利用机器学习分析北京车辆相关的非尾气PM10和新兴污染物

《Ecotoxicology and Environmental Safety》：Analysis of vehicle-related non-exhaust PM10 and emerging pollutants in Beijing with machine-learning

　　

随着电动汽车的增长，非尾气PM₁₀（non-exhaust PM₁₀）正成为车辆相关颗粒物污染的主要贡献者，也是新兴污染物（emerging pollutants）的来源。本研究评估了四种机器学习算法，并选择随机森林（Random Forest，RF）来估算道路交通流量。通过将RF与MOVES模型（Motor Vehicle Emission Simulator）耦合，研究人员开发了一个RF-MOVES模型，用以量化非尾气PM₁₀、重金属（heavy metals）和微塑料（microplastics）的排放，并评估了三种电动化情景下的排放特征。研究表明，轮胎-道路磨损PM₁₀（TRWPM₁₀）和轮胎刹车PM₁₀（TBPM₁₀）的时间变化归因于出行行为和道路条件，而空间异质性反映了路网结构和车辆类型分布。由于尾气PM₁₀的减少，车辆电动化增加了TRWPM₁₀和TBPM₁₀在总车辆相关PM₁₀中的比例。非尾气PM₁₀中重金属和微塑料的比例分别增加了超过4%和9%，表明环境污染潜力增加。此外，增加再生制动（regenerative braking）可减少非尾气PM₁₀和重金属排放，但其对微塑料缓解的影响仍然有限。本研究提供了一个计算高分辨率非尾气PM₁₀的模型。研究人员的发现强调了车辆相关非尾气PM₁₀的潜在环境污染风险，并为未来电动化情景下管理非尾气PM₁₀、重金属和微塑料提供了见解。

本研究由Yuxin Liu等人开展，论文发表在《Ecotoxicology and Environmental Safety》。研究背景方面，随着车辆电动化进程的推进，尾气颗粒物排放显著减少，但非尾气排放（如轮胎-道路磨损和刹车磨损）生成的PM₁₀正成为车辆相关颗粒物污染的主要贡献者。这些非尾气PM₁₀含有重金属（如锌、铜）和微塑料（如苯乙烯-丁二烯橡胶），对环境和人体健康构成潜在风险。目前存在的问题包括：非尾气PM排放缺乏针对性法规；基于排放因子的传统方法依赖非本地化数据，难以捕捉时空异质性；且缺乏整合交通活动与过程模型的高分辨率估算手段。因此，开展这项研究旨在开发一种结合机器学习与过程建模的集成方法，以量化非尾气PM₁₀及其关联污染物（重金属和微塑料）的排放特征，并评估电动化情景下的变化趋势，为未来污染管理提供科学依据。

为开展研究，研究人员采用了以下几个关键技术方法：首先，评估了四种机器学习算法（支持向量回归SVR、k最近邻kNN、梯度提升XGB、随机森林RF），并基于预测精度和计算效率选择随机森林（RF）来估算道路级交通流量。其次，将RF与MOVES模型（美国EPA开发的机动车排放模拟器）耦合，构建了RF-MOVES模型，以生成动态排放因子。数据来源于北京2024年两个观测期（6月15日-7月14日、11月1日-30日）约42,000条记录，涵盖气象、交通活动、社会经济等多维变量。最后，采用蒙特卡洛方法对TRWPM₁₀和TBPM₁₀排放因子进行不确定性分析，并设置三种电动化情景（S1基线延续、S2政策强化、S3激进转型）评估2020-2035年的排放变化。

研究结果如下：

**3.1 机器学习算法的评估与选择**：通过对比SVR、kNN、XGB和RF四种算法，RF在预测精度上表现最优（R2=0.78，MAE=0.96，RMSE=1.56），且训练时间短、稳定性高。因此，RF被选为估算高分辨率道路级交通流量的最优算法，其输出作为RF-MOVES模型的输入。

**3.2 时空排放特征结果**：时间上，非尾气PM₁₀（TRWPM₁₀和TBPM₁₀）呈现明显的双峰日变化模式，早高峰（07:00-09:00）和晚高峰（17:00-20:00）排放强度显著升高，工作日排放比周末高136.4%，夏季排放因子高于冬季。空间上，高速公路（GSL）的非尾气PM₁₀排放强度最高，主要因高车速和交通密度增大轮胎磨损；城市核心区（五环内）TBPM₁₀占比达27.8%，高于郊区，商业中心和旅游景点排放尤为突出。

**3.3 三种电动化情景下的非尾气PM₁₀排放**：到2035年，S2和S3情景下非尾气PM₁₀总排放分别减少约20.3%和17.1%，但TRWPM₁₀和TBPM₁₀的绝对排放量因电动汽车增重而持续上升。再生制动效率从10%提高至90%时，TBPM₁₀排放可降低58.4%以上。轻型乘用车（LPV）占总非尾气排放的58.5%，而重型车（HDV）电动化滞后，导致其非尾气排放将成为2035年后的主要挑战。

**3.4 非尾气PM₁₀中重金属和微塑料的排放**：重金属排放总体呈上升趋势，2020-2028年平均年增长4.7%，2028年后增速放缓至3.2%。铜（Cu）和锌（Zn）是主要重金属污染物，分别来源于轮胎钢丝帘线和刹车磨损；电动化情景下（S3）总重金属排放比S1高46.04%。微塑料方面，苯乙烯-丁二烯橡胶（SBR）排放量最大，其次为丁二烯橡胶（BR）和天然橡胶（NR）。再生制动对微塑料减排效果有限，其年增长率在S1下约为9.22%，在S3下因重型车电动化加速而升至13.4%。

**3.5 总结**：研究总结了非尾气PM₁₀的时间双峰分布、高速公路和城区高排放强度、电动化增加TRWPM₁₀和TBPM₁₀比例、以及重金属（Cu、Zn）和微塑料（SBR）的生态风险。

在讨论部分，研究人员进行了不确定性和敏感性分析。不确定性分析基于蒙特卡洛方法，表明RF-MOVES模型导出的TRWPM₁₀和TBPM₁₀排放因子相对稳定可靠，但当前分析仅覆盖排放因子不确定性，未扩展到完整清单水平。时空排放特征进一步佐证了轮胎-道路磨损是总PM₁₀和微塑料排放的关键驱动因素。敏感性分析显示，严格的排放标准（临界值3 mg·km^-1）与高效再生制动（接近100%）组合可将平均排放因子降至0.05 mg·veh^-1·km^-1，表明推广再生制动是控制非尾气PM₁₀的有效策略。

研究结论翻译如下：本研究通过耦合随机森林（RF）算法与机动车排放模拟器（MOVES），开发了集成RF-MOVES模型，用以量化三种车辆电动化情景下道路车辆的非尾气PM₁₀排放。研究评估了四种机器学习算法，其中RF算法达到了最高预测性能。以北京为案例，该模型描述了2020年至2035年不同电动化政策路径下TRWPM₁₀、TBPM₁₀、重金属和微塑料颗粒的时空格局。基于模型估算结果，研究人员进行了不确定性和敏感性分析，提升了模型的稳定性和可信度。因此，训练后的RF模块反映了北京可用观测期间内捕获的交通模式，但其向其他城市、极端交通条件或训练域之外的未来移动模式的迁移性仍不确定。未来研究应纳入更长时期的多季节观测和外部验证数据集，以进一步评估模型泛化能力。总体而言，虽然交通电动化在减少尾气排放方面提供了显著益处，但同时也引入了与非尾气颗粒物污染及相关污染物相关的新挑战。研究结果强调了需要针对尾气和非尾气源同时实施综合排放控制策略。推广再生制动系统、开发低磨损轮胎材料和低金属刹车片材料、鼓励轻量化电动汽车设计以及优先控制重型车排放，对于减少交通相关环境污染并在未来电动化转型中改善城市环境安全至关重要。