DOI: https://doi.org/10.5194/acp-26-5553-2026
تاريخ النشر: 2026-04-23
المؤلف: Y R Li وآخرون
الموضوع الرئيسي: كيمياء الغلاف الجوي والهباء الجوي
نظرة عامة
تبحث الدراسة في المخاطر الصحية المرتبطة بالتعرض القصير الأجل لمستويات عالية من PM 2.5، خاصة خلال مهرجان الربيع الصيني (CSF)، الذي يتميز لمّ شمل العائلات واستخدام الألعاب النارية بشكل واسع. غالبًا ما تفتقر الطرق التقليدية لتقييم تغييرات جودة الهواء إلى بيانات كيميائية كافية وقوائم انبعاثات. لمعالجة ذلك، تقدم الدراسة نهجًا قائمًا على التعلم الآلي لتحديد التغيرات في PM 2.5 المرتبطة بالأنشطة الاحتفالية. تم تطبيق هذه الطريقة على 28 مدينة رئيسية في منطقة بكين-تيانجين-خبى، كاشفة عن متوسط انخفاض في PM 2.5 قدره 19.0 ± 17.5 ميكروغرام/متر³ خلال عطلة CSF لعام 2025، على الرغم من الارتفاعات القصيرة الأجل الكبيرة في التلوث بسبب الألعاب النارية، التي شكلت أكثر من 35% من التدهور الشديد في PM 2.5 في اليوم الأول من المهرجان.
تسلط الاستنتاجات الضوء على فعالية نهج التنبؤ القائم على التعلم الآلي في تقدير تركيزات PM 2.5 في غياب CSF، وبالتالي تحديد “أثر مهرجان الربيع” على جودة الهواء. من خلال دمج تقنيات التطبيع الجوي، تربط الدراسة تغييرات جودة الهواء بتغيرات في قوة الانبعاثات. تؤكد النتائج على المساهمة الكبيرة للألعاب النارية في ارتفاع مستويات PM 2.5، خاصة في اليوم الأول من السنة القمرية الجديدة، مع مساهمة متوسطة تتجاوز 35% في معظم المدن التي تم فحصها. لا تسلط هذه المنهجية الضوء فقط على تأثير الاحتفالات التقليدية على جودة الهواء، بل تعمل أيضًا كأداة قيمة لإبلاغ التدخلات قصيرة الأجل في جودة الهواء بعيدًا عن الأنشطة المرتبطة بالمهرجان.
مقدمة
تتناول مقدمة ورقة البحث القضية المستمرة لتلوث الجسيمات الدقيقة (PM 2.5)، التي تؤثر بشكل كبير على جودة الهواء وصحة الإنسان وتغير المناخ. على الرغم من الانخفاضات في متوسط تركيزات PM 2.5 السنوية في الاقتصادات الكبرى على مدى العقود الأخيرة، لا تزال تحدث أحداث تلوث شديدة، خاصة خلال الفصول الباردة في نصف الكرة الشمالي. تتفاقم هذه الأحداث بسبب الظروف الجوية غير المواتية والانبعاثات المتقطعة من المصادر الطبيعية والبشرية. تؤكد الدراسة على أهمية فهم أسباب أحداث تلوث الهواء القصيرة الأجل لإبلاغ السياسات الفعالة للتخفيف.
نقطة محورية في البحث هي مهرجان الربيع الصيني (CSF)، الذي يؤثر على جودة الهواء من خلال تغييرات في سلوك الإنسان، مثل زيادة التجمعات الداخلية واستخدام الألعاب النارية. من الجدير بالذكر أن تركيزات PM 2.5 يمكن أن ترتفع بشكل كبير خلال هذه الفترة، مع مستويات مسجلة تتجاوز 150 ميكروغرام/متر³ في أكثر من 250 مدينة في الصين خلال السنة القمرية الجديدة لعام 2024. تسلط الدراسة الضوء على قيود الطرق التقليدية لتحديد مصادر PM 2.5 المرتبطة بالمهرجان وتقترح إطار عمل قائم على التعلم الآلي (ML) لنمذجة العوامل المضادة لتحديد التغيرات في مستويات PM 2.5 وقوة الانبعاثات المرتبطة بـ CSF. يهدف هذا الإطار إلى عزل آثار المهرجان من خلال التنبؤ بجودة الهواء في سيناريو العمل كالمعتاد، مما يوفر أداة تقييم قوية لسياسات التدخل في جودة الهواء.
طرق
استخدمت الدراسة منهجية شاملة لتحليل البيانات التي تم جمعها. في البداية، تم تجميع مجموعة بيانات قوية، مما يضمن تمثيلًا متنوعًا للموضوع. خضعت البيانات لخطوات معالجة مسبقة صارمة، بما في ذلك التطبيع وإزالة القيم الشاذة، لتعزيز موثوقية التحليلات اللاحقة.
تم استخدام طرق إحصائية وتقنيات حسابية لاستخراج رؤى ذات مغزى من مجموعة البيانات. على وجه التحديد، تم تنفيذ تحليل الانحدار وخوارزميات التعلم الآلي لتحديد الأنماط والعلاقات داخل البيانات. تم التحقق من النتائج من خلال تقنيات التحقق المتبادل، مما يضمن قوة النتائج. بشكل عام، أسست الإطار المنهجي قاعدة صلبة للاستنتاجات البحثية المستخلصة في الدراسة.
نتائج
استخدمت نتائج تحليل توزيع المصادر لـ PM2.5 خلال حدث الضباب في CSF لعام 2024 في هانغتشو، الصين، نهج مصفوفة العوامل الإيجابية الديناميكية المتداخلة (DN-PMF) على مجموعة بيانات تم جمعها من 20 ديسمبر 2023 إلى 20 فبراير 2024. تم تحديد حل مثالي يتكون من تسعة عوامل، مما يظهر أداء نموذج قوي مع استقرار عالي في خريطة التمهيد (96%-100%) وعدم وجود عوامل غير مصنفة. تم تفسير العوامل المحللة على النحو التالي: احتراق الفحم، الألعاب النارية، الهباء الجوي العضوي الثانوي، حرق الكتلة الحيوية، الغبار المتناثر، انبعاثات المركبات، المصادر الصناعية، النترات الثانوية، والكبريتات الثانوية.
تشمل النتائج الرئيسية أن العامل 1 (احتراق الفحم) يتميز بتركيزات مرتفعة من الزرنيخ (As) والرصاص (Pb)، بينما يظهر العامل 2 (الألعاب النارية) تركيزات كبيرة من البوتاسيوم (K⁺) والنحاس (Cu)، خاصة في ذروته خلال ليلة رأس السنة. يمثل العامل 3 (الهباء الجوي العضوي الثانوي) أكثر من 80% من إجمالي الكربون العضوي الثانوي (SOC)، مما يشير إلى تكوينه من عمليات ثانوية. تظهر عوامل أخرى، مثل حرق الكتلة الحيوية (العامل 4)، الغبار المتناثر (العامل 5)، وانبعاثات المركبات (العامل 6)، توقيعات كيميائية مميزة، بما في ذلك مستويات مرتفعة من K⁺ والكلوريد (Cl⁻) لحرق الكتلة الحيوية، وكربون عنصري قوي (EC) لانبعاثات المركبات. تؤكد التحليلات أنه بينما تعتبر العناصر المؤشرة مفيدة لتحديد المصادر، إلا أنها لا ترتبط مباشرة بمساهمات الكتلة لتلك المصادر، مما يبرز تعقيد تركيب الجسيمات الجوية والخلط الداخلي للانبعاثات.
مناقشة
تتناول قسم المناقشة في ورقة البحث المنهجية والنتائج المتعلقة بتغيرات جودة الهواء لـ PM 2.5 خلال مهرجان الربيع الصيني (CSF) لعام 2024 في هانغتشو. تم جمع بيانات عن التركيب الكيميائي لـ PM 2.5 من محطة وولونغتشياو لمراقبة الجسيمات التلقائية، تغطي مجموعة من الأنواع الكيميائية، بما في ذلك الكربون العضوي والعنصري، الأيونات القابلة للذوبان في الماء، والعناصر النادرة. استخدمت الدراسة مجموعة من تقنيات التعلم الآلي (ML)، وتحديدًا خوارزمية XGBoost، للتنبؤ بتركيزات PM 2.5 المضادة في سيناريو العمل كالمعتاد (BAU)، معزولة “أثر العطلة” المنسوب إلى زيادة انبعاثات الألعاب النارية وانخفاض الأنشطة الصناعية والمركبات خلال المهرجان.
أشارت النتائج إلى زيادة كبيرة في تركيزات PM 2.5 خلال CSF، مع مستويات مسجلة بلغت ذروتها عند 394 ميكروغرام/متر³، مما يعكس زيادة قدرها 138 ميكروغرام/متر³ (174%) مقارنة بسيناريو BAU. كشفت التحليلات أن انبعاثات الألعاب النارية أصبحت المصدر السائد لـ PM 2.5 خلال العطلة، حيث شكلت 88.4% من تركيز PM 2.5 المعاد بناؤه في ذروته. بالإضافة إلى ذلك، سلطت الدراسة الضوء على أهمية التطبيع الجوي في تقييم تغييرات قوة الانبعاثات بدقة، مما يظهر أن أثر العطلة أدى إلى زيادة قصوى قدرها 540% في إجمالي قوة انبعاث PM 2.5 خلال فترة الضباب. تؤكد النتائج على التفاعل المعقد بين الأنشطة الاحتفالية وجودة الهواء، مما يبرز الحاجة إلى تفسير دقيق للنتائج بسبب عدم اليقين الكامن في البيانات ونماذجها.
DOI: https://doi.org/10.5194/acp-26-5553-2026
Publication Date: 2026-04-23
Author(s): Y R Li et al.
Primary Topic: Atmospheric chemistry and aerosols
Overview
The research investigates the health risks associated with acute short-term exposure to high levels of PM 2.5, particularly during the Chinese Spring Festival (CSF), which is characterized by family reunions and extensive fireworks use. Traditional methods for assessing air quality changes often lack sufficient chemical component data and emission inventories. To address this, the study introduces a machine learning counterfactual approach to quantify PM 2.5 variations linked to holiday activities. This method was applied to 28 major cities in the Beijing-Tianjin-Hebei region, revealing an average PM 2.5 reduction of 19.0 ± 17.5 µg m⁻³ during the 2025 CSF holiday, despite significant short-term spikes in pollution due to fireworks, which accounted for over 35% of the severe PM 2.5 deterioration on the first day of the festival.
The conclusions highlight the effectiveness of the machine learning-based counterfactual prediction approach in estimating PM 2.5 concentrations absent the CSF, thereby quantifying the “Spring Festival effect” on air quality. By integrating meteorological normalization techniques, the study links air quality changes to variations in emission strength. The findings underscore the substantial contribution of fireworks to elevated PM 2.5 levels, particularly on the first day of the lunar new year, with an average contribution exceeding 35% in most cities examined. This methodology not only sheds light on the impact of traditional celebrations on air quality but also serves as a valuable tool for informing short-term air quality interventions beyond festival-related activities.
Introduction
The introduction of the research paper addresses the persistent issue of fine particulate matter (PM 2.5) pollution, which significantly impacts air quality, human health, and climate change. Despite reductions in annual mean PM 2.5 concentrations in major economies over recent decades, severe pollution events still occur, particularly during cold seasons in the Northern Hemisphere. These events are exacerbated by unfavorable meteorological conditions and sporadic emissions from natural and anthropogenic sources. The study emphasizes the importance of understanding the causes of short-term air pollution events to inform effective mitigation policies.
A focal point of the research is the Chinese Spring Festival (CSF), which influences air quality through changes in human behavior, such as increased indoor gatherings and the use of fireworks. Notably, PM 2.5 concentrations can spike dramatically during this period, with reported levels exceeding 150 µg m⁻³ in over 250 cities in China during the 2024 Lunar New Year. The study highlights the limitations of traditional methods for identifying festival-related PM 2.5 sources and proposes a machine learning (ML)-based counterfactual modeling framework to quantify changes in PM 2.5 levels and emission strengths associated with the CSF. This framework aims to isolate the effects of the festival by predicting air quality under a business-as-usual scenario, thus providing a robust evaluation tool for air quality intervention policies.
Methods
The research employed a comprehensive methodology to analyze the data collected. Initially, a robust dataset was compiled, ensuring a diverse representation of the subject matter. The data was subjected to rigorous preprocessing steps, including normalization and outlier removal, to enhance the reliability of the subsequent analyses.
Statistical methods and computational techniques were utilized to derive meaningful insights from the dataset. Specifically, regression analysis and machine learning algorithms were implemented to identify patterns and relationships within the data. The results were validated through cross-validation techniques, ensuring the robustness of the findings. Overall, the methodological framework established a solid foundation for the research conclusions drawn in the study.
Results
The results of the source apportionment analysis for PM2.5 during the 2024 CSF haze episode in Hangzhou, China, utilized a Dynamic Nested Positive Matrix Factorization (DN-PMF) approach on a dataset collected from December 20, 2023, to February 20, 2024. An optimal nine-factor solution was identified, demonstrating robust model performance with high bootstrap mapping stability (96%-100%) and no unmapped factors. The resolved factors were interpreted as follows: coal combustion, fireworks, secondary organic aerosols, biomass burning, fugitive dust, vehicle emissions, industrial sources, secondary nitrate, and secondary sulfate.
Key findings include that Factor 1 (Coal combustion) is characterized by elevated concentrations of arsenic (As) and lead (Pb), while Factor 2 (Fireworks) shows significant potassium (K⁺) and copper (Cu) concentrations, particularly peaking during New Year’s Eve. Factor 3 (Secondary organic aerosols) accounts for over 80% of the total secondary organic carbon (SOC), indicating its formation from secondary processes. Other factors, such as biomass burning (Factor 4), fugitive dust (Factor 5), and vehicle emissions (Factor 6), exhibit distinct chemical signatures, including elevated levels of K⁺ and chloride (Cl⁻) for biomass burning, and strong elemental carbon (EC) for vehicle emissions. The analysis underscores that while tracer elements are useful for identifying sources, they do not directly correlate with the mass contributions of those sources, highlighting the complexity of atmospheric particle composition and the internal mixing of emissions.
Discussion
The discussion section of the research paper outlines the methodology and findings related to PM 2.5 air quality changes during the 2024 Chinese Spring Festival (CSF) in Hangzhou. Data on PM 2.5 chemical composition was collected from the Wolongqiao Automatic Particulate Matter Monitoring Station, covering a range of chemical species, including organic and elemental carbon, water-soluble ions, and trace elements. The study employed a combination of machine learning (ML) techniques, specifically the XGBoost algorithm, to predict counterfactual PM 2.5 concentrations under a business-as-usual (BAU) scenario, isolating the “holiday effect” attributed to increased fireworks emissions and reduced industrial and vehicular activities during the festival.
The results indicated a significant increase in PM 2.5 concentrations during the CSF, with observed levels peaking at 394 µg m⁻³, reflecting a 138 µg m⁻³ increase (174%) compared to the BAU scenario. The analysis revealed that fireworks emissions became the dominant source of PM 2.5 during the holiday, accounting for 88.4% of the reconstructed PM 2.5 concentration at its peak. Additionally, the study highlighted the importance of meteorological normalization in accurately assessing emission strength changes, demonstrating that the holiday effect led to a maximum increase of 540% in total PM 2.5 emission strength during the haze period. The findings underscore the complex interplay between festive activities and air quality, emphasizing the need for careful interpretation of results due to the inherent uncertainties in the data and modeling approaches.