研究背景：
对流层臭氧是关键空气污染物，其浓度超过阈值会危害环境与健康，其变化受前体物排放和气候变化共同调控，不同地区因排放政策、地理特征等呈现差异化趋势；全球化学气候模型（如 CMIP6 中的 CESM2）是模拟和预测臭氧的重要工具，但受化学机制简化、分辨率等限制，在空间分布、量级和趋势上存在显著偏差，制约区域评估适用性；机器学习技术擅长捕捉复杂非线性关系和时空异质性，在 retrospective 模拟的偏差校正中表现优异，但尚未广泛应用于未来臭氧预测。研究目的：
采用 LightGBM 机器学习算法，校正 CESM2 模型在中国、美国、欧洲的臭氧模拟偏差；校准共享社会经济路径（SSP1−2.6 低排放情景、SSP5−8.5 极端变暖情景）下 2020−2060 年的臭氧未来预测结果；量化排放变化与气候变化对未来臭氧趋势的影响，为制定针对性、高效的区域空气质量保护策略提供科学依据。研究方法：
以中、美、欧为核心研究区域，收集 2014−2020 年地面臭氧观测数据和 CMIP6 模型数据，评估 CESM2 模型偏差；设计 4 组敏感性实验（SSP585_EMI、SSP585_ALL、SSP126_EMI、SSP126_ALL），分离排放和气候变化的独立影响；选取气象变量、前体物浓度、空间信息等 21 个特征，基于 2014−2018 年数据训练 LightGBM 模型，2019 年数据验证，通过 R²、MAE、RMSE 评估性能，结合 SHAP 值和 Gini 重要性分析特征贡献；采用 “模型模拟值减去 ML 预测偏差” 的方法进行偏差校正，通过分解分析量化排放和气候的影响权重。主要发现：
ML 校正显著改善臭氧模拟的空间分布，将中、美、欧的偏差减少 40%−60%，并纠正了中国东部 SSP1−2.6 情景下原本不正确的臭氧趋势；校正后，SSP1−2.6 情景下 2020−2060 年三地暖季平均臭氧分别下降 13.5、17.9、13.7 μg/m³，SSP5−8.5 情景下分别上升 9.4、2.0、5.2 μg/m³；人为排放变化是未来臭氧趋势的主导因素，SSP5−8.5 情景下中国东部存在强烈 “气候惩罚”（高温加剧臭氧生成），而中国西部、美国、欧洲呈现 “气候益处”（湿度增加抑制臭氧生成）；ML 校正不仅提升了臭氧浓度的空间分布和量级模拟准确性，还修正了区域臭氧的长期变化趋势（如中国东部 SSP1−2.6 情景下从微弱上升转为显著下降）。结论：
机器学习与化学气候模型结合可有效降低模拟偏差，生成更准确的臭氧污染未来预测结果；不同排放情景下中、美、欧臭氧趋势差异显著，排放控制是臭氧污染治理的核心，而气候变化的影响具有明显空间异质性，需纳入区域空气质量管控考量；该研究为制定更有效、针对性的区域环保策略提供了科学支撑，同时也指出研究局限性（如未直接校正模型理化过程、区域覆盖有限等），未来需拓展观测数据和模型分辨率以提升预测可靠性。可靠的未来地面臭氧预测对空气质量管控和健康风险评估至关重要。然而，全球化学气候模型模拟的臭氧在空间分布、量级和趋势上存在潜在偏差，限制了其在区域评估中的适用性。本研究采用机器学习算法 LightGBM，对 CESM2 模型在中国、美国和欧洲的臭氧模拟结果进行偏差校正，并校准 2020−2060 年两种共享社会经济路径（SSP1−2.6 和 SSP5−8.5）下的未来预测。基于机器学习的校正显著改善了空间分布，将偏差减少 40%−60%，还纠正了中国东部 SSP1−2.6 情景下可能存在的错误趋势。将该校正方法应用于 CESM2 预测结果后，2020−2060 年暖季平均臭氧呈现显著变化：SSP1−2.6 情景下，中国、美国和欧洲的校正后臭氧浓度分别下降 13.5、17.9 和 13.7 μg/m³；相反，SSP5−8.5 情景下，同期上述区域的臭氧浓度分别上升 9.4、2.0 和 5.2 μg/m³。分解分析表明，人为排放变化主导未来臭氧趋势，而 SSP5−8.5 情景下，污染严重的中国东部存在强烈气候惩罚效应，中国西部、美国和欧洲则呈现气候益处。这些发现证实了机器学习与化学气候模型结合在生成更准确空气质量预测中的价值，为制定更有效、区域特异性的环境保护策略提供了依据。对流层臭氧是一种大气成分，当浓度超过特定阈值时会造成空气污染。对流层臭氧评估报告（TOAR）显示，臭氧浓度最高值通常出现在北半球中纬度地区。这些区域的臭氧浓度升高与人为活动和能源消耗密切相关，后者会导致臭氧前体物的大量排放。
许多地区已实施排放控制政策。1995−2014 年期间，美国臭氧浓度显著下降，东亚大幅上升，欧洲则相对稳定。这些差异化趋势可归因于区域特异性排放控制政策、臭氧浓度与其前体物排放的非线性关系、地理特征以及气候变化。在中国，尽管 2013 年启动的《大气污染防治行动计划》大幅降低了气溶胶浓度，但臭氧水平持续上升，尤其是在人口密集、经济发达的东部省份。近期研究还表明，2018−2021 年中国东部臭氧污染呈现缓解趋势，这主要得益于氮氧化物（NOₓ）排放的显著减少。
臭氧污染主要受气象条件和前体物排放调控。近期气象模式的变化可能加剧了区域臭氧污染。气候变化导致的气温上升不仅会增加生物源臭氧前体物的自然排放，还会影响平流层−对流层交换和臭氧的光化学生成。同时，气象静稳事件发生频率的增加，为大气污染物的累积创造了更有利的条件。在全球变暖背景下，这些条件通过化学生成、传输等途径显著影响臭氧浓度，进而改变臭氧污染的时空分布。历史观测表明，协调不足的减排策略，加之全球变暖带来的 “气候惩罚” 效应，可能加剧欧洲、东亚和南亚等地区的臭氧污染。有研究认为，尽管气候变化可能导致臭氧浓度升高，但采取碳中和减排路径可降低臭氧水平，使中国达到世界卫生组织空气质量标准。因此，前体物排放和气象因素在调节臭氧浓度变化中起着关键作用。要有效缓解臭氧污染，既需要减少排放，也需要制定响应气候变化的空气质量管控策略。
大气化学模型是解释和预测大气成分行为的核心工具。然而，由于大气系统固有的复杂性和模型设计中的简化，化学、气象、排放和分辨率等因素往往导致模型预测与观测事实存在偏差。模型框架内化学机制的选择也会影响模拟的臭氧对前体物排放的响应，进而增加模型整体不确定性。部分耦合模式比较计划第六阶段（CMIP6）模型成功再现了对流层臭氧的空间分布和季节变化，但在 1980−2014 年期间存在北半球浓度高估、南半球低估的趋势。这些偏差主要源于前体物排放和化学过程模拟的不准确，以及对流层顶高度和平流层臭氧传输的不确定性。有研究通过 TOAR 观测数据评估 UKESM1 模型发现，2004−2014 年期间，该模型在欧洲、美国等地区冬季低估臭氧浓度 7.2 ppb，夏季高估 13.4 ppb。另有研究采用社区地球系统模型（CESM）版本 1 模拟中国地面臭氧浓度，发现暖季（5−9 月）整体高估 15.01 ppb，这归因于 CESM1 简化的光化学机制和较低的模型分辨率。还有研究将 UKESM1 模拟结果与观测数据集对比发现，2005−2019 年期间，该模型在华北平原低估臭氧水平，而在我国西部高估。这些发现表明，尽管现代模型能够捕捉全球臭氧分布特征，但仍存在显著的区域偏差。
随着机器学习（ML）技术的快速发展，基于机器学习的方法在捕捉复杂非线性关系和时空异质性方面表现出独特优势，而这些能力是传统统计方法往往欠缺的。通过将臭氧浓度或模拟与观测臭氧浓度的差异（即模型偏差）定义为机器学习模型的目标变量，并纳入与臭氧生成相关的特征（包括时空变量、气象参数、人为排放和地理因素），机器学习可以改进基于物理的模型预测，并为优化模型输入和输出提供途径。有研究在休斯顿开展案例研究，收集 2011−2020 年地面臭氧数据、气象信息和交通数据，验证了 XGBoost 算法预测臭氧浓度的性能，机器学习预测结果与观测值的决定系数（R²）达到 0.78。另有研究利用气象数据、三个城市的臭氧观测数据和时间变量训练 LightGBM 模型，用于预测意大利热那亚市区的臭氧浓度，展现了该机器学习方法优异的预测能力。还有研究通过构建随机森林、梯度提升、标准和正则化多线性模型，利用欧洲 1535 个监测站的观测数据、哥白尼大气监测服务集合预报数据和气象数据进行训练，提高了欧洲 1 天短期空气质量预报的准确性。此外，有研究以模型模拟值相对于观测值的偏差为目标变量，采用随机森林算法构建偏差校正模型，利用气象和污染数据集进行训练，显著提升了空气质量模型对中国日最大 8 小时臭氧浓度的预测性能。这些先前的研究为利用机器学习技术获取高质量数据提供了宝贵见解，并验证了其在中国、美国和欧洲的适用性。然而，这些技术（尤其是偏差校正技术）主要应用于回顾性模拟，尚未广泛用于未来臭氧预测。
本研究采用 CESM2 模型，模拟 2020−2060 年共享社会经济路径（SSP）1−2.6 和 SSP5−8.5 情景下的臭氧浓度，旨在探究人为排放对未来臭氧水平的影响，并考察全球变暖背景下气候变化如何调节臭氧污染。为解决 CESM2 模拟臭氧浓度的潜在偏差，本研究引入机器学习技术以减少模型预测的不确定性，从而提升未来臭氧水平预测的可靠性。第 2 部分详细介绍观测数据来源、CESM2 模型、机器学习方法和实验设计。第 3 部分呈现模型模拟结果，以及针对中国、美国和欧洲的区域特异性机器学习校准分析。第 4 部分总结主要发现和局限性。
以上为文章的主要内容，如需了解详情，请阅读原文。
声明：本公众号为非盈利性新媒体，所刊载文章版权属于原作者及相关出版商所有；此推文目的在于分享前沿学术成果。如涉及侵权，请立刻联系公众号后台或发送邮件，我们将及时修改或删除！由于微信修改了推送规则，请大家将本公众号加为星标，或每次看完后点击页面下端的“在看”，这样可以第一时间收到我们每日的推文！
特别提示：投稿、转载和合作，请先关注公众号，私信联系后台或者发邮件到oceanystsj@163.com邮箱！！！
