南信大杨洋ES&T: 机器学习预测排放/气候变化驱动的气溶胶变化

未来气溶胶的预测和了解气溶胶变化的驱动因素对于改善大气环境和减缓气候变化具有重要意义。第六次国际耦合模式比较计划（CMIP6）提供了各种气候预测，但气溶胶输出有限。

为此，南京信息工程大学杨洋教授等人基于机器学习方法预测了2015年至2100 年的未来近地表气溶胶浓度，分析了未来排放和气候变化对气溶胶变化的影响。具体而言，作者使用随机森林（RF）模型来预测全球气溶胶浓度，以全球大气化学传输模型（GEOS-Chem）中的结果进行训练。通过检查特征重要性分数，作者发现排放是RF模型最重要的特征，土地覆盖对模型的贡献为10%且与气溶胶浓度呈负相关，其他因素的贡献小于10%。

此外，RF模型在全球大部分地区表现良好，在大约80%的陆地区域中R²大于0.85，尤其是在东亚、南亚、欧洲和北美等关键区域。然而模型在估算北美和亚洲高纬度地区的气溶胶时存在较大偏差，主要与中纬度地区的污染物迁移或当地燃烧排放有关。

图1. RF模型估计的历史PM 2.5浓度性能统计的空间分布

接下来，作者使用RF模型基于CMIP6多模型模拟数据在考虑所有重要因素的条件下创造性地预测未来的气溶胶浓度。结果表明，在低排放情景（SSP1-2.6和SSP2-4.5）下，与2020年（2015~2024年的平均值）相比，预计2095年（2091~2100年平均值）东亚PM2.5浓度将下降40%，南亚下降20~35%，欧洲和北美下降15~25%，这主要是由于预期的减排措施造成的。

若仅受气候变化驱动，在高强制情景下（SSP5-8.5），中国北部和美国西部的PM2.5浓度将增加10~25%，中国南部、南亚和欧洲将减少0~25%，这说明全球气候变暖对气溶胶的调节作用更强，凸显了气候变化在调节未来空气质量方面的重要性。在未来的研究中，为了更好地预测特定区域的未来空气质量，更需要局部排放数据集。

图2. 不同情景下2020~2095年区域气溶胶浓度的百分比和绝对变化

Projected Aerosol Changes Driven by Emissions and Climate Change Using a Machine Learning Method, Environmental Science & Technology 2022. DOI: 10.1021/acs.est.1c04380

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/b00f494364/

南信大杨洋ES&T: 机器学习预测排放/气候变化驱动的气溶胶变化

相关推荐