【《污染物扩散模型研究的文献综述》9700字】

污染物扩散模型研究的文献综述鉴于空气污染愈演愈烈的趋势以及对人体健康、环境的巨大影响，关于空气污染的探究逐渐引起了国内外学者的广泛关注，大量的方法被引入来识别空气污染的变化规律，旨在帮助确定空气污染时空分布特征，为科学缓解空气污染做出了巨大贡献。梳理当前针对空气污染的研究中采用的方法，可大致归纳总结为实地测量、数值模拟以及统计模型这三类[118-123]，它们为相关的研究提供了有效的工具以厘清空气污染的客观规律。表1-3空气污染研究方法总结研究方法代表类型适用性实地测量固定点测量、移动测量水平测量、垂直测量航空测量、无人机测量等可以提供空气污染的直观反映，但是受限于实验条件或者实施成本以及安全性的考虑，一般在微观层面的典型污染热点分析中被广泛使用。数值模拟计算流体力学模型WRF-Chem模型可以有效弥补实地测量的不足，为空气污染分布的机理性探究提供了有效手段，但是数值模拟的计算成本较高，且需要详尽的输入数据如气象、地形、边界层条件等。统计模型多元线性回归广义加性模型决策树模型随机森林模型深度学习模型便于实施，可以揭示变量之间复杂的统计学关系，尤其关于非线性、交互关系的建模可以帮助探究多因素之间的耦合作用，但是复杂的模型往往需要耗费巨大的计算性能，而且无法提供对于影响因素的内在机理比如物理过程或者化学过程分析。1、实地测量对于空气污染的实地监测能够为相关报道提供最直接的数据支撑，往往也是空气污染最真实的体现，大量研究通过实地测量探究了真实场景下空气污染的分布规律，做出了许多卓有成效的工作，对于后续研究具有重要借鉴意义。实地测量按采样点的设置方式可以分为固定点测量与移动测量。就固定点监测而言，它能够提供长时间的连续观测样本，有助于探究特定场景或者典型污染热点的变化机理。Zhou等[124]在上海市翔殷隧道开展了一项外场实验，通过测量隧道内外CO、NO、NO2与NOx浓度来评估车辆引起的空气污染状况，发现了白天隧道内污染物浓度较高，这与隧道内交通状况密切相关，另外，在慢风的条件下，风的影响要比污染源的影响小得多。蒲一超[125]选取了一条城市次干道进行固定点观测，利用高精度便携式监测仪收集了污染物浓度数据，与同步记录的交通量进行相关性分析，发现了两者的5分钟平均值之间具有显著相关性。在广州，李龙凤等[126]对街道的PM2.5与PM10进行监测，探究了这两种颗粒物的季节与日变化特征，同时发现了细颗粒物在可吸入颗粒物中的高占比。关于定点观测的报道在其他很多研究中也经常可以被发现[127-129]。关于移动测量，它可以有效弥补由于城市空气污染监测站点稀疏布局造成的低时空分辨率的缺陷[130]，帮助研究空气污染分布的异质性以及精细化的时空变化。在印度开展的一项研究，演示了利用低成本的传感器对空气污染进行移动监测的可行性，发现了空气污染在城市背景点、繁忙道路以及海滩道路的巨大差异以及时间变化特征[131]。Zwack等[132]对交通相关的颗粒污染物进行了连续的移动监测，以评估曼哈顿一处街道峡谷中交通对污染物浓度的贡献。Deshmukh等[133]使用移动监测来刻画空气污染物的空间变异性和梯度，以识别复杂城市环境中多种来源对社区空气质量的贡献。移动监测也在其他的研究中被当作是研究空气污染的有效手段而得到广泛应用[134-136]。但是采用移动测量时，突如其来的机动车造成的瞬时排放会导致收集到的样本中异常高值的出现，对于这些异常高值需要审慎地处理，以避免遮蔽其他典型污染源的作用[137]。王占永等[138]利用自行车监测平台在上海市开展了颗粒物、黑碳以及一氧化碳的移动测量，详细验证了包括异常值剔除、背景浓度估算、时空尺度选择在内的几种典型数据预处理方法，对移动测量数据质控做出了有效的尝试。此外，根据观测的剖面形式的不同，实地测量又可以分为垂直测量与水平测量。Lu等[139]在高架桥边的一栋建筑物的不同楼层对交通排放进行了垂直测量，分析了城市居民区高架路附近交通排放污染物的时间和垂直分布模式。结果表明，PM1、CO和BC的垂直剖面都显示出双峰分布模式，较大的峰值出现在噪声屏障的上方，主要归因于高架路上额外的车辆排放。由于高架道路的存在抑制了地面车辆排放的扩散，另一个峰值出现在地面上。Sun等[140]将四台SO2分析仪分别放置在一座325米高的气象观测塔的4个不同高度上，来研究在极端污染事件发生期间北京的SO2垂直分布，发现了SO2浓度随海拔升高而增加，并在50m左右达到最大值。在波士顿[141]、洛杉矶[142]等地也有研究人员通过垂直测量探究空气污染的垂直分布。水平测量经常被用来研究污染物的距离衰减规律，例如，在北卡罗来纳州开展的一项实验中，Hagler等[143]在垂直道路方向的5个距离处设置了采样点同步收集超细颗粒物的浓度，来探究其顺风衰减特征。Sharma等[144]在距高速路不同距离处测量了颗粒物与气态污染物的浓度，分析了它们在0–500m的水平分布模式。最近几年，随着观测技术的不断进步，各种新兴科技不断涌现，并被应用到空气污染的测量当中，对于揭示空气污染变化规律起到了巨大推动作用。例如，苏红梅[145]结合航空测量开展了多层次立体的外场实验，成功捕捉到了空气污染的垂直分布规律。王东生等[146]搭建了无人机大气污染监测平台，研究了1000m范围内大气边界层中PM2.5的垂直廓线。Zheng等[147]、Peng等[148]、Li等[149]也已经应用无人机监测平台开展了大量前瞻性的研究，这些研究充分表明借助无人机强大的灵活性可以提供一定范围内污染物水平、垂直分布的细致刻画。2、数值模拟虽然实地测量能够获取关于空气污染的第一手资料，但是在某些场景下出于安全、经济考虑或由于技术手段所限，并不适用于进行实地测量。另外在一些时候，研究人员仅仅希望就特定的参数采用不同的配置做对照，这时研究区域的选取将会成为一个耗时的难题。而通过建立数值模拟模型来仿真大气扩散过程，可以计算由空间排放源产生的污染物浓度，进一步地，在这一过程中，包括交通和其他来源所排放的污染物所发生的化学反应也可以被有效模拟[150]。因而，数值模拟已经在空气污染相关研究中被广泛使用，包括评估物理过程的影响、环境预报、不确定污染源的逆向建模等[151]。（1）中微观层面在中微观层面，CFD（computationalfluiddynamics，计算流体力学）模型ENVI-MET模型被广泛用来模拟城市区域和街道峡谷的空气污染[152]，其中CFD通过求解Navier–Stokes方程提供了基于质量和动量守恒的复杂流体分析[153]。与高斯扩散模型不同，它可以解释各种气象条件、污染物源的详细特征、化学反应以及复杂障碍物的存在造成的影响[154]。但是CFD模型的应用范围有较大局限，当扩展到大规模模拟时会消耗大量的计算时间[155]。Bari等[156]使用CFD模型模拟了在严重拥堵的情况下墨尔本市连接隧道内的气流模式以及车辆排放造成的污染水平。通过求解关于速度、压力、温度与排放质量分数的时间平均方程，对比了通气风扇正常转动以及发生故障下隧道内O2、CO2与CO浓度。路边噪声屏障被认为对道路沿线交通排放的扩散产生重要影响，Hagler等[157]开发出了一个3维CFD模型，以模拟在一条6车道道路场景下路障对近路空气质量的影响，并评估关键变量（如路障高度和风向）的影响。当风向垂直于道路时，CFD模型仿真表明，相对于无障碍情况，路障会降低惰性气体示踪剂的浓度。在距离道路20m的地方，相对于无障碍情况，高度从3m到18m的障碍物会将污染物最大浓度降低15–61％，并且污染物浓度最大值出现的位置转移到障碍物顶部附近。但是与此同时，伴随着近道路污染的减少，道路上的污染却会增加1.1-2.3倍。这些结果暗示路边的障碍物可以减轻近道路的空气污染，尽管当地的气象、障碍物的结构和背侧排放源的强度是决定结果的关键因素。为了进一步了解道路附近的污染物扩散，HuertasCardozo等[158]构建了CFD模型，以模拟道路排放的颗粒和气相污染物的扩散，同时测量了道路顺风处的车辆流量、气象参数和24小时平均颗粒物浓度。TSP浓度的月平均值和日平均值的数值结果与实验测量值展现了高度的相关性（R2>0.94）。此外还发现了污染物浓度相对于到道路边缘的距离的关系会收敛为一条曲线，而在道路边缘处污染物浓度的垂直剖面呈现出了指数函数分布。粒径分布符合Rosin-Rammler函数，平均直径为7μm左右。Amorim等[159]建立CFD模型评估了树木的空气动力学效应对空气污染扩散的影响，发现了当风向与街道近乎平行时，由于街道峡谷增强的通风与扩散能力，使得整个区域的CO浓度下降了16%，确认了气象条件、街道峡谷的三维配置以及植被之间的协同作用在很大程度上决定了当地空气质量。Murena等[160]应用CFD模型对意大利那不勒斯的一个深街道峡谷（纵横比即建筑物高度与街道宽度的比为5.7）进行了流场和浓度场的数值模拟，来探究CFD模型在模拟深街道峡谷污染物扩散时的适用性。将模型模拟获得的浓度场与在峡谷内两个垂直位置测得的CO浓度数据进行对比，发现CFD结果与实验数据非常吻合。同时，研究人员还运行了扩散模型WinOSPM作为对比，WinOSPM的结果与实测数据相差甚远。进一步探究发现CFD和OSPM模型在模拟的峡谷内风廓线上存在较大差异，当在WinOSPM中引入了对峡谷内风廓线的修改，模型数据与实验数据之间的一致性得到改善，显示了CFD模型在标定校准其他烟羽扩散模型上的巨大潜力。此外，CFD数值模拟方法还在室内空气污染特征分析[161]、交通相关污染热点研究[162]中被报道。尽管CFD模型得到了广泛使用，具有一系列优点，但是当其应用在复杂地形与稳定分层中局部规模空气污染模拟时仍有待优化，比如针对稳定分层的边界层在空气污染模拟时考虑湍流闭合以改进k−ε模型[163]。1998年，Bruse和Fleer基于热力学原理和流体力学的基本原理设计了一款名为Envi-met的流体力学模拟软件。该软件的基本原理是通过模拟中、小型城市尺度三维空间内地面、建筑、植被与大气之间的相互作用，实现同时模拟空气温度、湿度、风环境及污染物扩散等内容，并最终输出建筑参数、大气参数、植物参数、土壤参数、室外热环境相关指标等7类核心数据。可用于分析不同城市设计和规划情景下的风向、空气温度以及污染物的释放、扩散和沉积,是专门为城市微气候开发的[164-166]。翁佳烽等以广州市珠海区中山大学小区为仿真区域，借助三维尺度微气象模拟软件ENVI-MTET，通过在模型中引入交通排放源，模拟分析了城市尺度下夏、冬季节的水平和垂直流程变化特征以及交通排放污染物一氧化碳（CO）的扩散分布规律，研究发现ENVI-MTET模型适用于模拟城市街区尺度近地面交通排放污染物的扩散分布特征。岳小智等[167]将虚拟条件下的南京典型住宅小区作为研究区域，建立ENVI-met模型，基于一致的建筑指标和绿化指标，系统评价了不同绿地布局模式下的夏季微气候。Gusson等[164]介绍了在亚热带圣保罗地区进行了Envi-met校准。结合土地利用数据和实地实验，在圣保罗两个人口最密集的地区进行了微气候测量，同时收集了建筑密度和建筑类型数据。然后利用Envi-met模型，将现场测量结果与计算机模拟结果进行了比较。模型对两个研究区气温的实测数据和模拟数据的结果非常相似，RMSE值在1.6~1.9℃之间，MAE在1.4~1.8℃之间，一致指数在0.85~0.92之间。祝玲玲[168]通过Envi-met软件模拟PM2.5浓度在合肥市居住区不同空间形态的差异变化，提出改善该区域PM2.5浓度的意见建议，并且从居住区空间形态优化的角度针对性提出有助于改善城市居住区空气环境质量的措施。ENVI-MTET相较于FLUENT在微观尺度（街道峡谷等）下数值模拟的高精确度，更适合针对城市中小尺度空气流动和微气候特征进行数值仿真，尤其适用于城市环境中下垫面-植被-大气相互作用的三维中中小尺度的气候模拟。（2）宏观层面在宏观层面，WRF-Chem（WeatherResearchandForecastingModelwithChemistry）数值模型吸引了国内外众多专家学者的注意力。WRF-Chem是耦合了化学模式的天气研究和预报模型，模型的化学与气象过程使用相同的垂直与水平坐标系，相同的物理参数化方案，不需要时间上的插值[169]。该模型同时模拟了痕量气体和气溶胶的排放、输送、混合和化学转化，经常用于探究区域尺度的空气质量。WRF提供了多种物理选项，可以以任何方式进行组合，以覆盖从简单高效到复杂精细各个层次的模拟需求。Zhang等[170]通过使用中尺度大气化学输送模型WRF-Chem进行数值模拟，分析了成都市重度污染事件中污染物输送的来源与特征，发现了邻近区域秸秆焚烧产生的污染物的输送以及成都较差的污染物扩散条件，共同导致了重度空气污染事件的发生。Wang等[171]采用在线耦合的气象-空气质量模型WRF-Chem，以36和12km的网格分辨率模拟了东亚和中国北方的污染事件，同时检查了模型预测对各种物理方案的敏感性。结果表明，所有模拟在不同温度、风速、风向和湿度配置下表现相似，但在不同降水条件下的预测存在较大差异。PM2.5、PM10、SO2与NO2的浓度会被高估，部分原因是因为1999年版州级空气污染研究中心（SAPRC-99）机制的化学-气溶胶选项缺乏湿清除。使用Gorddard短波和RRTM长波辐射方案、PurdueLin微物理方案、Kain-Fritsch积云方案以及对水蒸气混合比1×10-5的张弛系数进行数值模拟可以得到最佳性能。此外还发现，在中国北方，PM2.5浓度对NOx和SO2排放最敏感，而在南方PM2.5对NOx和NH3排放最敏感。NOx排放量减少30％可能导致中国北方地区PM2.5浓度增加，VOC排放量的减少将导致中国东部PM2.5浓度降低。He等[172]应用WRF-Chem模型分析了北京地区严重雾霾事件的成因和变异性，研究了本地排放和区域周围排放对浓雾形成的单独影响。结果表明，本地排放（仅来自北京地区的排放）是造成重雾霾事件的主要原因。仅本地排放造成的PM2.5浓度峰值为350μg/kg，贡献了测得的峰值的78％。在没有本地排放的排放下，PM2.5浓度的计算峰值急剧降低到100μg/kg。在关于亚马逊雨林的一项研究中，WRF-Chem被用来评估移动源、固定源以及生物源对CO、NOx、SO2、O3、PM2.5、PM10和VOC的贡献[173]。除了CO外，固定源是其他所有空气污染物的最重要来源，而移动源则对CO污染起到了主导作用。在未来当人为源增加一倍时，根据污染物的不同，平均浓度将增加3％至62％，峰值浓度增加45％至109％。此外，城市空气污染烟羽的远距离输送也被捕捉到。周国兵[174]采用WRF-Chem数值模式研究了在雾天、晴天与阴天等天气状况下，重庆市主城区大气边界层对污染物时空分布模式的影响，并对比了不同的边界层参数化方法的模拟效果。为了探究上海地区2013年1月爆发的持续重污染事件的成因，常炉予等[175]采用WRF-Chem得出了周边区域输送对上海本次重度污染的贡献率为23%，而在弱气压场控制阶段（静稳阶段）与弱冷空气扩散控制阶段（输送阶段）区域输送的平均贡献率分别为17.2%与32.2%，显示出了不同天气条件下周围污染源影响的巨大差异性。还有其他的一些学者对珠三角地区的大气污染物开展了数值模拟研究，探究了空气污染分布特性[176,177]。3、统计模型数值模拟可以从机理性角度探究空气污染的形成以及演变，但是需要详尽的输入数据如排放源强、气象状况、大气边界层条件等，并且无法描述污染物浓度与其他因素之间的显著性关系，在量化影响因素的作用方向与作用程度上也存在较大难度。因而，越来越多的研究构建统计学模型来探究各种影响因素与空气污染变化之间的联系[178-180]。（1）线性模型Rosenlund等[181]建立了土地利用回归模型，通过单变量线性回归和基于每个变量重要性的多元线性回归模型，评估了罗马68个地点的每个土地利用变量与NO2浓度之间的关联。结果表明，最重要的预测变量是环形交通区、距繁忙街道的距离、普查街区的大小、人口密度的逆和海拔高度，包含这些变量的多元回归模型的R2为0.686，而当引入苯的排放项后R2为0.690。显然，土地利用回归模型可以合理准确地解释与交通有关的空气污染水平，但是添加排放数据并不能显着改善模型。Dominick等[182]建立多元线性回归模型评估了每种污染物对空气污染的贡献，发现造成空气污染物指数变化的主要污染物是PM10，而CO促成了高浓度PM10的出现，这是燃烧过程引起的，尤其是来自机动车化石燃料的消耗，此外，包括温度、风速、湿度在内的气象因素也被认为影响了PM10浓度。李颖若等[183]获取了APEC会议期间北京朝阳监测站的污染物浓度以及气象数据，对污染物浓度与气象条件以及管控措施进行了多元线性回归分析，量化了控制措施与气象条件对不同污染物的影响程度，得出对于SO2与氮氧化物浓度的下降，控制措施发挥了主导作用。在深圳[184]、土耳其特拉布宗[185]等地也报道了类似的研究。表1-4相关文献研究总结：研究案例，监测点，模型变量，缓冲区，以及R2作者研究案例监测点数量因变量自变量缓冲区大小R2显著变量Briggsetal.(2000)[186]哈德斯菲尔德，谢菲尔德，北安普敦（英国）20,28以及35个NO2道路交通，城市用地，地势形态（海拔）300米0.58至0.76道路长度，密度，住房，海拔Rossetal.(2007)[98]纽约市（美国）28-49个PM2.5交通，用地，人口50,100,300,500及1000米0.607至0.642300及500米缓冲半径内交通，人口密度，工业用地，绿植用地Suetal.(2008)[187]温哥华大都市区（加拿大）116个NO/NO2道路，交通，气象因素（风速，风向，云量/日晒）3000米0.53至0.60道路，交通，气象因素（风速，风向，云量/日晒）Mavkoetal.(2008)[188]波特兰（美国）77个NO2交通，用地，海拔，距离平均海平面的垂直距离，与河流的距离，风向50,100,250,300,350,400,500,750米0.66至0.81250米缓冲半径内主干道，500米缓冲半径内工业用地，100米缓冲半径内支路，100米缓冲半径内主路交通流，100米缓冲半径内公园Riveraetal.(2012)[189]希罗纳（西班牙）25个超细颗粒物(UFP)24小时内重型和轻型机动车流量，24小时内总体交通流量负荷，主要干道长度，建筑密度，与公交线、主干路、十字路口的距离，土地覆盖类型25,50,100,150,300,500及1000米0.36至0.7224小时内重型和轻型机动车流量，1000米缓冲半径内高密度住宅用地面积，与十字路口和两条主路距离，100米缓冲半径内住户密度Donsetal.(2013)[190]佛兰德斯（比利时）63个交通污染物黑碳每小时车流状况，每日交通量，道路总长度，人口密度和住址密度，用地50,100,1000米0.44至0.77总道路长度，100米缓冲半径内交通拥堵，与最近道路的距离Leeetal.(2014)[191]台北（中国台湾）40个NOx及NO2用地，人口数和户数，道路长度，海拔，与道路和港口距离25,25–50,及50–500米0.63至0.8125米、25至50米、50-500米缓冲半径内主要道路长度，500米缓冲半径内半自然和林荫面积Wuetal.(2015)[192]北京（中国）35个PM2.5交通强度，人口，公交站，餐馆，用地100-3000米0.43至0.65绿地，主要道路，水体（2）非线性模型然而，当前的研究逐渐认识到空气污染受到包括排放源、气象条件、建成环境在内的多种因素的共同作用，这些因素之间的影响往往呈现出较强的非线性特征[193]。因而采用传统线性统计模型进行定量分析时，无法有效捕捉参数之间的非线性联系，需要应用更复杂的非线性方法来描述污染演化过程[194]。例如，Aldrin等[195]提出了一个广义加性模型，其中空气污染物每小时浓度的对数被建模为交通量和几个气象变量的非线性函数的累加，进而量化了气象条件和交通量对空气污染水平的影响程度。结果表明，最重要的预测变量是交通量和风，此外，相对湿度对颗粒物有明显的影响，但对NO没有明显的影响。其他预测变量，例如温度、降水和积雪对一种或多种污染物具有一定的重要性，但其影响不太显著。Gao等[87]建立了土地利用回归模型和决策树模型来探究空气污染物浓度与影响变量之间的关系，由于决策树模型捕获了变量之间的线性和非线性关系，与LUR模型相比，能够解释更多的O3和PM2.5浓度变化。表1-5（增加一个类似于上面LUR模型那样的表格，该表格总结下GAM模型的使用）作者研究案例因变量自变量R2主要结论Aldrinetal.(2005)[195]奥斯陆（挪威）PM10、PM2.5、PM10-PM2.5、NO2、NOx交通量、地面上2m处温度、地面上25m与2m处温度差、风速、风向、相对湿度、过去4小时降水量、过去一周降水量、积雪指数0.48–0.80交通量、风是最重要的影响变量，相对湿度对PM变量有明显影响，但对NO变量没有影响。Bryantetal.(2011)[196]纽约（美国）BC怠速的公交车和卡车数量、经过的公共汽车和卡车的数量、怠速的汽车数量、经过的汽车数量、背景PM2.5浓度、温度、气压、相对湿度、沿街风分量、过街风分量0.56背景PM2.5浓度、怠速的公交车和卡车数量分别贡献了24%、20%的BC变化，是最显著的两个变量。Pearceetal.(2011)[77]墨尔本(澳大利亚)O3、PM10、NO2每日最高温度、纬向风、经向风、海平面压力、全球辐射、水蒸气压、降水量、边界层高度、经纬度、长期趋势、星期0.296–0.699温度的变化会导致O3、PM10、NO2最显著的响应。其他变量对一种或多种污染物显示出一定的重要性，但它们在模型中的影响并不那么明显。Bertaccinietal.(2012)[197]都灵（意大利）PM10、NO2交通量、气压、温度、相对湿度、风速、风向、太阳辐射0.825交通对NO2存在饱和效应，而这种饱和效应在关于PM10的模型中不太明显。温度、太阳辐射和风速对减少污染有积极的作用，尤其是在冬季。Wangetal.(2018)[198]上海（中国）BC、PM2.5背景浓度、温度、相对湿度、露点温度、气压、柴油车数量、汽油车数量、风速、风向、太阳辐射0.5–0.9背景浓度是两种污染物变化最重要的影响因素，气压与太阳辐射是随后最主要的决定因素，柴油车对春季路边BC变化的贡献约为9%。Luoetal.(2021)[199]上海（中国）BC、PM2.5重型车交通量、轻型车交通量、车道、温度、相对湿度、露点温度、气压、风速、风向0.53–0.92交通量和车道类型的耦合效应是BC变化最重要的驱动力，而背景浓度是PM2.5变化的主导因素。比起轻型车，BC和PM2.5的浓度很大程度上取决于重型车的数量。Kamińska[200]利用随机森林模型来描述NO2、NOx、PM2.5浓度与包括气象条件、时间特征、交通流量在内的9个变量之间的回归关系，发现在氮氧化物浓度的模型中，最重要的解释变量是交通流量，而对于PM2.5，最重要的是气象条件，特别是温度、风速和风向。值得注意的是，除了上述机器学习模型在空气污染的相关研究中大放异彩外，最近几年深度学习也吸引了众多专家学者的注意。深度学习算法使用多层架构逐层提取数据的固有特征，非常适合处理空气质量这种结构复杂的数据。因为空气污染的时空分布受到了气象、交通、人类活动等诸多因素的影响，传统浅层模型在提取代表性的空气质量特征上显得无能为力，深度学习算法则可以在没有先验知识的情况下表现出良好的预测性能[201]。例如，Tao等[202]提出了基于卷积的双向门控循环单元方法，这种方法将卷积神经网络与门控循环单元神经网络相结合，在PM2.5浓度短时预测中展现了良好的性能。Li等[203]设计了一种深度学习模型，可以利用现成的城市空气质量监测数据作为替代性指标来估算整个城市的空气污染。诸如支持向量机、多层感知器和序列学习之类的机器学习方法在最近几年广泛应用于空气污染和流行病学，它们考虑了非线性因素，并被证明有良好的模型表现，但是它们无法识别影响变量重要性的强弱。决策树模型可以克服这些潜在问题，并且可以对空气污染物浓度进行更准确的估算[204]。决策树模型在预测分析中通常具有较高的准确性，尤其是与线性回归相比，多重共线性造成的参数估计错误可以被有效避免。决策树模型还拥有其他一些基于树的方法的优点，比如可以捕获变量间复杂的相互作用并保持较低的模型偏差，同时缓解了不确定性问题。Athanasiadis等[205]提出了一种新颖的土地利用决策树模型来预测颗粒物的元素组成，其结果更为准确。此外，决策树作为一种监督机器学习方法，不仅可以通过学习从数据特征中推断出的决策规则来预测目标变量的值，还可以识别响应变量与预测变量之间的关系。Kunwar等[206]建立了用于空气质量预测的树集成模型，这些模型的性能最终优于支持向量机模型，它们将燃料燃烧和车辆排放确定为主要的空气污染源。因此，决策树非常适合于评估小尺度下空气污染物浓度的空间变化。参考文献[1] WORLDHEALTHO.Ambientairpollution:aglobalassessmentofexposureandburdenofdisease[M].Geneva:WorldHealthOrganization,2016.[2] LELIEVELDJ,EVANSJS,FNAISM,etal.Thecontributionofoutdoorairpollutionsourcestoprematuremortalityonaglobalscale[J].Nature,2015,525(7569):367-71.[3] COHENAJ,ROSSANDERSONH,OSTROB,etal.Theglobalburdenofdiseaseduetooutdoorairpollution[J].JToxicolEnvironHealthA,2005,68(13-14):1301-7.[4] JERRETTM,BURNETTRT,POPECA,3RD,etal.Long-termozoneexposureandmortality[J].NEnglJMed,2009,360(11):1085-95.[5] WILSONRS,BARNESLL,KRUEGERKR,etal.Earlyandlatelifecognitiveactivityandcognitivesystemsinoldage[J].JournaloftheInternationalNeuropsychologicalSociety,2005,11(4):400-7.[6] YUANY,FAILMEZGERH,RUEDAOM,etal.Quantitativeimageanalysisofcellularheterogeneityinbreasttumorscomplementsgenomicprofiling[J].Sciencetranslationalmedicine,2012,4(157):157ra43.[7] BRIGGSDJ,DEHOOGHC,GULLIVERJ,etal.Aregression-basedmethodformappingtraffic-relatedairpollution:applicationandtestinginfourcontrastingurbanenvironments[J].TheScienceofthetotalenvironment,2000,253(1-3):151-67.[8] MICHAELJ,ALTAFA,PAVLOSK,etal.Areviewandevaluationofintraurbanairpollutionexposuremodels[J].JournalofExposureAnalysisandEnvironmentalEpidemiology,2004,15(2):185.[9] HEALTHEFFECTSINSTITUTE.PANELONTHEHEALTHEFFECTSOFTRAFFIC-RELATEDAIRP.Traffic-relatedairpollution:acriticalreviewoftheliteratureonemissions,exposure,andhealtheffects[J].2010,[10] GOZZIF,DELLAVENTURAG,MARCELLIA.Mobilemonitoringofparticulatematter:Stateofartandperspectives[J].AtmosphericPollutionResearch,2016,7(2):228-34.[11] 许东,刘立平,包晓幸,etal.社区环境空气臭氧污染的监测与分析[J].环境与健康杂志,2010,27(03):266-7.[12] WANGT,XUEL,BRIMBLECOMBEP,etal.OzonepollutioninChina:Areviewofconcentrations,meteorologicalinfluences,chemicalprecursors,andeffects[J].ScienceofTheTotalEnvironment,2017,575(1582-96.[13] LIUC,HENDERSONBH,WANGD,etal.Alanduseregressionapplicationintoassessingspatialvariationofintra-urbanfineparticulatematter(PM2.5)andnitrogendioxide(NO2)concentrationsinCityofShanghai,China[J].ScienceofTheTotalEnvironment,2016,565(607-15.[14] HUANGL,ZHANGC,BIJ.DevelopmentoflanduseregressionmodelsforPM2.5,SO2,NO2andO3inNanjing,China[J].EnvironmentalRes