機器學(xué)習(xí)耦合受體模型揭示驅(qū)動因素對PM2.5的影響

許 博，徐 晗，趙 煥，張忠誠，高 潔，李 岳，馮銀廠，史國良*

1. 南開大學(xué)環(huán)境科學(xué)與工程學(xué)院，國家環(huán)境保護城市空氣顆粒物污染防治重點實驗室，天津 300350

2. 中國氣象局-南開大學(xué)大氣環(huán)境與健康研究聯(lián)合實驗室，天津 300074

3. 南開大學(xué)計算機學(xué)院，天津 300350

細顆粒物(PM2.5)是大氣中的重要污染物，不僅影響環(huán)境質(zhì)量，也對人體健康造成傷害[1-3]. PM2.5主要受排放源、大氣化學(xué)反應(yīng)、氣象條件等多種因素的共同作用. 首先，短時間內(nèi)大量污染物排放到大氣環(huán)境中會直接影響空氣的質(zhì)量，造成一次污染；此外，污染源排放的前體污染物(SO2、NOx、NH3等)經(jīng)歷多種大氣化學(xué)過程會形成PM2.5的二次污染[4-7]；同時，低溫高濕、靜風、低邊界層等多種有利于顆粒物二次生成的氣象條件也對PM2.5的形成、生長和去除具有重要作用[8-11]. 因此，了解PM2.5的污染特征、來源以及驅(qū)動因素對PM2.5濃度的影響對于制定污染防治措施具有重要意義.

定量識別污染物的來源是污染防控的關(guān)鍵. 受體模型被廣泛應(yīng)用于國內(nèi)外顆粒物的源解析工作中[12-14]，其中，正定矩陣因子分解模型(positive matrix factorization，PMF)基于污染源的排放特征可以解析出污染源對PM2.5濃度的貢獻. 排放源、大氣化學(xué)反應(yīng)、氣象條件等因素對PM2.5濃度的影響過程復(fù)雜，呈現(xiàn)出非線性的影響，簡單的線性模型難以揭示其內(nèi)在規(guī)律. 機器學(xué)習(xí)方法善于解決非線性問題，近些年逐漸被應(yīng)用在大氣顆粒物研究中，如Hou等[15]采用隨機森林模型揭示了灰霾期間PM2.5污染的主要驅(qū)動因素. 同時，隨著監(jiān)測設(shè)備的完善，可以通過觀測獲得大量環(huán)境數(shù)據(jù)，為探究污染物排放、大氣化學(xué)反應(yīng)、氣象條件等因素對PM2.5濃度的影響提供必要數(shù)據(jù).基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法，如決策樹、隨機森林、Xgboost等模型雖有良好的擬合性能，但多以數(shù)據(jù)驅(qū)動為基礎(chǔ)，計算結(jié)果解釋較差，往往難以解釋實際情況. 近年來，隨著夏普利加性解釋(SHapley Additive exPlanation, SHAP)等可解釋性方法的出現(xiàn)和發(fā)展，使得機器學(xué)習(xí)模型結(jié)果的可解釋性得以提升. 此外，目前利用機器學(xué)習(xí)方法研究大氣污染主要集中在PM2.5的預(yù)測和污染成因等方面，關(guān)于量化污染源、大氣化學(xué)反應(yīng)、氣象條件等驅(qū)動因素對PM2.5濃度影響的研究相對較少.

基于此，該研究耦合了機器學(xué)習(xí)方法和受體模型，基于天津市在線高時間分辨率的觀測數(shù)據(jù)分析PM2.5及其組分的污染特征，利用PMF模型分析PM2.5主要來源的貢獻及其時間變化特征. 將受體模型的結(jié)果表征為排放源，作為機器學(xué)習(xí)方法的驅(qū)動因素，利用隨機森林-SHAP模型量化排放源、大氣氧化能力、氣象條件等驅(qū)動因素對PM2.5濃度的影響，同時深入分析并對比了天津市啟動《天津市應(yīng)對新型冠狀病毒感染的肺炎應(yīng)急預(yù)案》一級響應(yīng)期間PM2.5的主導(dǎo)因素及其效應(yīng)，以期為PM2.5的排放控制、二次粒子的形成機制以及綜合防治提供科學(xué)方法和依據(jù).

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

分析數(shù)據(jù)來源于天津市南開大學(xué)津南校區(qū)空氣質(zhì)量觀測超級站2018年11月?2020年10月逐時在線自動監(jiān)測數(shù)據(jù).在線監(jiān)測項目包含PM2.5、PM2.5化學(xué)成分(離子、元素、碳組分等)、常規(guī)氣體污染物(SO2、NO2、O3、NH3、CO等)以及氣象參數(shù)(相對濕度、溫度、風速、風向、太陽輻射強度等). 其中，利用聚光科技公司生產(chǎn)的BPM-200型β射線顆粒物自動監(jiān)測儀(Beta)監(jiān)測PM2.5濃度，利用Thermo Fisher Scientific公司生產(chǎn)的在線離子色譜(URG9000D型，美國)監(jiān)測PM2.5中水溶性離子(C1?、NO3?、NH4+、SO42?、Na+、K+、Mg2+和Ca2+)濃度，利用聚光科技公司生產(chǎn)的OC/EC分析儀(OCEC-100型)監(jiān)測PM2.5中的有機碳(OC)和元素碳(EC)濃度，利用美國API T201型NOx/NH3分析儀、T101型H2S/SO2分析儀、T300型CO分析儀、T400型O3分析儀分別監(jiān)測NO2、SO2、CO、O3濃度數(shù)據(jù)，氣象參數(shù)數(shù)據(jù)來源于歐洲中期天氣預(yù)報中心(ECMWF). 數(shù)據(jù)質(zhì)量控制是保證結(jié)果準確的前提，首先在采樣過程中每天對所有儀器進行檢查，同時按照制造商的要求對儀器進行定期校準和過濾器更換等維護，以確保儀器正常工作. 在數(shù)據(jù)處理中該研究將化學(xué)組分濃度測量值的總和與PM2.5濃度測量值進行對比，為了篩選有效數(shù)據(jù)，美國環(huán)境保護局建議該比值的參考區(qū)間為[0.60,1.32]，最終確定6 654條小時在線觀測數(shù)據(jù). PM2.5組分主要包含碳組分(OC、EC)、水溶性離子(NO3?、SO42?、NH4+、Cl?、Mg2+和Na+)、元素(Ca、K、Br、Pb、Cr、Zn、Cu、Fe、Mn、Ti、Ba、As和Si).

1.2 受體模型—正定矩陣因子分解模型(PMF)

受體模型通過在環(huán)境樣品和污染源之間建立源與化學(xué)質(zhì)量濃度的線性關(guān)系式，定量解析各污染源類對污染物的貢獻，PMF模型是受體模型常用的模型之一[16-17]. Paatero等[18]在1993年提出PMF模型，隨后經(jīng)過對PMF模型不斷地改進和完善，逐漸在大氣源解析領(lǐng)域得到廣泛應(yīng)用. PMF模型將在線觀測數(shù)據(jù)矩陣分解，識別污染源以及估算污染源對環(huán)境濃度的貢獻.

1.3 機器學(xué)習(xí)方法

1.3.1隨機森林模型

Breiman[19]在2001年提出隨機森林模型. 隨機森林模型通過自助法(bootstrap)重采樣技術(shù)，從在線觀測數(shù)據(jù)集中有放回地隨機抽取一定量的數(shù)據(jù)形成一個全新的數(shù)據(jù)集，然后生成一顆決策樹，多次重復(fù)上述過程，生成一定數(shù)量的決策樹組成隨機森林. 為防止模型過擬合，隨機森林通過十倍交叉驗證的方法將數(shù)據(jù)劃分為訓(xùn)練集和測試集. 訓(xùn)練集訓(xùn)練模型，測試集對模型進行驗證，用決定系數(shù)(R2)和均方根誤差(RMSE)來驗證模型性能.

1.3.2SHapley Additive exPlanation (SHAP)方法

隨機森林模型通過調(diào)整參數(shù)實現(xiàn)高精度的預(yù)測，由于隨機森林是一個“黑箱模型”，模型的結(jié)果不能被充分利用，導(dǎo)致模型的可解釋性差，不利于深入探究PM2.5和驅(qū)動因素的關(guān)系. 因此，該研究將隨機森林模型和SHAP方法結(jié)合，深入量化不同因素與PM2.5濃度的非線性關(guān)系. 自Lundbegr在2017年提出SHAP方法以來，其在模型解釋性領(lǐng)域得到了廣泛應(yīng)用[20-22]. SHAP是python中一個解釋模型的包，可以解釋機器學(xué)習(xí)模型的結(jié)果[23]. SHAP方法基于博弈論最優(yōu)Shapley值(合作博弈的貢獻分配方法)來解釋個體預(yù)測的方法，通過計算變量的邊際貢獻，分析在某一個樣本的預(yù)測過程中變量對PM2.5的影響，計算公式：

式中：f(xi)為模型輸入的第i個樣本的預(yù)測值，如PM2.5濃度，μg/m3；xi為輸入變量，如驅(qū)動因素；?j(f,xi)為模型計算得到的第i個樣本中第j個變量對預(yù)測值的SHAP值，即對預(yù)測值(如PM2.5濃度)的貢獻或影響，μg/m3； ?0(f,x)是為模型輸出的期望值，代表整個模型的基準，μg/m3.

2 結(jié)果與討論

2.1 細顆粒物及其化學(xué)組分的污染特征

觀測期間，PM2.5及其化學(xué)組分濃度的變化趨勢如圖1所示. 由圖1(a)可見，觀測期間PM2.5平均濃度為(45.65±38.28)μg/m3, 變化范圍為3.21~291.80 μg/m3.PM2.5中水溶性離子占比最高，表明二次無機離子對PM2.5的生成起到重要的作用. NO3?、NH4+、SO42?的占比分別達24.25%、13.45%、11.82%，占PM2.5總濃度的49.52%，其中NO3?是主要的二次無機離子. OC和EC也是PM2.5的重要組成，占比分別為8.43%和4.89%；與離子、碳組分相比，元素占比較低，其中K、Fe和Ca的占比分別為1.21%、1.20%、0.71%.

PM2.5濃度具有季節(jié)性變化特征，該研究根據(jù)天津市集中供暖的特點將觀測期間分為采暖季(11月?翌年3月)和非采暖季(4?10月)，分析PM2.5及其化學(xué)組分濃度的季節(jié)性變化趨勢. 由圖1(b)可見，PM2.5濃度有季節(jié)性差異，采暖季PM2.5的平均濃度為(58.22±48.37) μg/m3，高于非采暖季〔(37.45±25.47)μg/m3〕，表明冬季采暖對PM2.5濃度有較大影響.2019?2020年采暖季PM2.5平均濃度〔(53.53±45.44)μg/m3〕小于2018?2019年采暖季〔(65.31±51.72)μg/m3〕，降幅為18%，一定程度上反映了大氣污染綜合治理措施的有效性. 由圖1(c)可見，NO3?、SO42?和NH4+是PM2.5中主要的水溶性無機離子，觀測期間NO3?、SO42?和NH4+的濃度與PM2.5濃度的相關(guān)系數(shù)分別為0.87、0.82和0.90，NO3?、SO42?和NH4+的濃度與PM2.5濃度在時間趨勢上有相同的規(guī)律，即三者平均濃度在采暖季高于非采暖季. NO3?、SO42?和NH4+在采暖季的平均濃度分別為(13.30±12.28)(6.09±6.72)和(6.88±6.16) μg/m3. 與2018?2019年采暖季相比，在2019?2020年采暖季NO3?、SO42?和NH4+平均濃度均出現(xiàn)下降，分別下降了5%、18%和25%. 由圖1(d)可見，OC、EC和所有元素在采暖季的平均濃度分別為(4.89±4.23)(2.42±2.09)和(3.69±3.01)μg/m3，均高于非采暖季〔分別為(3.12±2.49)(2.10±1.66)和(3.36±2.46)μg/m3〕. 與2018?2019年采暖季相比，在2019?2020年采暖季OC、EC和所有元素的平均濃度也大幅下降，分別下降了45%、21%和23%.

圖 1 觀測期間PM2.5及其化學(xué)組分濃度的時間變化趨勢Fig.1 The time series of PM2.5 and chemical species concentrations during the measurement campaign

此外，該研究分析了2020年初新冠肺炎疫情期間顆粒物及氣態(tài)污染物的變化趨勢及同比變化情況.由圖1(e)(f)所見，2020年1月24日，天津市啟動《天津市應(yīng)對新型冠狀病毒感染的肺炎應(yīng)急預(yù)案》一級響應(yīng)，2月9日后開始逐漸復(fù)工復(fù)產(chǎn). 天津市一級響應(yīng)期間，PM2.5和O3的平均濃度分別為85.32和35.14 μg/m3，比2019年同期增加了52%和53%；NH3平均濃度為9.95 μg/m3，降幅(40%)最大；NO2和SO2的平均濃度分別為34.83和5.83 μg/m3，同比分別減少22%和13%.

2.2 PM2.5源解析特征

2.2.1PM2.5的污染源識別

基于2018年11月?2020年10月的在線觀測數(shù)據(jù)，利用PMF模型對PM2.5的來源進行解析. 該研究嘗試使用3~10個因子對PM2.5分別進行解析，當因子數(shù)為6時，Qactual/Qtheory(Qactual為通過PMF模型的計算值，Qtheory為通過觀測樣本數(shù)、化學(xué)組分個數(shù)和因子數(shù)的計算值)為1.49 ，結(jié)合當?shù)氐奈廴驹磳嶋H情況，最終確定6個因子來進行計算. 通過模型計算，大部分組分的殘差值在?3~3之間，并且結(jié)果穩(wěn)定，表明結(jié)果合理. 6類因子對不同化學(xué)組分的貢獻率如圖2所示. 由圖2可見：因子1中NO3?、SO42?和NH4+等二次無機離子的載荷較高，OC也有一定的貢獻，可識別為二次源[12]；因子2中OC、EC占比相對較高，可以識別為燃煤源；因子3主要包含Zn、Mn、Cu等無機元素，Zn和Cu為機動車潤滑油的主要添加劑，同時對EC和OC也有一定貢獻，可以識別為機動車排放源；因子4中特征組分為Ca等地殼元素，可以識別為揚塵源，揚塵受人類活動影響較大，具有多組分混合的特征，該因子中較高的EC可能來自道路揚塵；因子5中Fe等金屬元素貢獻相對較高，可以識別為工業(yè)源；因子6中OC和K的載荷高，可以識別為生物質(zhì)源.

圖 2 PMF模型解析的PM2.5污染源成分譜Fig.2 The factor profiles for PM2.5 derived from PMF model

PMF的源解析結(jié)果如圖3所示. 由圖3(a)可見：觀測期間二次源是PM2.5的重要來源，對PM2.5濃度的貢獻為20.41 μg/m3，貢獻率為44.7%；其次是燃煤源，對PM2.5濃度的貢獻為10.77 μg/m3，貢獻率為23.6%；機動車排放源對PM2.5濃度的貢獻為5.05 μg/m3，貢獻率為11.0%；揚塵源對PM2.5的濃度貢獻為4.54 μg/m3，貢獻率為9.9%；生物質(zhì)源對PM2.5濃度的貢獻為3.29 μg/m3，貢獻率為7.2%；工業(yè)源對PM2.5濃度的貢獻為1.64 μg/m3，貢獻率為3.6%.

圖 3 觀測期間污染源對大氣PM2.5的貢獻情況Fig.3 The contribution of sources to ambient PM2.5 during the measurement campaign

2.2.2PM2.5源貢獻的時間變化特征

污染源對PM2.5貢獻的季節(jié)性變化趨勢如圖3所示. 由圖3(d)可見，觀測期間，二次源為首要污染源，其對PM2.5濃度的貢獻范圍在0~185 μg/m3之間，采暖季二次源對PM2.5濃度的貢獻率較高，其中2018?2019年采暖季和2019?2020年采暖季貢獻率分別為42.9%和52.9%，貢獻值分別為27.7和28.3 μg/m3. 采暖季發(fā)生多次重污染事件，重污染期間平均風速為0.9 m/s，相對濕度為75%，邊界層高度為287 m，靜穩(wěn)天氣不利于污染物的擴散，高濕有利于污染物的二次液相生成. 隨著溫度升高，非采暖季二次源對PM2.5濃度的貢獻率下降，2019年非采暖季和2020年非采暖季其貢獻率分別為39.7%和44.9%，貢獻值分別為14.2和16.7 μg/m3；燃煤源對PM2.5濃度的貢獻范圍在0～116 μg/m3之間. 由于天津地區(qū)采暖季有集中供暖，采暖季燃煤源對PM2.5濃度的貢獻率(26.9%)高于非采暖季(21.5%)，貢獻值分別為16.4和7.7 μg/m3；機動車排放源對PM2.5濃度的貢獻范圍在0～28 μg/m3之間，由于機動車源的排放強度比較穩(wěn)定，機動車源對PM2.5濃度的貢獻率和貢獻值沒有明顯差異. 然而，由于新冠肺炎疫情的影響，在管控期間居民多居家辦公，道路上機動車數(shù)量驟減，2019?2020年采暖季機動車排放源對PM2.5的貢獻率(2.4%)較低，貢獻值為1.4 μg/m3；揚塵源對PM2.5濃度的貢獻范圍在0~32 μg/m3之間. 由于天津春季和秋季干燥多風，揚塵源對PM2.5濃度的貢獻率存在季節(jié)性差異，在非采暖季(12.3%)高于采暖季(6.6%)；生物質(zhì)源對PM2.5濃度的貢獻范圍在0～52 μg/m3之間，貢獻率有季節(jié)性差異，在采暖季(9.4%)高于非采暖季(5.4%)；工業(yè)源對PM2.5濃度的貢獻范圍在0～17 μg/m3之間，工業(yè)源的排放強度相對穩(wěn)定，對PM2.5濃度的貢獻值和貢獻率沒有明顯差異.

此外，該研究計算了天津市2020年新冠肺炎疫情一級響應(yīng)期間PM2.5的源解析結(jié)果及同比變化情況，結(jié)果如圖3(b)(c)所示. 一級響應(yīng)期間(2020年1月24日?2月9日)，天津市二次源對PM2.5濃度的貢獻率為46.3%，同比增加19.2%，超過燃煤源成為首要污染源，此時PM2.5二次生成大幅增長；機動車排放源對PM2.5濃度的貢獻率同比減少13.3%，這是由于一級響應(yīng)期間路面上行駛的車輛驟減，導(dǎo)致貢獻率同比大幅減少.

2.3 機器學(xué)習(xí)耦合受體模型量化驅(qū)動因素對PM2.5的影響

2.3.1驅(qū)動因素的重要性分析

PM2.5污染主要受到排放源、大氣化學(xué)反應(yīng)、氣象條件等多種因素的共同作用，是一個復(fù)雜的過程[24-26]. 機器學(xué)習(xí)方法善于處理非線性問題，能夠基于數(shù)據(jù)變化規(guī)律建立性能較好的模型，從而量化影響因素對PM2.5濃度的影響. 機器學(xué)習(xí)包含多種算法，隨機森林算法是機器學(xué)習(xí)最常用的算法之一，在環(huán)境領(lǐng)域得到廣泛應(yīng)用[27-30]. 該研究利用隨機森林算法探究排放源、大氣氧化能力、氣象條件等驅(qū)動因素對PM2.5濃度的影響. 該研究將PM2.5濃度作為預(yù)測值，同時基于PM2.5的生成過程，選擇主要的影響因素.受體模型解析了污染源對PM2.5濃度的貢獻，該研究將一次排放源對PM2.5濃度的貢獻值表征為排放源，作為隨機森林算法的驅(qū)動因素，實現(xiàn)機器學(xué)習(xí)方法和受體模型的耦合；總氧化劑Ox(Ox=NO2+O3)濃度代表大氣氧化性[31-33]，將大氣氧化性作為衡量大氣氧化能力的指標之一；光化學(xué)反應(yīng)系數(shù)(溫度與表面太陽凈輻射的乘積)代表光化學(xué)活性[34]，將光化學(xué)活性作為衡量大氣氧化能力的指標之一；通風系數(shù)(風速與邊界層高度的乘積)通常用來表征大氣的擴散能力[35-37]，同時增加相對濕度、大氣壓等氣象要素，作為氣象條件驅(qū)動因素的指標. 該研究共篩選6個要素作為影響因素納入隨機森林模型. 此外，為深入分析影響因素變化對PM2.5濃度的影響，該研究在隨機森林模型的基礎(chǔ)上進一步利用SHAP算法量化各因素對PM2.5濃度的影響，其中SHAP平均值代表變量的重要性，將各變量的SHAP平均值歸一化代表變量對PM2.5濃度的影響程度. 通過隨機森林-SHAP模型的計算，模型的性能指標R2=0.77、RMSE=18.55，表明構(gòu)建的模型較為理想. 整個觀測期間驅(qū)動因素的重要性如圖4所示. 由圖4可見：排放源驅(qū)動因素的SHAP平均值為20.41 μg/m3，對PM2.5濃度的影響程度為54.3%，高于其他變量，表明PM2.5濃度受排放源的影響較大；氣象條件驅(qū)動因素對PM2.5濃度的影響程度為32.4%，其中相對濕度是主導(dǎo)的氣象要素，其SHAP平均值為5.88 μg/m3，影響程度為15.6%，特別是在夜間，相對濕度與PM2.5濃度有較強的正相關(guān)性.由于二次無機氣溶膠具有高度的親水性，相對濕度通過氣溶膠含水量影響顆粒物的液相生成以及吸濕性增長. 此外，大氣壓的SHAP平均值為5.06 μg/m3，對PM2.5濃度的影響程度為13.5%. 通風系數(shù)的SHAP平均值為1.24 μg/m3，對PM2.5濃度的影響程度為3.3%，通風系數(shù)代表單位時間內(nèi)污染物排放到環(huán)境空氣后被稀釋的潛在體積，其影響效應(yīng)較小可能是因為重污染期往往處于靜穩(wěn)天氣. 大氣氧化能力驅(qū)動因素對PM2.5濃度的影響程度為13.3%，其中光化學(xué)反應(yīng)系數(shù)的SHAP平均值為2.59 μg/m3，對PM2.5濃度的影響程度為6.9%，其影響PM2.5的光化學(xué)反應(yīng). 大氣氧化性的SHAP平均值為2.41 μg/m3，對PM2.5濃度的影響程度為6.4%，其影響氣態(tài)污染物的氧化.

圖 4 基于隨機森林-SHAP模型的驅(qū)動因素對PM2.5濃度的影響程度Fig.4 The impact of driving factors on PM2.5 concentration from the random forest-SHAP model

該研究進一步對比分析了采暖季和非采暖季驅(qū)動因素的重要性，結(jié)果如圖4所示. 由圖4可見，采暖季和非采暖季各驅(qū)動因素對PM2.5濃度的重要性在排序上沒有變化，但驅(qū)動因素對PM2.5濃度的影響程度有所不同. 采暖季排放源的SHAP平均值為26.44 μg/m3，對PM2.5濃度的影響程度達62.1%，明顯高于非采暖季(排放源的SHAP平均值為16.12 μg/m3，影響程度為47.4%). 然而，采暖季大氣壓的SHAP平均值為3.96 μg/m3，對PM2.5的影響程度為9.3%，明顯小于非采暖季(大氣壓的SHAP平均值為5.85 μg/m3，影響程度為17.2%).

2.3.2驅(qū)動因素變化對PM2.5濃度的影響

該研究進一步計算了觀測期間各驅(qū)動因素變化對PM2.5濃度的影響，如圖5所示：在觀測期間，當排放源貢獻低于90 μg/m3時，敏感性曲線呈上升趨勢，表明PM2.5濃度隨排放源貢獻的增加而升高；當排放源貢獻高于90 μg/m3時，對PM2.5濃度的影響有限.相對濕度的變化對PM2.5濃度有正向影響，當相對濕度低于40%時，對PM2.5濃度的影響不明顯，可能由于環(huán)境干燥不利于PM2.5的生成；當相對濕度范圍在40%～90%之間時，PM2.5濃度有明顯增高趨勢，可能由于顆粒物通過吸收水分形成濕界面，促進氣態(tài)污染物在顆粒物表面的非均勻反應(yīng)；當相對濕度高于90%時，PM2.5濃度下降，可能由于在高濕的環(huán)境中濕沉降對大氣沖刷導(dǎo)致PM2.5濃度下降. 當大氣壓低于100.287 kPa時，敏感性曲線呈下降狀態(tài)，表明PM2.5濃度隨大氣壓的升高而降低；當大氣壓范圍在100.287~102.325 kPa之間時，敏感性曲線上升，表明PM2.5濃度隨大氣壓的升高而升高；當大氣壓高于102.325 kPa，敏感性曲線呈水平狀態(tài)，此時PM2.5濃度與大氣壓相關(guān)性較弱. 通常情況下，當區(qū)域處于高氣壓場時大氣在垂直方向更加穩(wěn)定，會阻礙污染物的擴散；當區(qū)域處于低氣壓場時大氣氣流上升，有利于污染物擴散. 大氣氧化性的變化對PM2.5濃度有正向影響，大氣氧化性加速了氣態(tài)污染物生成二次污染物的速率. 當光化學(xué)反應(yīng)系數(shù)低于28 000時，敏感性曲線呈上升趨勢，表明PM2.5濃度隨光化學(xué)反應(yīng)的升高而升高；隨著光化學(xué)反應(yīng)系數(shù)的升高，PM2.5濃度趨于穩(wěn)定. PM2.5濃度隨通風系數(shù)的變化不明顯.

圖 5 觀測期間驅(qū)動因素的變化對PM2.5濃度的影響Fig.5 The effect of driving factors on PM2.5 concentration during the measurement campaign

3 結(jié)論

a)觀測期間PM2.5濃度的變化范圍為3.21~291.80 μg/m3，平均濃度為(45.65±38.28) μg/m3. PM2.5化學(xué)組分中水溶性離子占比最高，平均值為49.52%；其次是OC、EC，占比分別為8.43%和4.89%；元素占比相對較低，其中K、Fe和Ca元素的占比分別為1.21%、1.20%、0.71%. 采暖季PM2.5和化學(xué)組分的濃度均高于非采暖季.

b)使用受體模型解析PM2.5的來源及其貢獻，發(fā)現(xiàn)觀測期間二次源的貢獻率為44.7%，燃煤源的貢獻率為23.6%，機動車排放源的貢獻率為11.0%，揚塵源的貢獻率為9.9%，生物質(zhì)燃燒的貢獻率為7.2%，工業(yè)源的貢獻率為3.6%. 新冠肺炎疫情一級響應(yīng)期間，天津市二次源的貢獻率同比增加19.2%，機動車排放源的貢獻率同比減少13.3%.

c)利用隨機森林-SHAP模型量化排放源、氣象條件、大氣氧化能力等驅(qū)動因素對PM2.5濃度的影響，結(jié)果表明，在觀測期間排放源對PM2.5濃度的影響程度為54.3%，高于其他驅(qū)動因素；氣象條件對PM2.5濃度的影響程度(32.4%)次之，其中相對濕度、大氣壓和通風系數(shù)等氣象條件對PM2.5濃度的影響程度分別為15.6%、13.5%和3.3%；大氣氧化能力對PM2.5濃度的影響程度為13.3%，其中光化學(xué)反應(yīng)系數(shù)和大氣氧化性對PM2.5濃度的影響程度分別為6.9%和6.4%. 在采暖季和非采暖季，各驅(qū)動因素對PM2.5濃度的重要性在排序上沒有差別，然而驅(qū)動因素對PM2.5濃度的影響程度有所不同.