发布时间：2022-04-01 阅读次数：10 来源：环境科学与工程系
近期，中国科学技术大学环境科学与工程系、极地环境与全球变化安徽省重点实验室谢周清教授课题组在量化人为排放和气象对空气污染贡献方面取得新进展。该研究提出机器学习结合去天气化的方法，并评估了湖北省疫情期间人为排放和气象条件对于PM2.5浓度的贡献。相关研究结果以“ Quantify the role of anthropogenic emission and meteorology on air pollution using machine learning approach: A case study of PM2.5 during the COVID-19 outbreak in Hubei Province, China ” 为题在“ Environmental Pollution ” 发表。
增加的人为排放和不利的气象条件通常是雾霾事件频发的主要原因。准确量化两者对PM2.5的贡献对于科学减排和雾霾防治具有重要意义，成为近年来的研究热点。然而，利用传统大气化学传输模式来评估排放和气象对污染物的贡献存在计算量大、污染物排放清单更新不及时等问题。近年来，机器学习在大气环境研究中被推广应用，为我们提供了新的手段。与此同时，疫情的防控为研究人为排放影响提供了有利的条件。
基于此，该课题组硕士生刘鸿伟等分析了2020年2月至3月湖北省疫情封锁期间的PM2.5污染及其影响因素，使用随机森林模型结合去天气化的方法，定量评估了人为排放和气象条件在PM2.5污染中的相对贡献。结果表明，人为排放的变化使 2020 年 2 月和 3 月的 PM2.5 浓度比 2019 年同期降低了约 33.3%，而气象条件的变化使 PM2.5 浓度增加了约 8.8%。此外，剔除气象条件贡献后，湖北省2020年2月和3月PM2.5浓度低于国家二级标准（35 ug/m3）。封锁代表了一种过于严格的减排情景，在与 2019 年 2 月和 3 月类似的气象条件下，研究指出若使 PM2.5 平均浓度达标，采取相当于封城期间减排强度48% 左右的减排强度就可实现。该研究提出了新的量化空气污染因素的方法，为未来科学减排提供了新手段。
该文第一作者为环境科学与工程系硕士生刘鸿伟。研究工作得到了科技部重点研发计划项目支持。
图 利用随机森林模型结合去天气化方法评估排放和气象条件对PM2.5浓度的相对贡献
论文链接：https://doi.org/10.1016/j.envpol.2022.118932
