论文标题：AI-Driven Analysis of Meteorological and Emission Characteristics Influencing Urban Smog: A Foundational Insight into Air Quality

论文链接：https://www.mdpi.com/2673-5628/6/1/10

期刊名： Gases

期刊主页：https://www.mdpi.com/journal/gases

一、引言

南亚区域性雾霾污染已成为制约城市生态安全、公共健康与可持续发展的核心环境问题。拉合尔作为南亚典型重污染城市，秋冬季雾霾频发，每年10—11月污染峰值时段PM_2.5浓度可达世界卫生组织（WHO）指导值的15–20倍，持续污染极易诱发呼吸道疾病、心血管病变及各类慢性病，显著提升人群过早死亡风险，同时跨境污染物传输进一步加重区域复合污染压力。目前多数雾霾研究多单独聚焦气象条件或单一排放源，缺乏气象场与多行业人为排放的耦合量化分析体系；传统统计模型难以刻画污染演化的非线性、高维交互特征，针对拉合尔地区本地化、可解释、高精度的空气质量智能预测框架仍较为匮乏。基于此，我们团队以拉合尔秋冬重污染窗口期为研究场景，构建双层机器学习分析体系，依托随机森林（RF）与极端梯度提升（XGBoost）模型，融合高精度气象时序数据与交通、工业、农业三大行业排放清单，同步实现空气质量指数（AQI）精准预测与多污染源溯源解析。研究采用时序3折交叉验证规避数据泄露问题，模型决定系数R²可达0.93~0.99，精准量化各因子对雾霾爆发的贡献权重，可为区域精准治污、数据驱动型环境政策制定提供理论支撑与技术参考，研究成果亦契合联合国SDG3（良好健康与福祉）与SDG11（可持续城市和社区）两大发展目标。

图1 烟雾形成过程示意图

二、实验与建模方案

本研究构建两阶段分析框架，完成数据标准化预处理、模型训练与时序验证，全部建模分析基于Python 3.10程序实现。

1. 数据来源与预处理：研究依托巴基斯坦旁遮普省城市局布设的10个空气质量监测站点，包含8个固定站点与2个移动监测站点，采集2024—2025年10—11月重污染时段逐小时监测数据，涵盖PM颗粒物、氮氧化物（NO_x）、一氧化碳（CO）、挥发性有机物（VOCs）四类核心污染物，以及温度、风速、湿度等气象参数。将逐小时数据聚合为城市日均数据，对占比低于5%的缺失值采用线性插值补齐。排放数据严格区分交通、工业、农业三大源头，统计各行业四类污染物的年度排放总量，构建多源耦合时序数据集。

2. 模型设置与验证策略：本研究采用两类经典树模型，随机森林（RF）设置100棵决策树，以均方误差作为节点分裂准则；XGBoost模型设置迭代次数100、学习率0.1、最大树深3。数据集按8:2时序划分训练集与测试集，摒弃传统随机拆分方式，采用时序3折交叉验证，严格保留时间序列先后顺序，彻底规避时序建模的数据泄露风险。模型评价指标统一采用均方根误差（RMSE）、决定系数（R²）与特征重要度，兼顾预测精度与因子归因解释性。

3. 双层分析框架：第一层耦合气象参数与全域总排放数据，实现城市AQI整体预测，量化气象条件与人为排放的综合影响；第二层开展分行业精细化建模，分别解析交通、工业、农业源污染物对雾霾的差异化贡献，同时完成模型不确定性定量评估。

三、核心实验结果与机理

1. 双机器学习模型预测精度优异，适配雾霾非线性演化特征

RF与XGBoost模型均表现出极强的拟合与预测能力，其中RF模型RMSE=3.3、R²=0.988，XGBoost模型RMSE=4.5、R²=0.987，可精准复现拉合尔秋冬季AQI的动态波动规律。特征重要度结果表明，两类模型均识别出交通排放是主导空气质量波动的核心因子；RF模型更侧重人为污染源的直接贡献，而XGBoost模型可有效捕捉气象因子与排放源的复杂非线性交互作用，对低温、静稳、逆温等不利扩散场景下的污染累积过程模拟效果更优。

2. 交通排放为城市雾霾绝对主导污染源，结构性污染特征显著

全域排放核算结果显示，交通源是拉合尔最核心的污染来源，年度排放量占城市总排放的90%，其中老旧两轮摩托车、机动三轮车为主要排放载体，尾气以PM颗粒物与CO为主；工业排放与农业排放占比均为4%，工业排放以NO_x为特征污染物，主要源于生产燃烧与锅炉工况；农业污染集中于秋冬秸秆露天焚烧，以PM与VOCs排放为主要特征。

3. 分行业模型泛化性稳定，时序验证更贴合真实污染场景

针对交通、工业、农业三大排放源构建的XGBoost细分模型表现稳健，各污染物预测R²稳定在0.97~0.99，RMSE区间为4.32~8.14。相较于传统随机拆分验证，时序交叉验证能够保留污染演化的时间关联性，有效提升模型在真实场景下的泛化能力与预测可靠性。

4. 静稳气象条件是雾霾爆发的关键催化诱因

秋冬季近地面逆温层、低风速、高湿度的静稳气象条件，会大幅抑制污染物垂直与水平扩散，促使近地面污染物持续累积。同时稳定大气环境为NO_x、VOCs二次反应提供温场，加速臭氧、硫酸盐与硝酸盐等二次污染物生成，与机动车一次排放叠加，最终诱发持续性、大范围重度雾霾污染。

图2 四种主要污染物类型（NOx、CO、VOC 和 PM）在各行业内的排放量（单位：吨）

四、针对性雾霾防控策略

结合AI量化溯源结果与污染形成机理，我们针对核心污染源头提出分层、精准的管控方案：

1. 交通源精准管控（核心治理方向）：推广电动车、CNG清洁能源车辆，严格落实机动车尾气年检制度；淘汰高污染老旧两冲程车辆；优化城市交通组织，增设公交专用道、推行错峰出行与单双号限行，有效降低怠速与低速行驶带来的高强度排放。

2. 工业源头减排改造：推动工业设备升级，普及低氮燃烧器、颗粒物除尘过滤装置；搭建企业排放在线监测体系，结合奖惩机制规范工业生产工况，严控NO?与颗粒物超标排放。

3. 农业与城市面源管控：严禁秸秆露天焚烧，推进农业废弃物资源化利用；常态化开展道路洒水、清扫抑尘，通过城市绿化建设优化局地扩散条件，缓解面源污染累积。

4. 公众健康风险防控：依托本研究AI预测模型搭建AQI实时预警体系，重污染天气引导公众佩戴防护口罩、启用室内净化设备，常态化开展大气污染健康科普，降低人群暴露风险。

五、研究局限与未来研究方向

本研究仅聚焦10—11月秋冬重污染典型时段，数据时间跨度有限、空间观测分辨率不足，模型跨区域迁移适用性仍有待验证。后续我们将从三方面深化研究：

1. 拓展全年多季节时序数据集，结合高分辨率网格化观测数据，揭示雾霾污染的时空差异化演化规律；

2. 引入SHAP可解释性分析与LSTM时序深度学习模型，进一步细化单一时段、单一污染源的边际贡献，提升模型机理解释能力；

3. 构建多情景污染仿真平台，量化限行、清洁能源替代、秸秆管控等不同治理措施的空气质量改善效能，为城市大气污染精细化管控提供数据支撑与决策依据。

期刊介绍

主编：Prof. Dr. Ben J. Anthony来自克兰菲尔德大学

Gases（ISSN: 2673-5628）是一个国际性、跨学科的气体科学与工程领域同行评审开放获取期刊。本刊涵盖天然气、气体排放、气态污染物、（温室）气体控制及气体传感器等领域的应用科学与工程进展。

2025 CiteScore：6.5

Time to First Decision：19.6 Days

Acceptance to Publication：6.9 Days