关于未来气候与清洁空气政策将克服气候变化不利影响并降低中国臭氧污染的研究报告

本报告旨在向学术界同仁介绍由南京大学环境学院、污染控制与资源化研究国家重点实验室的王雨童和赵瑜研究员，以及南京信息工程大学江苏省大气环境与装备技术协同创新中心的研究团队，共同完成的一项重要研究成果。该研究以《Energy and clean air policies will overcome the adverse effect of climate change and reduce China’s ozone pollution in the future: The insight from a new two‐stage model》为题，于2025年正式发表于《Journal of Geophysical Research: Atmospheres》期刊。

一、 研究背景与目标

研究聚焦于大气环境科学，特别是近地面臭氧污染预测与归因分析领域。近地面臭氧作为一种关键的二次污染物，对人体健康和生态系统构成严重威胁。过去十年，中国实施了最严格的大气污染防治行动计划，虽成功降低了PM2.5浓度，但臭氧污染因其与前体物排放（氮氧化物NOx和挥发性有机物VOCs）之间复杂的非线性关系，尚未呈现明显的下降趋势，成为中国空气质量持续改善面临的最大挑战之一。展望未来，全球气候变化与国内为实现碳中和及持续改善空气质量而推行的一系列碳减排和污染控制行动，将共同深刻影响大气环境和污染水平。然而，未来臭氧污染在气候变化和人为减排双重驱动下的时空演变规律、主导因素及其相对贡献，仍是尚未被充分探究的重要科学问题。

传统的化学传输模型（Chemical Transport Model, CTM），如WRF-CMAQ，因其对物理化学过程强大的解释能力，常被用于模拟未来空气污染变化。但其不完美的化学机制削弱了对实际臭氧变化的捕捉能力，且高昂的计算资源需求使其难以全面分析多因素对长期臭氧轨迹的影响。近年来，基于多源数据的统计模型（如机器学习）在通过建立污染物浓度与影响因素间的非线性关系以准确捕捉污染物时空分布方面展现出优势。然而，机器学习用于未来预测存在根本性局限，例如未来输入变量（如卫星数据）的不可得性，以及从历史数据中学到的知识不能无限制地应用于超出数据时空覆盖范围的情形。

为此，本研究旨在开发一种新颖的融合模型，以克服传统CTM和纯机器学习模型的局限性，更可靠地预测中国至2060年的臭氧浓度变化。核心研究目标包括：1）构建一个结合机器学习（XGBoost）与化学传输模型（WRF-CMAQ）的两阶段模型（WCG模型）；2）评估在不同气候变化、能源转型和污染控制路径情景下，中国臭氧浓度直至2060年的时空演变；3）解耦气候变化与人为努力（能源转型和末端治理）对未来臭氧变化的相对贡献；4）从臭氧生成敏感性角度，验证新模型在预测臭氧对排放变化响应方面的优势。

二、 研究方法与工作流程

本研究的工作流程系统且复杂，主要包括以下五个核心步骤：

第一步：情景设计与WRF-CMAQ基础模拟 研究首先利用WRF-CMAQ模型进行了一系列基础模拟。模型配置采用27公里水平分辨率，气体化学机制为CB05，气溶胶模块为AERO6。模拟分为两大板块： 1. 现状期（PD）模拟（2015-2019年）：使用MEICv1.3排放清单，主要用于后续XGBoost模型的训练。 2. 未来情景模拟（2030-2060年，每10年间隔）：设计了三种具有不同气候约束和污染控制力度的排放路径情景： * Current情景：中国到2030年实现国家自主贡献（NDC）目标，并延续2015年以来已发布及未来将出台的所有清洁空气政策，代表中等控制力度。 * A-NDC情景：与Current共享相同的社会经济发展路径，但到2050年将在所有部门全面部署最佳可行末端治理技术。 * A-Neutral情景：实施更雄心勃勃的气候政策，确保中国在2060年实现二氧化碳净零排放，并与A-NDC共享相同的末端治理技术水平。 未来排放数据来源于DPECv1.1模型，该模型基于共享社会经济路径（SSPs）和代表性浓度路径（RCPs）框架进行预测。关键特征在于，在A-Neutral情景下，由于深刻的低碳能源转型，2060年CO2排放较2017年下降94%，VOCs和NOx的减排量也远大于其他情景。在进行未来模拟时，研究采用了一种“固定气象场”的策略，即将气象条件固定在基准年（2017年）水平，仅改变人为排放。这样，模拟得出的臭氧及其他组分浓度的年际变化，可以纯粹归因于人为排放的改变。这部分WRF-CMAQ的输出结果，将作为后续XGBoost模型的关键输入预测因子。

第二步：两阶段模型（WCG）的构建与训练 这是本研究的核心创新。与以往将气象和排放因素混合建模的机器学习方法不同，本研究构建了一个层次分明的两阶段模型。 * 第一阶段（WRF-CMAQ）：如上所述，专门用于捕捉排放-浓度关系，量化人为排放变化对污染物浓度的直接影响。 * 第二阶段（XGBoost）：扮演两个关键角色：(a) 建立气象-浓度关系，即气象变量（如温度、湿度、边界层动力）、WRF-CMAQ模拟的排放驱动污染物浓度与实际观测臭氧浓度之间的非线性关系；(b) 校正由于不完善的化学机制和排放清单不确定性导致的CTM系统偏差。 模型以观测的日最大8小时平均（MDA8）臭氧浓度为响应变量，以WRF-CMAQ模拟的MDA8臭氧及其他大气成分浓度、降尺度后的未来气象场投影（来自20个CMIP6全球气候模型）、土地利用和人口分布数据作为预测因子。为了考虑气象预测的不确定性，研究基于20套不同的GCM气象投影数据建立了20个XGBoost模型，最终未来臭氧浓度取这20个模型预测的平均值。模型通过十折交叉验证和按年份交叉验证进行了严格评估，证明了其具有良好的时间外推能力。

第三步：未来臭氧演变预测与驱动因子解耦 利用训练好的WCG模型，预测了2017年至2060年中国在三种情景下的臭氧时空变化。研究选取高峰季节MDA8臭氧浓度作为臭氧污染水平的关键指标。为了定量评估不同驱动因素的贡献，研究团队设计了一套巧妙的“因子固定”法来解耦影响： * 人为排放贡献：在WCG模型预测时，固定气象场、土地利用和人口数据为2017年水平，仅使用目标年份的排放驱动WRF-CMAQ结果。此时预测的臭氧变化仅归因于人为排放变化。 * 自然与地理因素贡献：固定WRF-CMAQ模拟使用的排放为2017年水平，仅将目标年份的气象场、土地利用和人口数据输入WCG模型。此时预测的臭氧变化归因于气候变化等自然因素。 通过对比“净变化”、“仅自然因素变化”和“仅排放变化”三者的趋势，可以清晰分离出气候变化和人为减排各自的作用。

第四步：模型对比与臭氧生成敏感性分析 为了验证WCG模型的优越性，研究将其预测结果与单纯的WRF-CMAQ模拟进行了对比。特别关注了二者在预测排放变化引起的臭氧响应方面的差异。研究进一步从臭氧生成敏感性的角度深入分析了这种差异的根源。利用WRF-CMAQ模拟的甲醛（HCHO，代表VOCs）和二氧化氮（NO2，代表NOx）浓度，以及卫星观测和再分析数据，构建并比较了WCG模型、WRF-CMAQ模型和实际观测中臭氧与NO2之间的关系曲线。通过分析曲线的转折点（区分NOx限制区和VOCs限制区），可以判断模型对臭氧化学机制模拟的准确性。

第五步：不确定性分析与模型局限讨论 研究坦诚地指出了WCG模型存在的若干不确定性，包括：在第一阶段未考虑长期气候变化对排放-浓度关系本身的影响；训练数据中缺乏极端污染事件样本，导致模型可能无法捕捉极端天气（如热浪）影响下的臭氧生成突变；在气象场降尺度过程中使用的相对简单的模型可能带来局部气象场估算的不合理性。这些为未来研究指明了改进方向。

三、 主要研究结果

1. 模型性能卓越：WCG模型在2015-2019年的交叉验证中表现优异（R=0.97）。与2017年观测数据对比显示，WCG模型成功校正了WRF-CMAQ的系统性高估（MNB从15%降至1%），同时也显著改善了CMIP6模型对中国东部臭氧浓度的严重低估，空间分布与观测高度一致。

2. 未来臭氧总体下降，但存在时空异质性：

   • 总体趋势：在所有未来情景下，中国全国及东部地区的高峰季节MDA8臭氧浓度在2017-2060年间均呈下降趋势。下降幅度随政策力度加大而增加：Current情景下降2.3%（2.1 μg/m³），A-NDC下降4.1%（3.9 μg/m³），A-Neutral情景下降幅度最大，达8.8%（8.4 μg/m³）。东部地区的下降幅度大于全国平均水平。
   • 空间差异：在A-NDC和A-Neutral情景下，臭氧污染更严重的东部地区下降更为显著。
   • 季节演变：臭氧下降主要发生在暖季（4-9月）。相反，在冷季（10-3月），所有情景下臭氧浓度均预计会上升，尤其是在A-Neutral情景下。这表明未来臭氧污染的高发季节可能向冬春季偏移，可能与NOx减排削弱了对臭氧的滴定作用有关。

3. 驱动因子贡献解耦：人为努力将克服气候变化不利影响：

   • 气候变化的作用：在所有情景和月份，气候变化（以增温和太阳辐射增强为主）均对臭氧浓度产生正贡献（促进臭氧生成），暖季的促进作用（约0.9 μg/m³/十年）强于冷季（约0.4 μg/m³/十年）。
   • 人为减排的作用：人为排放减少在暖季强烈抑制臭氧，但在冷季由于削弱NO滴定效应，反而轻微促进了臭氧生成。
   • 净效应：在暖季，人为减排的抑制作用远超气候变化的促进作用，导致臭氧净下降。在冷季，两者作用同向叠加，导致臭氧净上升。从全年尺度看，只有在A-NDC和A-Neutral这类强力政策情景下，人为减排的净效益才能克服气候变化的不利影响，实现臭氧年均浓度的下降。

4. 能源转型比末端治理更具长期效益：通过比较不同情景，研究量化了能源结构转型与末端污染控制对臭氧减排的贡献。结果显示，从长期（至2060年）来看，能源转型扮演了比末端治理更重要的角色，二者对臭氧降低的贡献比约为2.7:1。这表明，持续依赖末端控制的臭氧减排效益是有限的，持续的臭氧下降更依赖于有效的能源转型政策，这尤其有助于NOx的深度减排。

5. WCG模型更准确地刻画了臭氧对排放的响应：对比发现，WRF-CMAQ模型可能高估了未来农村地区的臭氧下降，但低估了发达城市地区（如京津冀、长三角）的臭氧下降。臭氧生成敏感性分析揭示了原因：与观测相比，WRF-CMAQ模型中的VOCs限制（或NOx饱和）区间过宽，即过于倾向于认为城市地区臭氧处于VOCs控制下，因此NOx减排可能导致臭氧上升（滴定作用减弱）。而WCG模型通过融入观测信息，修正了这种偏差，显示出更接近观测的、更偏向NOx限制的敏感性。因此，WCG预测的城市地区在NOx深度减排下的臭氧下降幅度大于WRF-CMAQ的预测，这更符合真实大气化学过程。

四、 研究结论与价值

本研究得出结论：通过严格实施气候和清洁空气政策，中国能够克服气候变暖带来的负面效应，并在2060年前大幅降低近地面臭氧污染，尤其是在臭氧污染更严重的暖季和东部地区。从长期视角看，能源结构转型将是比末端排放控制更有效的臭氧减排手段。

本研究的科学价值在于： 1. 方法论创新：成功开发并验证了一个融合过程模型与数据驱动模型优势的新型两阶段建模框架（WCG），为未来空气污染预测，特别是在大幅减排情景下的预测，提供了更可靠的工具。 2. 机制认知深化：清晰解耦并量化了气候变化与不同人为政策对长期臭氧轨迹的贡献，明确了“人为努力可克服气候不利影响”的条件和程度。 3. 政策启示明确：研究结果强调了气候政策（能源转型）对空气质量改善的显著协同效益，并揭示了未来臭氧污染演变的复杂时空特性（暖季降、冷季升；城市与农村响应不同），提示环境政策需要更精细化的设计，例如加强对冷季VOCs排放的控制、关注农村地区特定NOx源的减排等。

五、 研究亮点

1. 新颖的混合建模框架：提出的“两阶段”模型设计理念清晰，层次分明，有效结合了CTM的物理机制解释性和机器学习的非线性拟合与偏差校正能力，突破了单一模型方法的局限。
2. 全面的未来情景分析：基于详实的排放情景（Current, A-NDC, A-Neutral）和多模型气候集合，系统描绘了中国臭氧至2060年的长期演变图景，涵盖了从温和到雄心勃勃的政策范围。
3. 深入的驱动因子解析：不仅预测了净变化，还通过精巧的实验设计实现了对气候变化和人为排放贡献的定量分离，并进一步区分了能源转型与末端治理的贡献，结论具有深刻的政策含义。
4. 从敏感性角度验证模型优势：超越简单的数值对比，从臭氧生成敏感性这一根本光化学机制出发，解释了WCG模型与WRF-CMAQ预测差异的内在原因，增强了研究结论的可信度。

六、 其他有价值的内容

研究还指出，未来冬春季可能出现的臭氧与PM2.5复合污染风险，以及WCG模型框架可扩展应用于PM2.5等其他污染物种预测的潜力，均为后续研究提供了重要思路。此外，文中坦诚讨论的模型不确定性（如极端天气、气象场降尺度等）也为该领域的未来工作指明了改进方向。