PM2.5 ist ein bedeutender Luftschadstoff, der durch komplexe Quellen und starke räumliche und temporelle Heterogenität gekennzeichnet ist. Es bleibt jedoch schwierig, die relativen Beiträge verschiedener Faktoren genau zu quantifizieren, da es an langfristigen Datensätzen mangelt und starke Korrelationen zwischen meteorologischen Faktoren und Emissionen bestehen. Um dieses Problem zu adressieren, nutzt die Studie den im Rahmen früherer Forschungen entwickelten Datensatz über Langzeit-Partikel in China (CLPM), um die dominierenden Treiber und regionalen Unterschiede der PM2.5-Konzentrationsvariationen von 1980 bis 2022 zu untersuchen. Die Analyse verwendet die Gaußsche Faltung (GC), um die Schadstoffdiffusion zu modellieren, Partial Least Squares (PLS)-Regression, um Multikollinearität zu berücksichtigen, und die Lindeman-Merenda-Gold (LMG)-Methode, um die relativen Beiträge jedes Treibers zu quantifizieren. Die Ergebnisse zeigen, dass sich bei zunehmendem Faltungsskalierung von 0,25° auf 10° die dominierenden PM2.5-Quellen von lokalen anthropogenen Emissionen zu regionalem Biomassebrennen und großflächigem Staubtransport verschoben haben, was den skalenspezifischen Übergang der Schadstofftreiber hervorhebt. Darüber hinaus werden die PM2.5-Konzentrationen überwiegend durch Emissionen erklärt, die über 60% der gesamten Varianz ausmachen und in Ost-China mehr als 80% erreichen, während meteorologische Faktoren mit 12–26% assoziiert sind. Unter diesen haben der Gesamtniederschlag und die abwärts gerichtete Solarstrahlung den stärksten Einfluss auf die Schadstoffe. Es ist wichtig zu beachten, dass diese Ergebnisse die statistische Erklärungsstärke von Emissionen und meteorologischen Variablen innerhalb des Regressionsmodells widerspiegeln. Insgesamt bietet diese Forschung eine Methode zur Trennung der statistischen Einflüsse von Emissionen und meteorologischen Faktoren und bietet Methoden für die multiskalare Erklärungsstärke von PM2.5 und anderen atmosphärischen Schadstoffen.
Lu et al. (Dienstag) haben diese Frage untersucht.