由王科教授指导博士生田洪阳等的研究成果Dynamic Regional Synergies in Air Pollution and Carbon Reduction in China: A Stacked Ensemble Machine Learning Approach for Precise Emission Control于2026年1月在线发表于大气科学与环境监测领域的国际权威期刊Atmospheric Pollution Research。该研究指出，随着中国空气污染治理进入深水区，传统污染物的减排边际效应正在减弱；同时，气象条件与人为排放交互作用下高度非线性的化学反应过程，导致准确识别区域污染驱动机制并制定有效减排路径面临极大困难。因此，亟需通过机器学习等先进手段，实现对复杂气象背景下污染驱动因子的精准识别与归因，为有效制定差异化精准动态管控策略提供科学依据。

文章摘要

中国作为全球最大的发展中国家，面临着改善空气质量和减少温室气体排放的双重挑战。本研究基于2015-2022年中国高空间分辨率（1公里）的PM2.5和臭氧（O3）数据集，将中国划分为四种污染演化类型：污染共同加剧型、臭氧污染加剧型、PM2.5污染加剧型和污染协同改善型。研究采用堆叠集成机器学习模型，模拟了真实气象条件下人为排放与污染演化之间的复杂非线性关系 。结果显示，过去几年中国在PM2.5治理上取得了显著成效，但臭氧污染依然顽固，部分地区甚至出现反弹。研究利用Shapley可加性解释（SHAP）方法识别了各区域实现协同改善所需优先管控的前三大排放因子。情景模拟证实，相比于一刀切的减排方式，针对各区域关键驱动因子（如甲烷、氧化亚氮和二氧化硫）进行的优先级精准管控，可使全国范围内的协同改善面积扩大约40% 。

研究背景

尽管中国实施了多轮清洁空气行动计划，但温室气体与大气污染物的协同控制仍面临挑战，其核心难点在于气象条件与排放因子之间驱动的复杂大气化学反应。传统化学传输模型在处理高分辨率、近实时动态调整的策略方面存在计算资源受限等局限。此外，简单的减排可能引发臭氧反弹效应，即在某些挥发性有机物（VOCs）是驱动污染主导因素的地区，削减氮氧化物（NOx）反而会导致臭氧浓度上升 。因此，利用大数据和AI算法量化排放因子对污染演化的贡献，对于制定差异化的协同治理路径至关重要。

图 1 基于堆叠集成机器学习的大气污染与碳减排协同分析框架

图 2 特征重要性及影响方向分析

图 3 基于SHAP值的排放因子重要性排序及不同减排情景下的协同效应模拟

结果分析

本研究利用2015年至2022年的年度数据，采用多种机器学习基学习器（如随机森林、XGBoost、SVM等）构建了高性能的预测框架，分类准确率达到92.63% 。研究发现：（1）中国大部分地区需要优先控制的排放因子已经发生变化。2015-2022年间，PM10和NMVOC等传统因子的减排边际效益减弱，而CH4、SO2、NOx和N2O正成为影响污染演化的核心目标，特别需要重视是温室气体CH4和N2O的重要性日益凸显 。（2）通过模型分类，清晰刻画了中国不同城市群的污染特征。不同污染演化类型地区的驱动因素不同。例如，在臭氧污染加剧型地区，精准管控VOCs和NOx的比例是关键；而在交通密集区，各类因子的排放仍呈上升趋势，需全面加强源头治理。（3）精准管控具有显著效益。模拟显示，若全国统一减排5%，可能导致臭氧反弹区域扩大超过15%；而根据本研究识别的SHAP优先级进行精准减排，则能大幅提升协同治理效益 。

政策建议

（1）根据本研究划分的四类污染演化类型，各省市应制定一城一策的动态清单，精准定位本地的关键排放源。（2）在碳达峰碳中和路径中，应高度重视CH4和N2O的管控，利用其显著的大气环境协同收益，实现减碳与治污的双赢。（3）环保部门可借鉴本研究的堆叠集成模型，结合中长期气象预测，动态调整工业和交通部门的减排优先级，以应对复杂的天气变化。

引用来源： Wang, K., Tian, H., & Chu, J. (2026). Dynamic Regional Synergies in Air Pollution and Carbon Reduction in China: A Stacked Ensemble Machine Learning Approach for Precise Emission Control. Atmospheric Pollution Research: 102924. https://doi.org/10.1016/j.apr.2026.102924