加州理工學院王元研究員、清華大學環境學院張少君助理教授和加州理工學院John Seinfeld教授聯合團隊於近日在《美國科學院院刊》在線發表題為《從新冠疫情到未來電動化：利用機器學習方法評估交通對空氣質素的影響》的研究論文，並聯合構建機器學習模型，揭示城市交通對空氣質素的動態影響。

        以往，研究交通排放與空氣質素響應的方法主要依靠排放清單編制和大氣化學傳輸模型進行計算，這種方法對排放清單解像度和動態性要求較高，同時也受到清單和模型本身的不確定影響。

        聯合團隊基於洛杉磯地區2019年1月至2020年6月長達1年半的逐小時路網交通流、空氣質素和氣象觀測數據，構建了時間序列土地利用隨機森林模型。該模型以氣象、交通和土地利用輸入預測參數，模擬NO2、O3和PM2.5濃度表現優異，對上述三種污染物濃度的擬合R2達到0.88，0.86和0.65，同時對影響污染的氣象和交通參數具有更佳解釋度。

圖註：隨機森林模型對NO2、O3和PM2.5日均濃度的模擬效果和變量重要性排序

圖註：疫情期間污染物濃度實際觀測值與無疫情情景預測值對比(A)；整體交通和貨車車隊對污染物濃度削減貢獻(B)

        機器學習方法不僅在模型靈活度和計算效率具有更明顯的優勢，同時也能直接構建排放源特徵和污染物濃度的曲面響應關係。

圖註：污染物濃度對貨車與客車活動水平的曲面響應

        研究基於該機器學習模型不僅能進一步預測了未來氣候變化和交通減排政策對空氣質素的潛在影響，同時可為全面改善空氣質素，制定相關減排政策提供可靠依據。