上海海洋大学常亮教授团队在Environmental Pollution发表中国东部海域PM2.5遥感估算研究最新成果

近日，上海海洋大学海洋科学与生态环境学院常亮教授团队在海洋大气污染遥感估算及其时空变化研究方面取得新进展。相关研究成果以“Estimating marine PM2.5 concentrations and exploring the drivers over the eastern China seas using multi-source data and machine learning”为题，发表于环境科学领域国际学术期刊 Environmental Pollution（JCR一区，最新IF=7.2）。上海海洋大学为论文完成单位，海洋科学与生态环境学院硕士研究生文馨为论文第一作者，常亮教授为通讯作者。该研究得到了国家自然科学基金项目（42174016）的资助。

海洋大气细颗粒物（PM2.5）是影响海洋生态环境和区域气候变化的重要因素。PM2.5不仅能够通过大气沉降影响海洋生物地球化学循环，还可通过直接散射太阳辐射及改变云微物理特性影响区域气候系统。中国东部海域包括渤海、黄海及东海海域，地处东亚大陆污染物向海洋输送的重要通道，受到陆源污染排放、季风环流及海气相互作用等多重因素的影响。然而，受海洋观测条件限制，海上PM2.5地面监测站点稀缺，难以获取空间连续、时间分辨率较高的海洋PM2.5浓度数据，制约了对海洋大气污染时空变化特征及其影响因素的深入认识。

卫星遥感为大范围海洋PM2.5估算提供了重要的数据支持，但气溶胶光学厚度（AOD）与近地面PM2.5浓度之间存在复杂的非线性关系，海洋高湿度环境及大气化学过程也进一步增加了估算难度。针对这一问题，研究团队综合利用MODIS卫星AOD、Sentinel-5P大气污染气体、ERA5气象再分析及沿海地面PM2.5监测数据，并利用MERRA-2数据填补MODIS AOD缺失，构建了融合气溶胶、气象和大气化学信息的海洋PM2.5机器学习估算框架。采用反向传播神经网络（BPNN）、随机森林（RF）和极端梯度提升（XGBoost）三种机器学习算法，通过基于样本、空间和时间的三种验证策略系统比较模型性能。结果表明，XGBoost模型在不同验证策略下表现出具有竞争力的综合性能。在此基础上，研究团队获得了2019~2024年中国东部海域10 km空间分辨率的逐日PM2.5浓度估算结果，为海上观测稀缺条件下刻画近海大气污染的空间分布、长期变化趋势及季节性特征提供了重要的数据支撑。

图1 中国东部沿海PM2.5监测站点分布及多源数据机器学习估算技术流程

基于模型估算结果，研究团队进一步分析了2019~2024年中国东部海域PM2.5浓度的时空变化特征。研究发现，海洋PM2.5浓度整体呈现由西向东、由北向南逐渐降低的空间分布特征，高值区主要集中在渤海湾、山东半岛沿岸及黄海北部邻近海域，而远离大陆的海域污染水平相对较低。这一分布格局与中国东部沿海地区的人为排放和大气污染物向海输送的潜在影响相一致，表明陆源污染排放可能是影响中国东部近海大气环境的重要因素。从时间变化来看，2019~2024年研究区PM2.5浓度总体呈波动下降趋势，具有明显的季节性特征，冬季浓度较高，夏季浓度较低。

图2 2019~2024年中国东部海域PM2.5浓度季节性空间分布特征

为进一步认识不同环境因素与海洋PM2.5浓度变化之间的关系，研究团队引入可解释机器学习方法SHAP（SHapley Additive exPlanations），分析各类气象和大气化学参数对模型估算结果的相对贡献。研究发现，不同季节的关键模型特征呈现明显差异。春季、夏季和秋季，AOD均是贡献最高的特征，尤其在春秋两季表现突出；而冬季大气边界层高度（BLH）的重要性显著增强，贡献率达到28.6%。较低的边界层高度与较高的PM2.5估算浓度密切相关，同时西北风输送及NO2、CO等污染相关气体也表现出与冬季较高PM2.5估算浓度相关的特征。这些结果表明，中国东部海域PM2.5的季节性变化与气溶胶负荷、大气扩散条件及陆源污染输送密切相关，为认识近海大气污染的季节性特征及其潜在影响机制提供了科学参考。

图3 基于SHAP方法的中国东部海域PM2.5估算关键影响因素及其季节差异

该研究将多源卫星遥感与机器学习技术在PM2.5估算中的应用进一步拓展至中国东部海域，揭示了该区域PM2.5的时空变化特征及其季节性影响因素，为海洋大气环境监测、陆海污染关联分析及区域污染防控提供了科学参考。

论文链接：https://doi.org/10.1016/j.envpol.2026.129276

• 信息来源：上海海洋大学。

  转载请注明信息来源及海洋知圈编排。