説明可能な機械学習に基づく河南省のオゾン濃度の駆動要因に関する研究

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:The SHAP-enhanced XGBoost approach offers a replicable framework for analyzing air pollution drivers in other regions.

🏛政策担当者:Provides evidence for region- and season-specific ozone control strategies, applicable to local environmental policy.

地表近くのオゾン汚染は、人間の健康と生態環境に深刻な脅威をもたらしている。近年の河南省におけるO3濃度の特性と駆動要因を調査するため、本研究では、2022年から2024年までの大気質監視データと気象再解析データセットを用いて、極端勾配ブースティングモデルとSHapley Additive exPlanations解釈可能性フレームワークを組み合わせた。気象変数と大気汚染物質排出がO3に及ぼす影響を体系的に検討した。結果は、河南省において顕著なO3汚染が示され、ρ(O3−8 h)は2022年、2023年、2024年それぞれ170.6、169.8、183.2 μg m−3であった。空間的には、河南省中部および北部のρ(O3−8 h)は南部地域を上回り、焦作、新郷、鄭州が17都市の中で最も高い値を示した。時間的には、ρ(O3−8 h)の月変動は逆V字型パターンに従い、夏季にピークを迎えた（夏 > 春 > 秋 > 冬）。気象要因はρ(O3−8 h)の分散の83.3%を占め、汚染物質排出は16.7%を占めた。主要な気象要因はO3と複雑な非線形関係を示し、2 m地表気温、地表下向き太陽放射、地表下向き熱放射、2 m露点温度が含まれた。都市固有の駆動要因は異なるものの、T2MとSSRDは全地域で支配的であり、累積寄与率は52.7%から57.0%の範囲であった。季節的には、T2Mは春季の主要な駆動要因（31.4%）であり、一方T2Mは夏季、秋季、冬季で支配的であり、冬季に最大の影響（41.5%）に達した。オゾン汚染の予防と制御には、地域的および季節的な差異に基づいた的を絞った対策の採用が必要である。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Near-surface ozone pollution poses a severe threat to human health and the ecological environment. To investigate the characteristics and driving factors of O3 concentrations in Henan province in recent years, this study combined the extreme gradient boosting model with the SHapley Additive exPlanations interpretability framework, using air quality monitoring data and meteorological reanalysis datasets from 2022 to 2024. The impacts of meteorological variables and atmospheric pollutant emissions on O3 were systematically examined. Results showed significant O3 pollution in Henan Province, with ρ (O3−8 h) of 170.6, 169.8, and 183.2 μg m−3 for 2022, 2023, and 2024, respectively. Spatially, ρ (O3−8 h) in central and northern Henan exceeded that in southern regions, with Jiaozuo, Xinxiang, and Zhengzhou exhibiting the highest values among 17 cities. Temporally, monthly variations in ρ (O3−8 h) followed an inverted ‘V’ pattern, peaking in summer (summer > spring > autumn > winter). Meteorological factors accounted for 83.3% of the variance in ρ (O3−8 h), while pollutant emissions accounted for 16.7%. Key meteorological factors exhibited complex nonlinear relationships with O3, including 2 m surface temperature, surface solar radiation downwards, surface thermal radiation downwards, and 2 m dew point temperature. Although city-specific driving factors varied, T2M and SSRD remained dominant across all regions, with cumulative contributions ranging from 52.7% to 57.0%. Seasonally, T2M was the primary driver in spring (31.4%), while T2M dominated in summer, autumn, and winter, reaching maximum influence in winter (41.5%). The prevention and control of ozone pollution require the adoption of targeted measures based on regional and seasonal differences.

• semanticscholar https://iopscience.iop.org/article/10.1088/2515-7620/ae6d91/pdffirst seen 2026-07-25 06:02:34 · last seen 2026-09-22 05:23:53