在我国大气PM₂.₅浓度持续改善的大背景下，多地却出现了臭氧（O₃）污染加剧、季节差异显著的新态势。2026年作为“十五五”规划的选择与开局之年，深入推进大气污染物协同控制、强化“双碳”引领下的空气质量全面改善已成为我国绿色低碳转型的重要任务。目前，在大气环境治理领域，如何准确评估大尺度、长序列的臭氧驱动因子，并科学预估未来深度减排情景下的演变趋势，仍是制约精准治污的“卡脖子”科技难题。

针对上述挑战，环境学院王晓红副教授团队联合中国极地研究中心、密歇根州立大学等多家单位，构建了机器学习-气候情景耦合框架，定量剖析了中国臭氧污染的时空驱动机制，并对其至2100年的演变路径进行了系统预测。

研究结合全国1497个站点的监测数据、ERA5再分析场及社会经济格网数据，引入Random Forest（随机森林）与PDP可解释机器学习方法，克服传统化学传输模型计算量大、参数依赖性强的痛点。研究证实，我国臭氧呈“南增北高”特征，暖季主要受温度、湿度与高空风速共同驱动（贡献率逾50%），而冷季对CO、NO₂的响应显著增强。该研究首次揭示了中国臭氧浓度的“高温抑制”现象及湿度关键阈值，相关成果以题为《Meteorological and Socioeconomic Impacts on China Ozone Past and Future Analysis》的研究论文，发表于Cell Press细胞出版社旗下交叉学科权威期刊《iScience》（JCR一区，IF=8.0）。青岛科技大学为第一单位，王晓红副教授为通讯作者。

图1 随机森林模型框架及研究主要结果

针对碳中和愿景下的长期治理难题，团队进一步将该框架嵌入CMIP6未来气候情景中。研究发现，在SSP3-7.0和SSP5-8.5等高排放情景下，我国西南、华南等地区暖季臭氧在未来仍面临显著上升风险。基于此，团队提出了“分区-分季-分情景”的精准治理策略，建议在华北暖季锁定NOₓ-VOCs协同治理，而在西南、华南地区则需结合高排放情景超前布局清洁能源。该研究为将SSP情景嵌入我国《臭氧污染防治行动计划》提供了量化依据，旨在实现碳中和与空气质量改善的协同收益。

图2 温度、湿度及风速对臭氧的PDP边际效应

上述工作融合了大气环境科学、数据科学与气候变化预测的交叉优势，系统回答了中国臭氧污染在时空维度的驱动因子问题，为环境政策的制定提供了科学依据和技术支撑。相关研究成果有力支撑了学校环境科学与工程等相关学科的ESI建设和高质量发展。