加州理工学院王元、清华大学张少君团队PNAS：机器学习模型揭示城市交通对空气质量的动态影响

第一作者：杨佳妮（加州理工学院）、温轶凡（清华大学）

通讯作者：王元（加州理工学院）、张少君（清华大学）、John Seinfeld（加州理工学院）

通讯单位：加州理工学院与清华大学

论文DOI：10.1073/pnas.2102705118

图片摘要

成果简介

近日，加州理工学院王元研究员、清华大学环境学院张少君助理教授和加州理工学院John Seinfeld教授联合团队在《美国科学院院刊》（Proceedings of the National Academy of Sciences）在线发表题为《从新冠疫情到未来电动化：利用机器学习方法评估交通对空气质量的影响》（From COVID-19 to Future Electrification: Assessing Traffic Impacts on Air Quality by a Machine Learning Model）的研究论文。文中基于洛杉矶地区2019年1月至2020年6月长达1年半的逐小时路网交通流、空气质量和气象观测数据，构建了时间序列土地利用随机森林模型。该模型以气象、交通和土地利用输入预测参数，模拟NO₂、O₃和PM_2.5浓度表现优异（拟合R²达到0.88，0.86和0.65），同时对影响污染物浓度的气象和交通参数具有更佳解释度。研究基于该模型定量分析了新冠疫情期间交通活动变化对洛杉矶地区空气质量的影响，并进一步预测了未来气候变化和交通减排政策对洛杉矶空气质量的潜在影响。

引言

洛杉矶是美国空气污染最严重的城市之一，1940-1950年代曾发生的光化学烟雾事件也开启了全球机动车排放污染治理的历程；洛杉矶目前是世界上机动车排放法规最为严格的地区。2020年新冠疫情在当地发生以来，加州从2020年3月进入疫情紧急状态，期间交通活动的大幅度变化为探究城市交通对空气质量的动态影响提供了重要机会。

研究交通排放与空气质量响应的传统方法主要依靠排放清单编制和大气化学传输模型计算，对排放清单分辨率和动态性要求较高，也受到清单和模型本身的不确定影响。相比传统大气化学传输模型，机器学习方法在利用原始数据方面具有更大的灵活性和更高的计算效率，避免了高时空分辨率排放清单构建带来的高数据需求性和不确定性，适合对突变的活动水平及空气质量变化进行动态研究。

图文导读

机器学习模型构建与效果检验

图1 随机森林模型对NO₂、O₃和PM_2.5日均浓度的模拟效果和变量重要性排序

Figure 1. Model performance and variable importance for three species. (A) NO₂, (B) O₃, and (C) PM_2.5 in Los Angeles. Cross-validated model R² and root mean squared error (RMSE) are calculated by using a 5-fold cross-validation modeling performance for 24-h average concentrations. The color indicates the sample size for each dot. The variables are listed in order of importance from top to bottom. The horizontal axis represents the Gini index from the Random Forest model. A larger value represents higher importance.

团队基于洛杉矶地区2019年1月至2020年6月长达1年半的逐小时路网交通流、空气质量和气象观测数据，构建了时间序列土地利用随机森林模型。该模型以气象、交通和土地利用输入预测参数，模拟NO₂、O₃和PM_2.5浓度表现优异，对上述三种污染物浓度的拟合R²达到0.88，0.86和0.65，同时对影响污染的气象和交通参数具有更佳解释度（图1）。

疫情期间交通活动变化对加州空气质量的影响

图2疫情期间污染物浓度实际观测值与无疫情情景预测值的对比(A)，及整体交通和货车车队对污染物浓度削减的贡献(B)

Figure 2. Comparison of observations and predictions. (A) Comparison of observations and predictions of normal traffic scenario and (B) the impact of traffic reduction from total fleet and truck fleet on NO₂, O₃, and PM_2.5 concentrations during the lockdown period of the COVID-19 pandemic in Los Angeles. Each data point represents a weekly mean. The error bars are standard deviations from daily results in each week.

研究进一步分析了疫情期间交通活动变化对加州空气质量的影响，在最严格的封锁期间（2020年4月第2周），交通活动降低导致NO₂和PM_2.5浓度分别下降27.8%和17.5%， O₃日最高8小时浓度增加了6%；货车是造成这些变化的主要原因，分别贡献了NO₂ 和PM_2.5浓度削减的61.0% 和70.4%（图2）。

污染物浓度对货车与客车活动水平的曲面响应

图3：污染物浓度对货车与客车活动水平的曲面响应

Figure 3. Predicted annual-average concentrations. Distribution of (A) NO₂, (B) MDA8 O₃, and (C) PM_2.5 with different combinations of non-truck and truck activity fractional changes relative to the annual average level of 2019.

机器学习方法不仅在模型灵活度和计算效率具有更明显的优势，同时也能直接构建排放源特征和污染物浓度的曲面响应关系（图3）。结果显示，控制货车和客车排放都能有效降低NO₂浓度；对于O₃浓度，研究发现洛杉矶地区大部分空气质量站点目前处于比较明显的VOC控制区，NOx排放强度较高的货车流量降低会导致O₃浓度增加，控制小汽车排放对改善目前O₃污染作用相对明显；PM_2.5浓度对货车流量变化较为敏感，控制货车排放对改善PM_2.5浓度作用突出。

未来气候变化和交通减排政策对洛杉矶空气质量的潜在影响

图4：2035及2050年不同交通情景下NO₂、MDA8 O₃、PM_2.5浓度相对于2019年的下降率。(A-E)和(F-J)分别为基准交通排放情景（不考虑额外电动化政策）、3种电动化情景（非货车和货车电动化比例见右侧图片）和未来气候变化情景

Figure 4. Reduction ratios of NO₂, MDA8 O_3, and PM_2.5 concentrations under different traffic scenarios in 2035 and 2050 relative to 2019. (A-E) and (F-J) represents baseline traffic emission scenario from EMFAC, three electrification scenarios and future climate change scenario in 2035 and 2050, respectively. The error bars represent uncertainty of model predictions calculated by the Monte Carlo method. Random sampling was repeated for 100 times considering uncertainty of each variable in prediction of each scenario.

研究基于该机器学习模型进一步预测了未来气候变化和交通减排政策对洛杉矶空气质量的潜在影响。结果显示，今后洛杉矶地区大规模的交通电动化将显著减少NO₂浓度并改善PM_2.5污染；但需要较为深度的减排后才能避免O₃浓度上升，即降低当地O₃污染生成的VOC灵敏性（图4）。目前，非道路移动源和外州柴油货车对洛杉矶NOx排放贡献也较高，为实现空气质量的全面改善，除了实施本地严格的交通减排政策，也需要加强非道路机械、外地货车等NOx源管控和挥发性化学产品等VOC源的协同治理。

小结

本研究基于机器学习模型构建了气象、交通、土地利用等因素与NO₂、O₃和PM_2.5浓度的动态响应关系，定量分析了新冠疫情期间交通活动变化对洛杉矶地区空气质量的影响，并进一步预测了未来气候变化和交通减排政策对洛杉矶空气质量的潜在影响。结果表明洛杉矶地区未来大规模的交通电动化将显著减少NO₂浓度并改善PM_2.5污染；但需要较为深度的减排后才能避免O₃浓度上升，即降低当地O₃污染生成的VOC灵敏性。为实现空气质量的全面改善，除了实施本地严格的交通减排政策，也需要加强非道路机械、外地货车等NOx源管控和挥发性化学产品等VOC源的协同治理。洛杉矶作为大都市的典型代表，其交通对空气质量的影响结果也对包括中国在内的其他国家城市具有借鉴意义。

论文共同第一作者为加州理工学院博士生杨佳妮和清华大学环境学院博士生温轶凡。论文通讯作者为加州理工学院王元研究员、清华大学环境学院张少君助理教授和美国科学院院士、加州理工学院John Seinfeld教授。环境学院吴烨教授、郝吉明院士等人对结果讨论等方面提供了重要帮助。研究得到了国家重点研发计划、国家自然科学基金等项目的资助。

作者简介

王元：加州理工学院研究员。致力于研究人类活动对天气系统和气候的影响，主要包括：气溶胶-云-降水相互作用、气溶胶性质和雾霾形成机制、云微物理和动力学，以及对大气、海洋和冰冻圈的温室气体/气溶胶强迫的评估。迄今在大气、气候和环境领域期刊发表SCI论文80余篇。其中以第一作者或通讯作者发表论文近30篇，包括Science，Nature子刊以及PNAS等国际顶级期刊。

张少君：清华大学环境学院大气污染与控制教研所助理教授。从事交通空气质量与能源系统研究，主要包括：机动车实际道路排放特征测试与模拟，高分辨率交通排放清单与空气质量模拟，先进车辆技术与可持续交通系统的综合影响研究，航空排放及其空气质量影响等。迄今在能源、环境和交通领域期刊发表SCI论文70余篇，其中以第一作者或通讯作者发表论文近40篇，包括Nature Sustainability，PNAS和One Earth等国际顶级期刊。

John H. Seinfeld：加州理工学院化学学院、化学工程学院、工程和应用科学学院的Louis E. Nohl教授。大气化学的先驱之一。致力于通过实验和理论研究了解城市大气化学、大气气溶胶的形成、生长和动力学，以及气溶胶对气候的影响。目前为美国科学院院士，工程院院士，以及艺术与科学院院士。所著教科书“Atmospheric Chemistry and Physics: From Air Pollution to Climate Change”已经成为大气化学和物理领域的“圣经”。

杨佳妮：博士研究生，现就读于加州理工学院地质与行星科学系，研究方向：大气化学，大气辐射，机器学习。

温轶凡：博士研究生，现就读于清华大学环境学院大气污染与控制教研所。研究方向：机动车排放特征和排放模型研究、高分辨率机动车排放清单和空气质量影响研究。以第一作者（含共同一作）在PNAS、EST Letter、Applied Energy等期刊发表SCI论文5篇。