一种基于机器学习的替代 EKMA 框架用于诊断城市臭氧生成机制：来自洛杉矶的证据
应用统计
2026-01-21 v1
摘要
地表臭氧污染仍然是全球许多大都市区面临的持续挑战，因为臭氧生成对氮氧化物和挥发性有机物（VOCs）的非线性依赖使得设计有效的排放控制策略变得复杂。虽然化学传输模型提供了机理上的见解，但它们依赖于详细的排放清单且计算成本高昂。本研究开发了一个受经验动力学建模方法（EKMA）启发的、基于机器学习的替代框架。利用 2024--2025 年洛杉矶的逐小时空气质量观测数据，训练了一个随机森林模型，以基于前体物测量和时空特征（包括站点位置和循环时间编码）来预测地表臭氧浓度。该模型取得了强大的预测性能，排列重要性突显了日间时间特征和二氧化氮的主导作用，以及一氧化碳的额外贡献。基于训练好的替代模型，通过扰动前体物浓度同时保持其他协变量不变，进行了 EKMA 风格的敏感性实验。结果表明，在研究期间，洛杉矶的臭氧生成主要受 VOCs 限制。总体而言，所提出的框架为数据丰富的城市环境中的臭氧机制诊断提供了一种高效且可解释的方法。
引用
@article{arxiv.2601.12321,
title = {A Machine Learning--Based Surrogate EKMA Framework for Diagnosing Urban Ozone Formation Regimes: Evidence from Los Angeles},
author = {Sijie Zheng},
journal= {arXiv preprint arXiv:2601.12321},
year = {2026}
}
备注
Preprint. Under review