作为VOCs的示踪物）的每小时观测数据。数据来源包括TOAR、OpenAQ、中国环境监测总站（CNEMC）、美国环保署（EPA）及欧洲环境署（EEA）等。经过严格的质量控制（剔除负值、重复数据和极端异常值），最终计算得到各站点的日最大8小时滑动平均臭氧浓度（MDA8 O3，文中简称O3）以及PM2.5和NO2的日均浓度。所有数据统一空间分辨率为0.1°×0.1°经纬网格，时间统一为协调世界时（UTC）。 2. 辅助变量数据：为实现高时空分辨率的重建，研究整合了多种辅助数据，主要包括： * 卫星反演数据：来自TROPOMI仪器的NO2和HCHO对流层垂直柱浓度、臭氧总垂直柱浓度等，以及MODIS的陆地气溶胶光学厚度（AOD）数据。为解决云层遮挡导致的数据缺失，团队采用极限梯度提升模型（XGBoost） 进行迭代填补，利用气象再分析数据和地理坐标预测缺失值，确保了数据的空间完整性。 * 气象再分析数据：从欧洲中期天气预报中心的ERA5数据集获取温度、湿度、风速、气压、边界层高度、降水、短波辐射通量等气象变量。 * 化学输送模拟数据：采用GEOS-CFS模型提供的常规污染物模拟数据，以考虑近地表化学组分间的相互关联。 * 地理与人口数据：包括人口密度、道路密度、数字高程模型等。 所有变量最终通过降尺度或插值统一至0.1°×0.1°的空间网格。
流程二：基于深度学习的多污染物浓度重构 1. 模型构建：为解决全球监测站点分布不均、无法直接获取高分辨率污染物场的问题，本研究自主研发并采用了名为 Air Transformer (AIT) 的基于Transformer架构的深度学习模型。AIT采用编码器-解码器结构，能够动态捕捉目标网格周边约20公里范围内输入特征的空间自相关性，从而建立地表污染物浓度与大气柱浓度、气象条件、地理信息等多种变量之间的稳健关系。 2. 模型训练与评估：研究采用多任务学习策略，同时训练模型以估算臭氧（O3）、二氧化氮（NO2）、细颗粒物（PM2.5）和甲醛（HCHO）四种污染物的日平均浓度。通过优化模型最后一层为任务特定模块，并引入欧几里得球面坐标和螺旋三角函数序列来考虑空间变异和季节模式，增强了模型对复杂全球建模的适应能力。 3. 结果验证：模型展现出极高的准确性。样本交叉验证结果显示，对O3、NO2、PM2.5和HCHO日浓度估算的决定系数（CV R²）平均值分别达到0.91、0.91、0.93和0.79，均方根误差（RMSE）分别为9.69、4.11、5.79和0.80 μg/m³。此外，空间交叉验证结果也表明，该模型在缺乏密集地面观测的区域具有良好的预测能力。
流程三：臭氧化学状态诊断与驱动因素量化 1. 诊断方法：研究利用可解释机器学习方法来诊断臭氧光化学状态并量化各驱动因素的贡献。具体而言，使用XGBoost模型建立每月臭氧浓度与气象、化学变量（NO2、HCHO、PM2.5）之间的关系。随后，采用SHAP（SHapley Additive exPlanations）值来解释每个特征（变量）对臭氧浓度预测的贡献。SHAP值的正负代表该因素对臭氧的促进或抑制作用。 2. 状态划分：基于SHAP值的无偏方向性特性，研究提出了一种创新的诊断方法。通过对NO2、HCHO和PM2.5的SHAP值进行归一化处理，并比较其相对比例，识别出对臭氧生成贡献最大的化学指示物，从而将每个网格的臭氧生成状态判定为NOx控制型、VOC控制型或气溶胶抑制型。这一方法超越了传统的基于经验比值（如HCHO/NO2）的阈值法，能够更精细地揭示复杂的非线性化学相互作用。 3. 气象影响剥离：为了隔离气象条件的影响，研究采用“天气归一化”方法，即从臭氧浓度中减去SHAP分析中气象因素的贡献值，从而得到仅由化学因素（前体物排放与反应）驱动的臭氧浓度变化趋势。 4. 趋势分析与热浪定义：使用季节性曼-肯德尔检验和泰尔-森估计器来分析各污染物浓度的时空变化趋势。热浪定义为：每个网格内日最高温度连续至少3天超过1990-2018年间当地日最高温度第95百分位数的时期。
流程四：分析与解释 基于上述重构的全球高分辨率污染物数据集和诊断出的化学状态图，研究者系统分析了2019-2023年全球臭氧及其前体物的时空变化趋势，识别了热浪事件的空间分布，并定量计算了热浪期间各污染物的浓度异常（Anomaly）。通过对比不同年份（特别是2019年和2023年）、不同区域（如东亚、北美）的臭氧化学状态图，结合热浪分布和气象归一化后的臭氧化学趋势，深入剖析了排放控制与热浪各自如何驱动臭氧化学状态的转变，以及这种转变如何最终导致区域臭氧污染的差异。
四、 主要研究结果 1. 全球污染物浓度时空格局：模型重构结果显示，2019-2023年全球人口加权平均的O3、NO2、PM2.5和HCHO浓度分别为64.7、14.5、18.1和2.42 μg/m³。臭氧污染主要集中在北半球中纬度地区和高海拔地区（如青藏高原）。2020年因新冠疫情封锁措施，全球多数污染物浓度有所下降。然而，2023年全球O3和PM2.5年均浓度出现了统计上显著的增加。其中，西亚、东非、北美和南亚的臭氧上升趋势最为明显。值得注意的是，污染最严重的东亚地区却显示出臭氧水平的下降趋势。
臭氧化学状态的分布与演变：在全球范围内，大部分地区为NOx控制型。但高排放区或极端气候事件影响区则呈现VOC控制型或气溶胶抑制型。2019年，北美、欧洲、西亚和东亚的城市工业区多为VOC控制型。气溶胶抑制型区域广泛分布于北美极地、澳大利亚、南美、巴基斯坦、印度和俄罗斯远东地区。2019至2023年间，全球有12%的区域发生了臭氧化学状态的转变。最显著的变化发生在中国，由于持续有效的协同减排措施，其VOC控制型区域大幅减少，转向NOx控制型。这表明，持续的减排可以抵消高温带来的不利影响。
热浪对臭氧化学的放大效应：
全球臭氧变化的驱动因素解析：剔除气象影响后，分析化学驱动的臭氧变化趋势发现，北美、西亚、东非和中非等地出现了显著的臭氧上升趋势。其中，北美地区在有利的气象条件下，臭氧仍持续上升，主要归因于热浪和野火引发的VOCs和气溶胶排放增加及其导致的臭氧化学状态改变。相反，在东亚，尽管不利的气象条件推高了臭氧，但持续减排降低了臭氧对HCHO和PM2.5的敏感性，抵消了部分不利影响，整体上化学驱动因素导致了臭氧下降的趋势。相关性分析证实，温度和短波太阳辐射是与全球臭氧变化趋势相关性最高的气象因子。
五、 研究结论与价值 本研究得出以下核心结论： 1. 热浪显著加剧全球臭氧污染，其机制不仅是直接增加前体物浓度和反应速率，更关键的是引发臭氧光化学状态的根本性转变，即增加臭氧对VOCs（以HCHO为示踪）和气溶胶的敏感性。 2. 人为排放控制与热浪的影响存在区域异质性。在东亚，持续的协同减排成功地将臭氧化学状态从VOC控制型转向NOx控制型，部分抵消了高温的负面效应。而在北美等地，气候极端事件（热浪与野火）通过增加排放和改变化学状态，导致了臭氧污染加剧。 3. 全球范围内，气溶胶抑制型区域的普遍存在（影响全球超过17.8%的人口）揭示了PM2.5与臭氧协同控制的复杂性，单一减排PM2.5可能导致臭氧上升的权衡效应。 4. 鉴于未来气候变暖将增加热浪频率和生物源VOCs排放，臭氧对VOCs的敏感性也将持续增强。因此，为实现有效的臭氧污染控制，未来需要更有针对性和更大力度的挥发性有机物（VOCs）管控，以缓解日益加剧的“气候惩罚效应”。
本研究的科学价值在于：首次在全球尺度上，利用先进的可解释机器学习框架，高分辨率地量化了热浪对臭氧光化学状态的改变及其对臭氧污染趋势的贡献，深化了对排放-化学-气候相互作用的理解。应用价值在于：其提供的精细化臭氧化学状态图和驱动因素归因分析，能够为不同区域制定差异化、精准化的空气质量管理策略（特别是在应对气候变化背景下）提供关键的科学支持。
六、 研究亮点 1. 方法创新：首次将基于Transformer的深度学习模型（Air Transformer）与可解释机器学习（XGBoost + SHAP）相结合，构建了一个从全球多污染物浓度高分辨率重构到臭氧化学状态智能诊断的完整、创新的分析框架。 2. 高分辨率与高精度：提供了2019-2023年间全球0.1°×0.1°、日分辨率的O3、NO2、PM2.5和HCHO浓度数据集，填补了全球尤其是观测稀疏地区地表污染物数据的空白，且模型验证精度高。 3. 机制揭示的新视角：超越了传统上仅关注热浪对污染物浓度的直接提升作用，首次量化证实了热浪能够改变臭氧生成的光化学状态（敏感性），这是理解“气候惩罚”深层化学机制的重要突破。 4. 全球性综合对比分析：系统对比了不同区域（如东亚与北美）在人为减排和气候极端事件双重驱动下的臭氧响应差异，为全球不同发展阶段的区域提供了差异化的政策启示。 5. 对协同控制的新认知：明确指出了在全球超过四分之一人口所在的气溶胶抑制型区域，实施PM2.5与臭氧协同控制所面临的特殊挑战与权衡，具有重要的政策警示意义。
七、 其他有价值内容 论文承认了研究中存在的不确定性，主要包括： 1. 虽然量化了热浪等极端气候事件对臭氧化学的加剧作用，但尚未系统分析不同共享社会经济路径（SSPs）下的未来情景。 2. 文中定义的“气溶胶抑制型”代表了PM2.5浓度变化对臭氧光化学的总体影响，但无法区分气溶胶的具体作用机制（如HO2的非均相摄取、对NO2/N2O5的反应、以及光辐射衰减等）。 3. HCHO地面监测站点空间分布不均（主要在美国），可能引入偏差，但作者指出多任务学习的AIT模型通过从大量其他污染物数据中学习潜在关系，在一定程度上缓解了此问题。未来工作需要结合更全面的地表VOCs观测和更精细化的气溶胶过程模拟。