车辆排放通过发动机尾气和非尾气排放，如道路灰尘，造成环境细颗粒物（PM_2.5）（An等人，2019；Fuzzi等人，2015）。暴露在交通繁忙的道路上的排放物会导致不利的健康影响，包括痴呆症、帕金森病、肺癌、心血管和呼吸系统疾病（Annavarapu和Kathi，2016；Chen等人，2017；Halonen等人，2016）。近年来，由交通产生的湍流引起的道路灰尘引起了相当大的研究兴趣（Chen等人，2019；Kong等人，2011；Niu等人，2019；Shakya等人，2017）。这些研究大多是基于过滤器的测量，受过滤器取样过程中发生的人工伪影和较差的时间分辨率（如24小时平均值）的影响，未能提供足够的信息，例如，昼夜变化。此外，缺乏对道路灰尘的长期路边测量，限制了我们对其近期趋势的理解和预测未来排放的能力。特别是，随着车辆数量的增加（Jin和He，2019年；Wang等人，2019年），相应的道路粉尘预计会增加，然而，由于缺乏长期的路边数据，这在现实世界的条件下仍然很难调查。
       在这项研究中，从2016年到2019年，在上海一条高速公路附近的路边，以每小时的分辨率测量了发动机排气（EC）和道路灰尘（钙；Ca）的标记，以及PM_2.5的主要成分。应用基于随机森林的机器学习算法（Grange和Carslaw，2019；Grange等人，2018）来训练模型，以重建测量的EC、Ca、PM_2.5和NOx，使用气象和时间变量作为模型输入。SHapley加法解释（SHAP）算法（Lundberg等人，2020年；Oukawa等人，2022年）被用来了解支配测量的EC、Ca和PM_2.5的物理和化学过程。
       本研究收集了2016年至2019年上海高速公路采样点每小时的EC和Ca，并使用基于随机森林的机器学习算法进行了分析。开发了四个随机森林，性能令人满意。基于机器学习，预测值与观测值吻合良好，R²>0.70。通过SHAP算法揭示了温度和相对湿度以及ws和wd对观测值的影响。经过气象学上的归一化处理，我们发现PM_2.5在四年内下降了-6.4%年^-1。作为PM_2.5的一个重要来源，车辆尾气排放，即EC，也有所下降，但其速度比PM_2.5慢。因此，尽管交通排放减少，但交通的直接颗粒物排放被认为很重要。此外，相对于不能被后处理技术直接控制的发动机排气，道路灰尘被认为变得越来越重要。PM_2.5中Ca的比例显示出每年6.1%的增长速度，大约是BC的两倍。这项研究的结果表明，由于后处理技术的进步和更严格的排放标准，即使有更清洁的公路交通，道路灰尘也不会减少。这种趋势可能会因全球变暖而加剧，导致某些地区的大气更干燥（即低相对湿度），引起车辆排放更多的道路灰尘。
 

随机森林,空气污染,非交通源排放,交通