基于 XGBoost-SHAP 模型的城市PM_2.5 与 O₃ 协同控制研究

图1 济南市 PM₂.₅ 与 O₃-MDA8 月均浓度时间序列演变（2015–2026）。PM₂.₅ 呈显著下降趋势（−3.65 μg/m³/年），O₃ 呈缓慢上升趋势（+0.16 μg/m³/年），两者呈现明显的'跷跷板效应'。

图3 四季 PM₂.₅ 与 O₃ 散点分布（颜色代表气温）。冬季两者负相关（r=−0.45），夏季负相关减弱（r=−0.18），春秋季存在一定正相关，揭示季节性协同/拮抗关系的差异。

图5 XGBoost 模型预测值与实测值散点对比图（左：PM₂.₅，右：O₃-MDA8；上：训练集，下：测试集）。测试集 PM₂.₅ R²=0.793，O₃ R²=0.886，模型具有良好的泛化能力。

图6 测试集时间序列预测对比图。模型能较好捕捉污染物浓度的季节性变化规律，但在极端污染事件（PM₂.₅>150 μg/m³）时存在一定低估，这与 XGBoost 对极端值的回归均值化特性有关。

图7 SHAP Summary Plot（蜂群图）。PM₂.₅ 模型中，CO 浓度（SHAP=17.81）、前一日 PM₂.₅（SHAP=8.06）和 NO₂ 浓度（SHAP=5.43）是最重要的驱动因子；O₃ 模型中，前一日 O₃（SHAP=16.30）、温度×辐射交互项（SHAP=15.61）和气温（SHAP=12.84）居前三位。

图8 SHAP 特征重要性条形图（Top 15）。两种污染物的驱动因子存在显著差异：PM₂.₅ 主要受一次污染物（CO、NO₂）和气象条件（温度、湿度）驱动；O₃ 主要受光化学反应条件（气温、太阳辐射）和前体物排放驱动。

图9 核心驱动因子 SHAP Dependence Plot。气温对 PM₂.₅ 呈负效应（高温有利于扩散），对 O₃ 呈正效应（高温促进光化学反应）；NOx 排放对两种污染物均有正贡献，但对 O₃ 的影响存在非线性饱和效应。

图10 NOx 与 VOC 排放对 PM₂.₅ 和 O₃ 的交互 SHAP 贡献分析。高 NOx + 低 VOC 情景下，O₃ 生成受 VOC 限制；高 VOC + 低 NOx 情景下，O₃ 生成受 NOx 限制，揭示了济南市 O₃ 生成的 VOC 敏感性特征。

图13 年际趋势与超标率演变。PM₂.₅ 超标率从 2015 年 88.5% 降至 2026 年 28.4%，降幅显著；O₃ 超标率从 18.2% 升至 33.6%，形成'此消彼长'的反向趋势，凸显协同控制的紧迫性。