一种基于可解释机器学习的新方法来识别臭氧前体敏感性的空间特征

科学领域:

• 环境科学 环境科学
• 大气化学 大气化学
• 数据科学数据科学数据科学

背景情况:

• 热层臭氧 (O3) 污染是中国的一个重大环境问题.
• 目前用于识别臭氧前体敏感度 (OPS) 的方法在速度和准确性方面存在局限性.
• 有效的O3污染控制需要及时准确的OPS识别.

研究的目的:

• 开发一种新的,快速和准确的方法来识别OPS.
• 为制定有效的O3污染控制战略提供一个工具.
• 分析广东-香港-澳门大湾区 (GBA) 的OPS的时空空间异质性.

主要方法:

• 开发了一种新的OPS识别方法,使用eXtreme渐变增强和Shapley添加式解释 (SHAP) 算法.
• 嵌入的挥发性有机化合物 (VOC) 光化学衰变调整与气象和污染物监测数据.
• 将OPS分为NOX限制,VOC限制和过渡制度,基于情景之间的SHAP价值差异.

主要成果:

• 在2022年秋季臭氧污染事件期间,在整个GBA中展示了OPS的大量时空变化.
• 从9月到10月,观察到OPS从NOX受限到VOC受限的变化.
• 在GBA中心地区确定了VOCs限制条件,在边缘地区确定了NOX限制条件.

结论:

• 开发的方法可以在第二个时间表上准确地识别OPS.
• 这种创新方法为指导特定空间的O3控制策略提供了最先进的工具.
• 这些发现凸显了大巴地区O3污染的复杂和动态性质,需要量身定制的控制措施.