PM2.5主要受排放源、大气化学、气象条件等驱动因素的非线性影响,了解驱动因素对PM2.5浓度的影响十分重要.本研究基于南开大学大气环境综合观测超级站的逐时在线观测数据,耦合机器学习方法和受体模型,揭示了驱动因素的重要性以及对PM2.5浓度的影响.结果表明:①2018年11月—2020年10月观测地点的PM2.5浓度范围为3.21～291.80μg/m3,采暖季PM2.5浓度和化学组分均高于非采暖季.②使用受体模型解析PM2.5的来源及其贡献,发现观测期间二次源的贡献率(44.7％)最高,其他依次为燃煤源(23.6％)、机动车排放源(11.0％)、扬尘源(9.9％)、生物质燃烧源(7.2％),工业源的贡献率(3.6％)最小.③利用随机森林-SHAP模型量化排放源、大气氧化能力、气象条件等驱动因素对PM2.5浓度的影响,发现观测期间排放源对PM2.5浓度的影响程度为54.3％,高于其他驱动因素;气象条件对PM2.5浓度的影响程度次之,为32.4％;大气氧化能力对PM2.5浓度的影响程度相对较低,为13.3％.在采暖季和非采暖季,各驱动因素对PM2.5浓度的重要性在排序上没有变化,然而驱动因素对PM2.5浓度的影响程度有所不同.采暖季排放源对PM2.5浓度的影响程度高于非采暖季,采暖季大气压对PM2.5浓度的影响程度低于非采暖季.研究显示,排放源对PM2.5的影响相对较大,气象条件和大气氧化能力对PM2.5浓度的影响也不容忽视.

颗粒物;受体模型;随机森林;驱动因素;影响

许博;徐晗;赵焕;张忠诚;高洁;李岳;冯银厂;史国良

南开大学环境科学与工程学院,国家环境保护城市空气颗粒物污染防治重点实验室,天津 300350;中国气象局-南开大学大气环境与健康研究联合实验室,天津 300074;南开大学计算机学院,天津 300350

环境科学研究

[1]许博;徐晗;赵焕;张忠诚;高洁;李岳;冯银厂;史国良-.机器学习耦合受体模型揭示驱动因素对PM2.5的影响)[J].环境科学研究,2022(11):2425-2434

受体模型,驱动因素,PM2,排放源,大气化学,气象条件,非线性影响,南开大学,大气环境,综合观测,在线观测,观测数据,机器学习方法,测地,化学组分,非采暖季,模型解析,燃煤,机动车排放,扬尘,尘源,生物质燃烧,工业源,SHAP,模型量化,大气氧化,氧化能力,有变,大气压,颗粒物

0.228134