本期嘉宾：中国气候科学研究院研究员 张养梅

采访人：本报记者 王玫珏

本期观点：

污染物浓度的变化主要受到排放和气候条件两个因素的影响。在评估减排措施的效果时，需要排除气候条件的影响，以保证评价结果的客观性。

通过应用机器学习技术，并结合大量观测数据，可以科学、定量地评估减排措施对空气质量的改善效果。研究发现，减排措施对不同污染物的改善效果有所差异，其中二氧化硫和硫酸盐浓度的降低效果尤为显著。然而，硝酸盐和有机气溶胶的污染问题仍需重点关注。

近年来，随着一系列污染防控措施的实施，空气质量得到了显著改善。气候条件对空气质量的影响复杂多样，包括环境温度、气压、相对湿度、风向和风速等因素。这些因素既可能有助于改善空气质量，也可能不利于污染物的扩散。

气候条件在污染物扩散中的角色

气候条件对空气质量的影响具有两面性。例如，来自干燥寒冷地区的气团，配合较高的风速和较低的相对湿度，通常有利于污染物的扩散。反之，低风速和高湿度的条件容易形成静稳天气，不利于污染物扩散。

“气候条件对不同污染物的影响十分复杂，需要从物理、化学和光学特性等多个角度进行解释。”张养梅解释道。例如，环境温度、太阳辐射强度和相对湿度等气候条件对具有反应活性的污染物，特别是二次产物（如臭氧和气溶胶）的影响更为显著。

在风速较小、大气氧化性强、气团干燥寒冷的情况下，二氧化硫、氮氧化物和挥发性有机物等不稳定气态污染物会加速转化为颗粒态污染物。同时，具有吸湿特性的大气颗粒物还会通过吸湿增长和碰撞增长等方式加速“膨胀”，并为更多的气态污染物向颗粒物的转化提供反应表面，从而导致空气质量恶化。

机器学习技术在评价污染物浓度中的应用

污染物浓度的高低通常由实际观测的数据反映。由于污染物浓度的变化主要受到排放和气候条件的影响，在评估减排措施的效果时，必须排除气候条件的影响，否则将影响评价结果的客观性。

气候条件对空气质量的影响复杂多变，涉及众多参数，因此去除气候条件的影响并非易事。尤其是在评估气候条件对二次产物转化作用的过程中，难度更大。

张养梅的研究团队利用机器学习技术，在解决这一难题方面取得了一些进展。机器学习技术的应用需要大量的数据支持。自2006年以来，张养梅及其科研团队致力于我国不同区域亚微米气溶胶特性的观测实验，积累了大量宝贵的科学数据。

为了充分利用这些数据的价值，张养梅引入了机器学习技术。“我们将大量的气候条件数据和空气质量数据输入模型，让机器模型通过各种方法进行比较和归纳，建立各个参数之间的关系。然后将实际观测的污染物浓度归一化到具有代表性的平均气候条件下，在相同的条件下计算出不同的污染物浓度，从而达到去除气候条件影响的目的。”张养梅说道。简而言之，就是让机器通过不断学习，掌握气候条件与污染物浓度之间的复杂规律，再应用这一规律去除气候条件的影响。

机器学习技术在科学研究中的潜力

定量评价减排措施对空气质量改善的效果是一项复杂的科学任务，也是大气环境保护领域的一项挑战。

借助机器学习技术，张养梅团队能够定量评估减排措施对空气质量的改善效果。这项研究揭示了我们所观察到的空气质量改善在多大程度上与减排措施相关，以及具体哪些污染物得到了有效控制。

研究结果表明，《大气污染防治行动计划》（简称《大气十条》）实施以来，大气污染防治总体效果良好。数据显示，近年来多项大气污染物浓度显著下降，全国环境空气质量整体改善。特别是在2017年后，减排措施带来的效果尤为明显。

值得注意的是，减排措施对不同污染物的影响存在差异，其中二氧化硫和硫酸盐浓度的降低效果最为显著。然而，氮氧化物、硝酸盐、铵盐和有机气溶胶的浓度仍有较大的下降空间，将是未来污染防控的重点和挑战。

谈及未来机器学习技术的应用前景，张养梅充满期待：“机器学习技术可以在更多科学研究中发挥作用，如提高天气预报和雾霾预报的准确性，以及在短临天气预警、环境管理和智慧城市规划等领域大展身手。”