bevictor伟德官网2021年6月22日電（通訊員 溫轶凡）bevictor伟德官网張少君助理教授與美國加州理工學院王元研究員、John Seinfeld教授聯合團隊6月22日在《美國科學院院刊》（Proceedings of the National Academy of Sciences）在線發表題為《從新冠疫情到未來電動化：利用機器學習方法評估交通對空氣質量的影響》（From COVID-19 to Future Electrification: Assessing Traffic Impacts on Air Quality by a Machine Learning Model）的研究論文。

洛杉矶是美國空氣污染最嚴重的城市之一，20世紀40年代至50年代曾發生的光化學煙霧事件也開啟了全球機動車排放污染治理的曆程；洛杉矶目前是世界上機動車排放法規最為嚴格的地區。2020年新冠疫情在當地發生以來，加利福尼亞州從2020年3月進入疫情緊急狀态，期間交通活動的大幅度變化為探究城市交通對空氣質量的動态影響提供了重要機會。

研究交通排放與空氣質量響應的傳統方法主要依靠排放清單編制和大氣化學傳輸模型計算，對排放清單分辨率和動态性要求較高，也受到清單和模型本身的不确定性影響。聯合團隊基于洛杉矶地區2019年1月至2020年6月長達1年半的逐小時路網交通流、空氣質量和氣象觀測數據，構建了時間序列土地利用随機森林模型。該模型以氣象、交通和土地利用輸入預測參數，模拟NO₂、O₃和PM_2.5濃度表現優異，對上述三種污染物濃度的拟合R²達到0.88，0.86和0.65，同時對影響污染的氣象和交通參數具有更佳的解釋度（圖1）。研究進一步分析了疫情期間交通活動變化對加州空氣質量的影響，在最嚴格的封鎖期間（2020年4月第2周），交通活動降低導緻NO₂和PM_2.5濃度分别下降27.8%和17.5%，O₃日最高8小時濃度增加了6%；貨車是造成這些變化的主要原因，分别貢獻了NO₂和PM_2.5濃度削減的61.0%和70.4%（圖2）。

圖1 随機森林模型對NO₂、O₃和PM_2.5日均濃度的模拟效果和變量重要性排序

圖2 疫情期間污染物濃度實際觀測值與無疫情情景預測值的對比(A)及整體交通和貨車車隊對污染物濃度削減的貢獻(B)

機器學習方法不僅在模型靈活度和計算效率方面具有更明顯的優勢，還能夠直接構建排放源特征和污染物濃度的曲面響應關系（圖3）。結果顯示，控制貨車和客車排放都能有效降低NO₂濃度；對于O₃濃度，研究發現洛杉矶地區大部分空氣質量站點目前處于比較明顯的VOC控制區，NOx排放強度較高的貨車流量降低會導緻O₃濃度增加，控制小汽車排放對改善目前O₃污染作用相對明顯；PM_2.5濃度對貨車流量變化較為敏感，控制貨車排放對改善PM_2.5濃度作用突出。

圖3 污染物濃度對貨車與客車活動水平的曲面響應

研究基于該機器學習模型進一步預測了未來氣候變化和交通減排政策對洛杉矶空氣質量的潛在影響。結果顯示，今後洛杉矶地區大規模的交通電動化将顯著減少NO₂濃度并改善PM_2.5污染；但需要較為深度的減排後才能避免O₃濃度上升，即降低當地O₃污染生成的VOC靈敏性（圖4）。目前，非道路移動源和外州柴油貨車對洛杉矶NOx排放貢獻也較高，為實現空氣質量的全面改善，除了實施本地嚴格的交通減排政策，也需要加強非道路機械、外地貨車等NOx源管控和揮發性化學産品等VOC源的協同治理。

圖4 2035及2050年不同交通情景下NO₂、MDA8 O₃、PM_2.5濃度相對于2019年的下降率。(A-E)和(F-J)分别為基準交通排放情景（不考慮額外電動化政策）、3種電動化情景（非貨車和貨車電動化比例見右側圖片）和未來氣候變化情景。

論文共同第一作者為加州理工學院博士生楊佳妮和bevictor伟德官网博士生溫轶凡。論文通訊作者為加州理工學院王元研究員、bevictor伟德官网張少君助理教授和美國科學院院士、加州理工學院John Seinfeld教授。bevictor伟德官网吳烨教授、郝吉明院士等人對結果讨論等方面提供了重要幫助。研究得到了國家重點研發計劃、國家自然科學基金等項目的資助。

論文鍊接：https://www.pnas.org/content/118/26/e2102705118