可解释的机器学习技术量化灰霾污染的驱动因素
Revealing Drivers of Haze Pollution by Explainable Machine Learning
南开大学冯银厂教授团队：ES&T Letters; 通讯作者：戴启立, 南开大学
作者：Linlu Hou (侯林璐), Qili Dai (戴启立), Congbo Song (宋从波), Bowen Liu (刘博文), Fangzho Guo (郭方舟), Tianjiao Dai (戴天骄), Linxuan Li (李林璇), Baoshuang Liu (刘保双), Xiaohui Bi (毕晓辉), Yufen Zhang (张裕芬), Yinchang Feng (冯银厂)
环境空气中颗粒物浓度的生消变化受污染源排放和气象条件（扩散、传输、化学转化和沉降等多理化过程）的共同影响。量化这些驱动因素对重污染过程形成的贡献可为消除重污染天气、制定环境空气*质量达标规划提供科学依据。由于气象和污染之间存在复杂的非线性关系，解决这一科学问题在技术方法上依然具有挑战性。 利用化学传输模式进行情景模拟和过程分析是研究这一问题的常用方法，但通常受排放清单等的不确定性影响较大，尤其在政策干预（如新冠疫情）以及节日效应（节日烟花新增排放等）导致排放源强发生较大变化时，物理模型难以准确重现污染物的观测结果。另一研究思路是基于观测数据的分析方法进行污染来源和成因推断，如基于颗粒物理化性质观测数据的受体模型源解析研究等。随着高时间分辨率环境空气污染物监测数据的积累，利用拟合性能强大、计算高效快速、可处理复杂非线性问题的机器学习算法开展污染物预测的研究日益增多。尽管机器学习算法具有高鲁棒性的预测能力，但大多数算法的“黑箱”特点导致其不可解释或模型的可解释性不足。
研究基础：
近年来，一种基于机器学习算法的气象标准化技术，被广泛用以量化污染排放变化对污染物环境浓度的贡献。南开大学冯银厂教授团队联合英国伯明翰大学地理地球与环境科学系、美国罗彻斯特大学等机构学者进一步提高了该方法的可靠性，并应用于评估我国31个主要城市环境空气质量对疫情封城的响应（Geophys. Res. Lett. 48(11), e2021GL093403,2021）。2020年初疫情封城后我国华北地区发生多次重污染过程，引起广泛关注。研究团队联合天津市环境气象中心对疫情前后发生在天津的五次重污染过程成因及来源进行了跟踪研究（Environ. Sci. Tech., 54, 9917−9927, 2020; Sci. Total Environ., 759, 143548, 2021; J. Environ. Sci., 109, 45-56, 2021; Environ. Pollu., 286, 117252, 2021），多个研究结果表明这些污染过程中的气象条件和排放源贡献具有显著差异。
研究方法：
以上述五个污染过程为研究对象，研究团队通过利用更多与污染相关的变量信息构建了一个准确性得到显著提升的PM2.5随机森林预测模型（r2=0.906），应用气象标准化技术评估了上述五次污染过程中排放和气象对PM2.5环境浓度的贡献，发现无论是常态下还是疫情管控期间，污染源排放贡献的PM2.5浓度始终居于高位，是重污染形成的主因。同时，研究团队尝试利用基于沙普利值（Shapley）的特征归因算法（SHAP，一种解决合作博弈问题的用以估算解释变量在模型每个预测过程中的贡献的方法）估算了污染过程中气象因子、化学作用等导致的PM2.5环境浓度的变化，以及影响PM2.5中硫酸盐和硝酸盐生成的关键因子（形成机制），并量化了不同影响因素之间的交互作用。
图1 五次污染过程中解释变量对气象引起的PM2.5浓度的随机森林预测模型中的贡献
总结展望：
通过与大量相关文献中的结果进行对比，本研究估算的气象因子、传输、化学作用等驱动要素对污染过程的贡献与基于观测分析和传统化学传输模式计算结果基本一致。相比于化学传输模式，应用本研究中的技术方法（基于机器学习的气象标准化技术耦合解释模型）解析污染成因简单、快捷、高效，适用于追踪污染源强发生明显变化的干预场景，在方法学上可与化学传输模式互为补充，具有较大的应用潜力。当然机器学习有其优势，亦有不足，详见论文中的讨论。
相关论文发表在Environ. Sci. Technol. Letters上，南开大学硕士研究生侯林璐为文章的第一作者，南开大学助理研究员戴启立为通讯作者（daiql@nankai.edu.cn）。
致谢：
本研究受国家自然科学基金项目（42177085）、天津市科技计划项目（PTZWHZ00120）以及中国工程院院地合作项目（2020C0-0002）资助。
出版信息：
Environ. Sci. Technol. Letters. 2022, ASAP
Publication Date: January 4, 2022
<https://doi.org/10.1021/acs.estlett.1c00865>
Copyright © 2022 American Chemical Society
原文链接：https://pubs.acs.org/doi/abs/10.1021/acs.estlett.1c00865