人为排放与德里人类空气污染动力学之间的因果关系

空气污染在快速城市化地区提出了重大的健康和环境挑战。德里-全国首都区域经历空气污染事件，源于人为排放与气象条件之间复杂的相互作用。理解关键污染物（如$PM_{2.5}$和地面$O_3$）的因果驱动因素对于开发有效的减排策略至关重要。本研究使用预测建模和因果推断技术探讨人为排放对$PM_{2.5}$和$O_3$浓度的因果影响。将整合2018年1月至2023年8月在32个监测站点获得的高分辨率空气质量数据，我们开发了预测回归模型，纳入气象变量（温度和相对湿度）、污染物浓度（$NO_2, SO_2, CO$）以及季节性谐波分量，以捕获日间和年度周期。我们表明，人为排放的减少导致$PM_{2.5}$水平显著下降，而其对$O_3$的影响则微小且在统计上无显著性。为解决空间异质性问题，我们采用高斯过程建模。进一步使用Granger因果分析和反事实模拟来建立直接因果联系。使用新冠疫情期间的实际数据验证表明，排放的减少导致$PM_{2.5}$大幅下降，但仅略微且无显著变化$O_3$。本研究的发现突显了针对减排政策的必要性，强调针对颗粒物和臭氧污染需要综合策略的要求。这些见解对于设计其他大城市空气污染干预措施的决策者至关重要，为通过数据驱动决策解决复杂城市空气污染问题提供了可扩展的方法。