【导读】重点实验室王金南院士团队在ES&T刊文 Interaction Patterns between Climate Action and Air Cleaning in China: A Two-Way Evaluation based on an Ensemble Learning Approach，该文将空气质量数值模型与人工智能相结合，首次设计了一套二氧化碳减排与空气质量改善间的双向评估技术方法，捕捉了气候行动与空气质量改善政策的连续不确定性，量化了实现碳中和与清洁空气双重目标的交互作用。2060年前实现碳中和与空气质量达到WHO第四阶段过渡值水平（以下简称“双达”）是我国未来主要的低碳与环境目标。引发PM2.5污染的各种前体物和以二氧化碳为代表的温室气体同根同源，主要都归因于电力、工业、交通等部门化石能源的消费。基于碳中和与清洁空政策的协同效应制定实施策略，可以显著提高管理效率。因此，探明碳中和与清洁空气双重目标的相互作用机制，对于我国制定高效的“双达”政策至关重要。
![]()
图1 研究摘要图
本研究将CMAQ大气化学传输模型与机器学习方法相结合，建立了两个预测器（CMAQ-CNN模型与CEI模型），通过输入全国31个省、3个部门、6种前体物的排放量，即可快速预测相应情景下的PM2.5浓度与CO2排放水平，可在短时间内生成大量减排样本，为后续随机抽样创造了基础条件。由于实现“双达”目标是一项长期、复杂且艰巨的工程，伴随大量的随机性与不确定性，因此本研究采用随机抽样的方法作为核心建模思路，以获得更加完整可靠的不确定性区间，从而为相关政策的制定提供更加可靠的参考。
![]()
在构建CMAQ-CNN模型过程中，首先在省份、部门、前体物三个维度上对减排系数进行了随机分配，构建了3000个随机减排排放清单。再将3000个排放清单输入WRF-CMAQ模型中得到相应的PM2.5污染水平。随后以3000个减排场景与相应PM2.5浓度作为卷积神经网络（CNN）的训练与验证数据集，构建CMAQ-CNN模型。最终基于深度学习的快速响应能力，实现对PM2.5浓度的快速高效预测。
![]()
在构建CEI模型过程中，以网格为单位，可根据6种污染物的排放情况，从宏观角度对CO2的排放水平进行预测。在模型构建过程中，分别采用多种机器学习算法对网格化CO2排放水平进行模拟预测，根据模型交叉验证的表现，选择极端梯度下降（XGB）算法作为CEI模型的运行算法。最后基于XGB机器学习算法的快速响应能力，实现对CO2排放水平的快速高效预测。
![]()
本研究在各省份、部门、前体物三个维度上随机生成1000,000种排放情景，以覆盖未来清洁空气政策与低碳政策驱动下可能的排放特征。再将1000,000次排放情景输入CMAQ-CNN或CEI模型中进行量化评估，筛选出符合条件的排放情景，即进行一百万次接受-拒绝的蒙特卡洛模拟，旨在得出在每种目标驱动下潜在污染物的排放情况和连续不确定性区间。研究发现：在CCS0情景（可靠碳中和情景）下，每种污染物排放均已达到清洁空气目标的要求；而在CCS1情景（一般碳中和情景）下，还需对一次PM2.5与VOCs进行额外控制，才能满足清洁空气目标的要求；而在CCS2情景（临界碳中和情景）下，每种污染物排放均无法满足清洁空气目标的要求。![]()
图5.空气质量达标所需的前体物排放量与三种气候行动强度下前体物排放量对比
将符合清洁空气与碳中和的情景进行过滤筛选，交叉输入至CEI与CMAQ-CNN模型中，模拟相应的碳排放水平与PM2.5浓度，从而评估其相互作用程度。研究发现：在CCS1（二氧化碳排放量19亿吨）情景下，仅凭气候行动无法驱动PM2.5浓度降低到10微克/立方米以下；而在CCS0（二氧化碳排放量11亿吨）情景中，则可以实现清洁空气目标。相反，以空气质量为导向的治理政策则可能够迫使碳排放量达到CCS0的情景标准，展现出强力的“双达”驱动效力。
![]()
基于上述结论，本研究提出：在碳中和行动过程中，应针对一次PM2.5、VOCs和NH3采取额外的控制措施，以弥补碳中和政策对大气污染防治的部分缺失。其中，需重点关注河南、山东等地的一次PM2.5排放，广东、天津等地的VOCs排放以及全国范围内的农业NH3减排。而采取以清洁空气为导向的治理措施，可能会倒逼CO2排放达到碳中和水平。因此，为高效实现长期“双达“目标，必须统筹好减污降碳工作，充分发挥两者的协同增效作用。刘泽源（博士研究生，浙江大学与生态环境部环境规划院联合培养）与董梦婷（浙江大学硕士研究生）为论文共同第一作者。重点实验室副主任薛文博研究员、张清宇研究员（浙江大学）和王金南院士为论文通讯作者。https://doi.org/10.1021/acs.est.2c01966![]()
