加州理工学院王元研究员、清华大学环境学院张少君助理教授和加州理工学院John Seinfeld教授联合团队于近日在《美国科学院院刊》在线发表题为《从新冠疫情到未来电动化：利用机器学习方法评估交通对空气质量的影响》的研究论文，并联合构建机器学习模型，揭示城市交通对空气质量的动态影响。

        以往，研究交通排放与空气质量响应的方法主要依靠排放清单编制和大气化学传输模型进行计算，这种方法对排放清单分辨率和动态性要求较高，同时也受到清单和模型本身的不确定影响。

        联合团队基于洛杉矶地区2019年1月至2020年6月长达1年半的逐小时路网交通流、空气质量和气象观测数据，构建了时间序列土地利用随机森林模型。该模型以气象、交通和土地利用输入预测参数，模拟NO2、O3和PM2.5浓度表现优异，对上述三种污染物浓度的拟合R2达到0.88，0.86和0.65，同时对影响污染的气象和交通参数具有更佳解释度。

图注：随机森林模型对NO2、O3和PM2.5日均浓度的模拟效果和变量重要性排序

图注：疫情期间污染物浓度实际观测值与无疫情情景预测值对比(A)；整体交通和货车车队对污染物浓度削减贡献(B)

        机器学习方法不仅在模型灵活度和计算效率具有更明显的优势，同时也能直接构建排放源特征和污染物浓度的曲面响应关系。

图注：污染物浓度对货车与客车活动水平的曲面响应

        研究基于该机器学习模型不仅能进一步预测了未来气候变化和交通减排政策对空气质量的潜在影响，同时可为全面改善空气质量，制定相关减排政策提供可靠依据。