北京大学深圳研究生院环境与能源学院大气研究团队以深圳为例，提出面向城市臭氧预测与解析的机制约束诊断框架（MCDF），将光化学机制信息直接嵌入多任务学习过程，提升了模型对关键前体物变化响应的光化学一致性。相关成果近日在线发表于Environmental Science & Technology（ES&T）。

01  预测得准，是否等于响应合理？

臭氧对氮氧化物（NOx）和挥发性有机物（VOCs）的响应具有显著非线性，浓度预测准确并不意味着前体物变化后的响应同样合理。化学机制模型擅长解析臭氧生成过程和前体物敏感性，受体模型和机器学习则能够从实际观测中提取源相关信息并识别复杂关系。研究将两类方法的优势结合，使数据驱动模型在识别关键因素的同时，受到光化学机制的约束。

02  让光化学机制真正参与AI学习

研究依托北京大学深圳研究生院大气观测超级站（PKU-AOSS）的多组分综合观测，构建机制约束诊断框架（MCDF）。考虑到臭氧对NOx和VOCs的敏感性会随大气状态变化，团队进一步提出机制约束多任务模型（MCMM），将情景化光化学信息直接嵌入模型学习过程，使模型在预测臭氧的同时，其对前体物变化的响应受到相应化学规律的约束。由此，光化学机制不再只是模型训练后的辅助解释，而是直接参与数据关系的学习。重复测试表明，引入机制约束后，模型仍保持稳定的臭氧预测能力。

图1  机制约束诊断框架

03  改变前体物后，AI还能否给出符合化学规律的响应？

将光化学机制引入模型后，更关键的是检验这些机制信息是否真正影响了模型对前体物变化的判断。团队进一步设置NOx和VOCs扰动情景，并将模型预测的臭氧变化与EKMA所揭示的光化学响应进行比较。在初始处于VOCs限制状态的样本中，EKMA显示增加NOx会导致臭氧下降。当NOx增加10%—30%时，机制约束模型在90.1%—92.3%的样本中给出了同方向的臭氧下降响应，而作为对照的无机制约束模型对应比例为67.3%—71.4%。这一结果表明，引入光化学机制后，模型能够更好地再现EKMA所指示的非线性前体物响应。这一检验将模型评价从能否准确预测臭氧浓度，进一步推进到前体物变化后能否给出合理的臭氧响应，体现了机制约束学习在臭氧非线性响应诊断中的价值。

图2  前体物扰动下的光化学一致性检验

04  关键影响因素会随光化学状态发生变化

团队进一步以深圳为例，分析不同前体物及VOCs源相关因子与臭氧变化之间的关系。结果显示，在NOx限制条件下，NOx在模型归因中最为突出；而在VOCs限制条件下，NOx的相对重要性降低，模型归因更多体现出机动车排放、天然源和溶剂使用等VOCs源相关因子的作用。这说明，在深圳案例中，对臭氧关键影响因素的判断需要结合具体的光化学状态，同一套因素排序并不适用于不同污染条件。需要说明的是，SHAP反映的是模型归因，PMF因子表征受体端的VOCs源相关变化，并不直接等同于排放源对臭氧的因果贡献。

图3  深圳不同光化学状态下的模型归因

05  对臭氧污染防控的支撑作用

该框架将臭氧预测、前体物响应和源相关因素分析纳入统一诊断流程，可为臭氧污染过程复盘和情景分析提供方法支撑。在具备相应观测条件下，可结合不同污染阶段的光化学状态，识别关键前体物及源相关因素，并比较不同NOx和VOCs调整情景下的臭氧响应，为研判NOx与VOCs协同防控重点提供参考。

作者与资助

北京大学深圳研究生院深圳城市人居环境科学与技术重点实验室博士后程勇为论文第一作者，何凌燕教授为论文通讯作者。该研究得到国家自然科学基金（42375101）和深圳市科技计划项目（SYSPG20241211173440002）的支持。

原文链接：https://doi.org/10.1021/acs.est.6c12789