中国环境科学

作者：张煌帆, 谢郑一, 温晓娟, 王硕, 翁大维, 徐艺诺, 胡喜生, 张兰怡

单位：福建农林大学交通与土木工程学院. 福建 福州 350108

关键词：交通CO2排放,O3浓度,机器学习,重要性评价,驱动因素

基金：福建省自然科学基金项目(2023J01475);福建省社科规划项目(FJ2022B065);福建农林大学“杰出青年科研人才”计划项目(社会科学类)(xjq2020S4);福建农林大学科技创新专项(KFb22101XA);国家级大学生创新创业训练计划项目(202410389030,202410389034)

以华东地区为研究区域,围绕交通产生的CO2以及其对O3的贡献(下文简称“O3”)构建15个驱动因素指标体系.首先,采用Lasso回归模型筛选关键变量;其次,引入RF(随机森林)与XGBoost(极端梯度提升)模型开展特征重要性分析,并结合SHAP方法对各驱动因素的贡献度进行可视化解释,构建了系统的驱动因素识别与排序分析框架.研究表明,华东地区交通CO2排放总量持续增长,至2022年,上海、江苏与山东三省合计占比达62.18%; O3浓度高值区域主要集中于东北部.其中安徽省O3浓度增幅高达92.25%.在模型性能方面,RF模型在变量解释力和稳定性上优于XGBoost.其中,其CO2排放与O3浓度的R2均大于0.8,MSE均为0.001,MAE均小于0.1.SHAP分析结果显示,交通CO2排放的主要驱动因素包括人口密度、货运周转量、第三产业产值和城镇化水平;而O3浓度则受人口数量、交通运输业产值、载货汽车数量和城市道路长度等因素影响.

来源：2025年第11期

《中国环境科学》期刊编辑部

查看中国环境科学杂志2025年第11期