臭氧污染过程很难用一张浓度图讲清楚。同样是江苏南部高臭氧，一次过程可能由高温和光化学生成主导，另一次过程可能叠加区域输送与近地层累积，到了中午，VOC 和 NOx 的控制关系还可能继续变化。这篇论文尝试把污染过程的“发生在哪里、受什么天气控制、主要统计驱动是什么、处于哪种生成敏感区”放进同一条诊断链中。
Summary
这项研究使用江苏 2020—2023 年暖季地面监测、ERA5、排放清单和 GEMS 卫星数据，构建了一套臭氧污染过程诊断框架。作者先识别具有空间连通性和时间持续性的污染过程，再组合天气型与空间型，使用 XGBoost-SHAP 提取三类驱动模式，最后利用 GEMS 的 HCHO/NO₂ 比值诊断逐小时臭氧生成敏感性。
论文最有用的部分，是把过去分散进行的过程识别、天气分型、可解释机器学习和敏感性诊断串联起来。使用时也要守住边界：SHAP 表示模型中的统计贡献，FNR 是基于卫星柱浓度的代理指标，两者都不能单独替代化学输送模型、观测约束的源解析或干预实验。
文献信息
题目：Efficient Diagnosis of Spatiotemporal Evolution and Driving Factors of Surface Ozone Pollution Episodes: An Application in Jiangsu Province, China
中文题目：中国江苏省地表臭氧污染事件时空演变及驱动因素的高效诊断与应用
作者：Hanying Wang、Yu Zhao*
期刊：Environmental Science & Technology
DOI：10.1021/acs.est.6c03665
论文研究的是 2020—2023 年 4—9 月江苏省严重臭氧污染过程。数据包括国家和省级空气质量监测网络的逐小时 O₃、NO₂、PM₁₀、PM₂.₅、CO 和 SO₂，ERA5 气象场、MEIC 人为排放、土地利用与人口数据，以及 GEMS 的逐小时 NO₂ 和 HCHO 对流层柱浓度。质量控制后，地面数据约有 350 万个有效样本。
这套框架要回答四个相互关联的问题：
- 一次区域性臭氧过程应该怎样从离散站点记录中识别出来
- 这些过程反复出现在哪些空间形态和天气背景下
- 多个污染过程能否归纳出相似的统计驱动模式
- 不同过程中的臭氧生成敏感性是否会随区域、天气型和时刻变化
四步诊断框架
先把离散超标站连成完整污染过程
常见做法是按站点或污染日统计超过标准的次数，但这种方法容易把某个站短时出现的一次高值和覆盖多个城市、持续数小时的区域污染混在一起。
作者提出 ST-PE，也就是具有时空连续性的污染过程识别方法。基本步骤可以压缩成四步：
- 使用 Voronoi 图为每个监测站划分空间影响范围，并明确站点邻接关系
- 在每个小时把 O₃ 超过 200 μg·m⁻³ 的站点标记为活跃节点；若相邻 Voronoi 区共享边界，或站点距离小于 0.05°，便视为空间连通
- 使用 Tarjan 算法识别同一小时内相互连通的污染斑块；相邻小时的斑块若共享至少 80% 的活跃站点，则合并为同一污染过程
- 提取过程持续时间、影响面积、质心、长轴方向和形状等特征，经 PCA 降维后使用 K-means 聚成五类空间型
这种定义主动排除了孤立和短暂高值。论文报告，约 14% 的小时超标值因此被识别为孤立或瞬时异常，没有进入连续污染过程。
Note
ST-PE 识别的是“站点网络能够观测到的连续过程”。站点稠密程度会改变 Voronoi 分区、空间连通性和过程边界，因此它不能被理解为真实臭氧羽流的无误差重建。
再把空间型与天气型组合
研究最终识别出 1021 次严重臭氧污染过程，分布在 311 个污染日中。五类空间型分别为：
| 空间型 | 占比 | 主要特征 |
|---|---|---|
| 苏南东部型 | 36.9% | 最常见，集中于苏锡常及邻近沿海城市，7—9 月较突出 |
| 全省型 | 26.0% | 覆盖范围最大、持续时间最长，中位持续约 8 小时 |
| 苏南西部型 | 16.6% | 主要影响南京、镇江和常州，持续约 4—5 小时 |
| 苏北型 | 10.8% | 主要影响徐州、宿迁和淮安，持续约 2—6 小时 |
| 苏南中部型 | 9.6% | 范围较紧凑，主要位于泰州周边，中位持续约 7—8 小时 |
苏南东部型与全省型合计超过全部过程的 60%。多数空间型在 10:00—14:00 开始，符合太阳辐射增强后光化学生成加快的日变化特征。
天气型部分使用 925 hPa 位势高度与水平风场，通过 T-mode PCA 分成六类。它们共同解释了 88.9% 的环流变异。不同天气型下发生严重臭氧污染的概率差异明显：
- Type 1 是副热带高压脊控制下的西南气流，春季最常见，污染发生频率为 53.6%
- Type 2 和 Type 3 代表偏热力驱动的条件，Type 2 在 7 月占比最高
- Type 5 出现较少，却对应最极端的臭氧浓度，常位于台风外围下沉区
- Type 6 为槽后偏北气流，通风较好，局地累积相对较弱
空间型和天气型组合后，前五种组合约占污染日的一半。其中 Type 2 × 苏南东部型占 21.2%，是出现最多的组合；Type 1 × 全省型、Type 3 × 全省型、Type 1 × 苏南东部型和 Type 2 × 苏南西部型依次占 9.0%、7.4%、6.8% 和 6.4%。
这个组合视角很重要。单看天气型，只知道大尺度环流是否有利于高温、辐射、下沉或输送；单看污染空间型，又很难区分相似高值分布背后的气象背景。WT × SP 把两部分放到同一个过程标签中，为后面的统计驱动和化学生成敏感性诊断提供了索引。
用 SHAP 归纳三类统计驱动模式
作者用 40 个气象、污染、排放、地理和社会经济变量训练 XGBoost 预测逐小时 O₃。针对污染样本相对较少的问题，SMOTE 只在每次交叉验证的训练折中使用，以减少直接数据泄漏。论文报告各年份 R^2 均高于 0.86，RMSE 低于 15.7 μg·m⁻³。
普通 SHAP 分析通常停在“温度贡献多少、边界层贡献多少”。这篇论文多做了一步：筛出污染过程样本，把每个样本的绝对 SHAP 值转成相对贡献，标准化后再次用 K-means 聚类，得到三类反复出现的解释模式。
| 驱动模式 | 主要统计特征 | 代表性 SHAP 贡献 |
|---|---|---|
| Mode A：热力驱动 | 高温、较深边界层，白天温度贡献持续突出 | 2 m 最高温度 34.8% |
| Mode B：辐射—湿度协同 | 强短波辐射、较强潜热通量，表面能量与水分过程共同变化 | 2 m 最高温度 25.9%，潜热通量 17.9% |
| Mode C：输送—累积 | 低层更稳定、边界层较低，伴随颗粒物和 NO₂ 累积 | 975 hPa 位涡 13.1%，PM₁₀ 11.0%，2 m 最高温度 10.0% |
WT × SP 与驱动模式的关联强度为 Cramér’s V = 0.356，高于只看天气型的 0.240 和只看空间型的 0.150。这个结果表明，天气背景和污染形态组合后，与 SHAP 驱动模式的统计对应更紧密。
Warning
“驱动模式”是作者对 SHAP 贡献聚类的命名。SHAP 衡量的是模型预测中各变量的边际统计贡献，不能自动给出因果机制。高温可能直接影响反应速率，也可能代理未进入模型的 BVOC 排放；强相关变量还会分摊重要性。因此，Mode A、B、C 更适合作为过程诊断标签，不能直接当作严格的物理归因结果。
用 GEMS FNR 追踪逐小时生成敏感性
框架最后一层使用 GEMS 的 HCHO 与 NO₂ 对流层柱浓度比值：
\mathrm{FNR}=\frac{\mathrm{HCHO}}{\mathrm{NO_2}}作者沿用已有研究给出的两个阈值，把每个时空样本分为 VOC-limited、过渡区和 NOx-limited，并统计不同 WT × SP 组合下三类敏感区的面积比例与日变化。
结果里需要关注的核心，是同一个区域会随天气型和时刻改变，不能给苏南贴上永久不变的控制区标签：
- Type 1 × 苏南以 VOC-limited 为主，约 89% 的样本落在这一敏感区，全天 VOC-limited 面积占比大多高于 75%
- Type 2 × 苏南更容易转向 NOx-limited，10:00—14:00 的 NOx-limited 面积占比接近 50%
- Type 4 × 苏南的日变化最大：早晨约 85% 为 VOC-limited，中午 NOx-limited 超过 50%，傍晚又转回 VOC-limited
SHAP 驱动模式与 FNR 敏感区之间也存在统计对应。热力驱动 Mode A 与 NOx-limited 的联系最强；输送—累积 Mode C 更偏向 VOC-limited。Mode B 的结果需要更细地读：总体交叉统计中它与 VOC-limited 有正关联，但 Type 4 × 苏南在中午会明显转向 NOx-limited。摘要和结论把 Mode B 概括为更常推动 NOx-limited，正文展示的日变化则说明它并非固定对应单一敏感区。
这项研究带来了什么
从“污染日”走向“污染过程”
这篇论文较有价值的一点，是把分析对象从单站超标或单个污染日改成具有形态和生命周期的污染过程。这样可以讨论过程在哪里形成、怎样扩张、是否移动、何时消散，也能把同类过程放到一起比较。
对业务诊断来说，这比只看全省平均浓度更接近实际问题。一个全省型长过程和一个苏南局地短过程，即使峰值相同，也不应该使用完全相同的解释框架。
把天气背景、统计驱动和敏感性串起来
WT × SP、SHAP 模式和 GEMS FNR 分别回答了不同层次的问题：
| 层次 | 回答的问题 | 不能单独回答的问题 |
|---|---|---|
| WT × SP | 哪种环流下，哪类区域污染形态更常出现 | 具体化学反应和排放源贡献 |
| XGBoost-SHAP | 模型中哪些变量对高 O₃ 预测贡献较大 | 严格因果关系和排放削减响应 |
| GEMS FNR | HCHO/NO₂ 比值指示的生成敏感区如何变化 | 地面实际自由基化学与精确减排比例 |
三者组合后，能够形成一个低计算成本的快速筛查框架。它适合帮助定位需要进一步模拟和加密观测的过程，也可以为短期预警提供初步分类。
对江苏分区分时控制的启发
论文给出的管理含义很具体。Type 1 × 苏南过程更常对应 VOC-limited，在这类副热带高压脊和输送—累积条件下，早期控制石化、溶剂使用等 VOC 排放可能更有针对性，单独大幅削减 NOx 需要谨慎评估。
Type 2 或强辐射条件下，苏南中午更容易向 NOx-limited 移动，控制策略需要考虑小时尺度变化。一天只使用一个固定的 VOC/NOx 敏感性标签，可能掩盖上午、正午和傍晚的差异。
这里仍不能直接从 FNR 图推导具体行业的减排比例。更稳妥的用法是把 WT × SP 和 FNR 当作区域优先级判断，再结合本地排放结构、地面 VOC 组分观测和化学输送模型确定城市与行业措施。
需要保留的边界
第一，污染过程依赖监测网络。 站点稀疏地区更容易漏掉空间连通关系，Voronoi 分区也会放大单站代表范围。换到监测密度较低的地区，需要重新评估距离阈值和重叠阈值。
第二，200 μg·m⁻³ 的小时阈值聚焦严重过程。 它适合识别极端小时污染，但不能覆盖所有 MDA8 超标过程。研究结论首先对应作者定义的 severe episodes。
第三，机器学习性能可能受到时空自相关影响。 论文说明使用 10 折交叉验证，并把 SMOTE 限制在训练折内；正文没有明确说明是否按年份、站点或完整污染过程做分组留出。如果相邻站点和相邻小时被随机分到训练与验证折，R^2 可能高估对独立新过程的泛化能力。
第四，SHAP 仍然是统计解释。 模型缺少逐小时 BVOC 排放和源别人为活动数据，高温、潜热通量或颗粒物可能承担代理变量角色。相关变量之间还会共享或重新分配 SHAP 权重。
第五，GEMS FNR 有代理误差。 卫星测量的是柱浓度，地面臭氧生成发生在边界层内；云、气溶胶、反演算法和阈值迁移都会影响敏感区判断。论文进行了 ±10% 和 ±20% 阈值扰动测试，日变化模式总体稳定，但这不能替代地面 HCHO、NO₂、VOC 和自由基观测验证。
第六，快速诊断不等于源解析。 这套框架没有直接计算各地区、各行业排放对一次过程的贡献，也没有模拟削减 10% VOC 或 NOx 后臭氧如何响应。需要回答具体来源和减排效益时，仍要结合源解析、过程分析或情景模拟。
Question
如果后续继续扩展这项工作，可以重点检查三件事：用按年份或按完整过程留出的独立测试集重新评估 XGBoost；用地面 VOC 与光化学观测校准 GEMS FNR；把 WT × SP 快速分类与 CMAQ 情景模拟连接起来，检验不同模式下的减排建议是否真的有效。
总结
这篇论文提供了一套结构完整的江苏臭氧污染过程诊断流程：先用站点连通性和时间重叠识别过程，再用五类空间型和六类天气型描述背景，随后以 SHAP 聚类归纳热力驱动、辐射—湿度协同和输送—累积三类模式，最后用 GEMS FNR 追踪逐小时臭氧生成敏感性。
它最值得带走的认识，是臭氧控制区会随天气型、污染形态和时刻变化。苏南同样出现严重臭氧时，Type 1 条件下可能长期偏 VOC-limited，Type 2 或 Type 4 条件下则可能在中午转向 NOx-limited。区域和日均标签不足以覆盖这种变化。
这套方法适合做快速筛查、过程归类和进一步模拟的优先级判断。SHAP 的非因果性、FNR 的代理误差以及交叉验证的时空独立性，决定了它还不能单独承担源解析和精细减排决策。把快速诊断与地面化学观测、排放清单和 CMAQ 情景模拟接起来，会更接近真正可执行的分区分时臭氧控制。