清华新闻网6月25日电（通讯员 温轶凡）清华大学环境学院张少君助理教授课题组与加州理工学院联合团队在交通环境与空气质量模拟领域取得新进展。研究基于气象和交通等长时期、小时级动态数据，构建了时间序列土地利用随机森林模型，追踪分析了洛杉矶地区新冠疫情期间交通活动变化对城市空气质量的影响，并预测了未来气候变化和交通排放控制等情景对当地空气质量的潜在影响。
洛杉矶是美国空气污染最严重的城市之一，20世纪40年代至50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，加利福尼亚州从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性影响。联合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PM2.5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的解释度（图1）。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PM2.5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PM2.5浓度削减的61.0%和70.4%（图2）。
图1 随机森林模型对NO2、O3和PM2.5日均浓度的模拟效果和变量重要性排序
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)
机器学习方法不仅在模型灵活度和计算效率方面具有更明显的优势，还能够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；PM2.5浓度对货车流量变化较为敏感，控制货车排放对改善PM2.5浓度作用突出。
图3 污染物浓度对货车与客车活动水平的曲面响应
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PM2.5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。
图4 2035及2050年不同交通情景下NO2、MDA8 O3、PM2.5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。
该研究以“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）为题，于6月22日在《美国科学院院刊》（Proceedings of the National Academy of Sciences）在线发表。
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、加州理工学院约翰·赛恩菲尔德（John H. 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。
论文链接：
https://www.pnas.org/content/118/26/e2102705118
供稿：环境学院
编辑：李华山
审核：吕婷
