污染物浓度变化主要受排放和气象条件两个因素影响，在评估分析减排效果时，需剔除气象条件的影响。
利用机器学习技术，结合大量观测数据，通过对剔除气象条件影响的主要污染物浓度分析，可科学、定量地评估减排措施对空气质量改善起了多少作用。
减排措施对不同的污染物改善效果有所差异，其中对二氧化硫、硫酸盐浓度的降低效果突出。进一步控制硝酸盐和有机气溶胶的污染，是目前防治的主要挑战。
近年来，一系列污染防控措施落地，空气质量得到改善。
除了排放因素之外，气象条件对空气质量也有不同程度的影响，且对空气质量的作用复杂。中国气象科学研究院张养梅团队首次结合机器学习技术和大量观测，进行了一项创新性研究，在剔除气象条件影响定量评估主要污染物浓度上取得突破。
在污染物扩散中，天气是“敌”是“友”？
气象条件，包括环境温度、气压、相对湿度、风向、风速、边界层高度等，对空气质量的影响具有两面性——有的情况有助于改善空气质量，有的条件则不利于污染物的扩散。一般而言，当气团来自干冷地区、风速很大、环境相对湿度较低时，有利于污染物的扩散；当气团来自湿热的地区、风速较小、环境相对湿度较大时，容易形成静稳天气，不利于污染物的扩散。
“实际上，气象条件对不同污染物的影响是很复杂的，要从污染物的物理、化学和光学特性等方面才能解释清楚。”张养梅介绍，大致来说，环境温度、太阳辐射强度、环境相对湿度等气象条件对具有反应活性的污染物影响更大，尤其是二次产物，比如臭氧和气溶胶。
在风速很小、大气氧化性强、气团湿热的情况下，二氧化硫、氮氧化物、挥发性有机物等不稳定的气态污染物，加速向颗粒态的转化。与此同时，具有吸湿特性的大气颗粒物粒子，还可通过吸湿增长、碰并增长等途径加速“膨胀”，并为更多气态污染物向颗粒物的转化提供反应表面，从而形成一个连环过程，导致空气质量的不断恶化。
评估污染物浓度，机器学习有何“智慧”?
空气质量的好与坏，通常用实际观测的污染物质量浓度数据来表示。由于污染物浓度变化主要受排放和气象条件两个因素影响，在评估分析减排效果时，就需要剔除气象条件的影响，否则就会影响评估结果的客观性。
气象条件对空气质量的作用十分复杂，涉及很多参数，因此剔除气象条件的影响并不是简单的“加减法”，难点在于需要考虑诸多因素的影响，尤其在评估气象条件对二次产物转化的作用方面，更是难上加难。
在张养梅的研究中，利用机器学习技术在解决这一难题方面取得了一些突破。机器学习技术在很多领域发挥重要作用的前提就是大量数据的支持。
从2006年起，张养梅和科研团队长期致力于我国不同区域亚微米气溶胶特性的观测实验，积累了大量宝贵的科学数据。为了充分发挥和挖掘这些数据的科学价值，张养梅便想到了机器学习技术。
“我们将大量的气象条件数据和空气质量数据放到模型中，让机器模型通过不同方法的比较、归纳，建立各个参数之间的关系。再将实际观测的污染物浓度归一到具有代表性的平均气象条件中，在完全相同的条件下计算出不同的污染物浓度，从而实现间接剔除气象条件影响的目的。”张养梅说。简而言之，就是让机器通过不断学习，掌握气象条件与污染物浓度之间的复杂规律，再利用这一规律剔除气象条件的影响。
机器学习在科研中的应用具备潜力
定量评估减排措施对空气质量改善的效果，这是一个相当复杂的科学问题，也是大气环境领域一项具有挑战性的工作。
借助机器学习技术的“智慧”，张养梅团队定量评估了减排措施对空气质量的改善效果。该项研究揭示出，我们所看到的空气质量改善，在多大程度上与减排有关；一系列减排措施起到了什么作用以及哪些污染物得到了控制。
研究结果表明，实施《大气污染防治行动计划》(简称《大气十条》）以来，大气污染防治总体效果较好。数据显示，近年来多项大气污染物浓度实现大幅下降，全国环境空气质量总体改善。尤其在2017年以后，减排产生的效果显著。
值得注意的是，减排措施对不同的污染物改善效果也有所差异，其中对二氧化硫、硫酸盐浓度的降低效果突出。但是，氮氧化物、硝酸盐、铵盐和有机气溶胶浓度水平仍然存在很大的下降空间，也将是下一步污染防控的重点和挑战。
谈及未来机器学习技术的应用，张养梅充满了期待：“机器学习可以应用于更多的科学研究，例如提高天气预报、雾-霾预报的准确性，在短临天气预警和短时灾害天气预警研究、环境治理、智慧城市规划等方面，都大有用武之地。”
