机制粒化范式：地表复合臭氧和热量（SCOH）潜在风险的时空机制
机制粒化范式：地表复合臭氧和热量（SCOH）潜在风险的时空机制
基本信息
标题
The spatiotemporal mechanism of surface compound ozone and heat (SCOH) potential risk across urban China
中国城市地表复合臭氧和热量（SCOH）潜在风险的时空机制
在线时间
2025-08-11
作者
Yufeng Chi (池毓锋), Kai Wang (汪凯), Yin Ren (任引), Hong Ye (叶红)
单位
三明学院，上海交通大学，中国科学院城市环境研究所
期刊
Ecological Indicators (中科院1区)
DOI
10.1016/j.ecolind.2025.114018
摘要
与孤立的极端高温或臭氧事件相比，大规模表面化合物臭氧和高温（SCOH）的协同效应对人口暴露和环境安全构成了更广泛和持久的风险。因此，量化SCOH在城市地区的时空机制和扩散率对于缓解风险至关重要。本研究整合了名为“多重空气污染物数据集”（MuAP）的空气污染物时空数据集和地表热量数据集，绘制了地表臭氧和热量之间1公里尺度的时间延迟相关性。结合BayesConvLightGBM和SHapley Additive exPlanations（SHAP），通过场景分析和扩散潜力分析，研究了建筑/雨棚高度和道路长度等城市因素对主要城市SCOH的定量影响。结果表明，SCOH具有显著的时空分布特征。基于更有效的SCOH时空响应BayesConvLightGBM建模（BayesConvLightGBM的R2比LightGBM高0.03-0.07），我们发现建筑物、道路和树木有能力在城市、地方或全球范围内显著影响SCOH。同时，更紧凑的城市规划将有助于降低SCOH的复杂风险。即便如此，在30天的延迟期内，了解SCOH在4公里或更远范围内暴露于人群的风险仍然很重要。本研究深化了城市基础设施与SCOH传播之间非线性相互作用的量化，加深了对地表化合物臭氧和热量的理解，并使用优化的机器学习加强了关键要素和量化方法。这对解释SCOH的时空响应具有重要意义，并为化合物暴露的研究提供了重要参考。
引用格式
Chi Y, Wang K, Ren Y, Ye H. The spatiotemporal mechanism of surface compound ozone and heat (SCOH) potential risk across urban China. Ecological Indicators 2025, 178: 114018.
导读
研究主题：
探讨中国城市地表臭氧与热复合效应（Surface Compound Ozone and Heat, SCOH）的时空机制、潜在风险及驱动因素。
核心问题：
SCOH的时空分布特征：复合污染如何随时间和空间变化？
城市因素的定量影响：建筑、道路、植被等如何局部或全局影响SCOH？
SCOH的时空扩散范围：复合污染的影响距离和时间滞后性如何？
研究意义：
SCOH比单一极端事件（如高温或臭氧污染）对人口健康（心血管/呼吸疾病）和环境影响更持久、广泛。
为城市规划（如建筑密度、绿植布局）和污染防控提供科学依据。
引言：研究现状与科学缺口
1. SCOH的严重性与复杂性
健康风险：城市化加剧臭氧前体物（NOx、VOCs）排放和热岛效应，导致SCOH协同恶化，显著提升人群疾病风险（如热射病）。
相互作用机制：地表热量通过光化学反应促进臭氧生成，而臭氧又加剧热量滞留，形成正反馈循环。
2. 现有研究的三大缺口
缺口类型具体问题
机制孤立性多数研究仅关注单一污染物（臭氧或热），缺乏复合效应分析。
数据局限性依赖站点监测数据，空间不连续（如西南地区出现正负相关性矛盾）、易受灾害干扰（如野火导致数据缺失）。
方法瓶颈传统线性模型（如地理探测器）难以捕捉极端值和多因素非线性交互作用。
3. 本研究解决方案
数据创新：融合1km分辨率栅格数据集：
地表臭氧（MuAP数据集）
地表温度（MODIS重建数据集）
城市参数（建筑高度BH、冠层高度CH、道路长度RL）
方法创新：时滞相关性分析：量化臭氧与热在不同滞后时间（0/7/14/22/30天）的动态关系。
机器学习模型：开发BayesConvLightGBM，耦合贝叶斯先验与卷积参数交互模块，提升时空建模精度。
可解释性工具：采用SHAP（SHapley Additive exPlanations）解析城市因素对SCOH的定量贡献。
关键创新方法
1. 数据整合与预处理
研究区域：中国全域城市（定义为BH、CH、RL三要素交汇区，共132,686个1km像素点）。
关键数据集：
数据集 | 分辨率 | 来源 | 用途 |
|---|---|---|---|
地表臭氧（MuAP） | 1km/日 | Chi et al. (2023) | SCOH时滞相关性计算 |
地表温度 | 1km/日 | Zhang et al. (2021) | |
建筑高度（BH） | 10m | Wu et al. (2023b) | 城市界定与驱动因子分析 |
冠层高度（CH） | 10m | Lang et al. (2023) | |
道路长度（RL） | 矢量 | OpenStreetMap |
预处理：统一投影坐标系（WGS84），基于臭氧数据栅格重采样。
2. 核心技术方法
(1) SCOH量化：时滞相关性分析
d：滞后天数（0, 7, 14, 22, 30天），反映臭氧生成对热量的滞后响应。
(2) 空间机制建模：BayesConvLightGBM
创新点：
Conv-Parameter：解决传统LightGBM对空间自相关数据建模的局限性，显式提取多因素空间交互特征。
贝叶斯优化：引入先验知识约束参数空间，提升模型泛化能力。
性能优势：对比传统LightGBM，R²提升0.03–0.07，显著优化极端值拟合。
(3) 机制解析：SHAP值分析
量化各因素（如BH、CH、RL）对SCOH的局部/全局贡献度。
识别关键因素的非线性阈值效应（如植被覆盖率的临界值）。
关键结果
1. SCOH时空分布特征
空间分异：高值区：华北平原、长三角城市群（SCOH > 0.6），工业化与高密度建成区主导。负相关区：西南部分城市（SCOH < 0），可能与特殊地形（如盆地逆温）和植被覆盖有关。
时间滞后性：臭氧对热量的响应峰值出现在滞后14–22天，30天内风险持续存在（SCOH > 0.4）。
2.城市因素的定量影响（SHAP解析）
驱动因子 | 影响方向 | 关键发现 |
|---|---|---|
建筑高度（BH） | 正贡献 | 高层建筑密集区SCOH风险↑（热滞留+通风受阻） |
道路长度（RL） | 正贡献 | 路网密度每增10%，SCOH风险↑3–8%（尾气排放） |
冠层高度（CH） | 负贡献 | 乔木覆盖率>30%时SCOH风险↓10–15%（遮荫降温） |
全局交互：紧凑型城市规划（如降低BH、提升CH）可降低SCOH风险。
3. SCOH的扩散范围与风险预警
空间扩散：城市核心区SCOH影响可辐射≥4 km（如工业区对周边居住区的跨尺度影响）。
时间持续性：30天滞后期内，人口暴露风险持续高企（SCOH > 0.5），需建立跨周预警机制。
部分图表
腾讯云开发者
