细颗粒物（PM2.5）长期以来一直被视为一个重要的环境和公共卫生问题（Lu等人，2014年）。尽管在陆地上对PM2.5的表征已进行了大量研究，但其在大海洋区域的浓度、行为和环境后果仍知之甚少。特别是，PM2.5的大气沉降通过改变营养循环、导致酸化以及输送有害污染物而影响海洋生态系统（Chen等人，2021年；Park等人，2022年）。这些效应在受到强烈大陆气流影响的边缘海域尤为明显。然而，由于观测数据有限，我们对海洋大气中PM2.5动态及其对减排措施的反应了解不足，因此迫切需要探索估算海洋环境中PM2.5浓度的替代方法。
除了观测数据外，传统的估算海洋大气中PM2.5的方法主要依赖于大气化学传输模型（CTMs），这些模型基于物理化学机制模拟气溶胶的排放、转化和传输过程（Sánchez-Ccoyllo和Alonso，2024年）。然而，CTMs在海洋大气环境中的应用通常受到空间分辨率粗糙、气溶胶参数化简化以及排放清单不完整等因素的限制，从而导致较大的不确定性。基于卫星反演的气溶胶光学厚度（AOD）的实证模型也被开发出来用于估算PM2.5浓度（Ma等人，2016年；Wu等人，2016年）。但实证模型（如线性回归、地理加权回归）难以捕捉AOD与地表PM2.5之间的复杂非线性关系。近年来，深度学习在提高PM2.5估算精度方面显示出巨大潜力，其在高精度建模和强非线性拟合方面具有优势（Zhao等人，2021年；Zhou等人，2019年）。例如，Borjigen等人（2024年）使用深度神经网络（DNN）估算了疫情前后长江三角洲的PM2.5变化，R2为0.78。Wang等人（2022年）使用深度学习模型估算了中国的PM2.5浓度，R2在0.78-0.87之间，并在七个地理区域实现了出色的空间泛化能力。然而，深度学习方法主要集中在陆地大气环境中PM2.5浓度的估算，其在海洋大气环境中的应用潜力仍有待探索。
中国长期以来被认为是全球PM2.5污染最严重的国家之一，其东部边缘海域直接位于主要工业和城市排放区的下风向。季风驱动的气流将大量大气污染物输送到这些海洋区域，加剧了生态风险。为了减轻这些影响，中国实施了一系列国家清洁空气政策，特别是2013年的《大气污染防治行动计划》（APPCAP）（中华人民共和国国务院，2013年）和2015年的《船舶和港口污染防治行动计划》（中华人民共和国交通运输部，2015年）。APPCAP强调减少煤炭消耗和产业升级，导致陆地PM2.5浓度显著下降。2015年的海洋专项计划进一步将控制措施扩展到港口运营和航运活动，特别是在渤海沿岸地区、长江三角洲和珠江三角洲等沿海经济枢纽。虽然这些政策在陆地环境中的有效性已有充分记录（Huang等人，2024年；Zheng等人，2023年），但尚不清楚海洋区域是否以及如何响应这些减排措施。
在这种背景下，渤海为评估海洋大气中PM2.5对政策驱动的减排措施的响应提供了理想的实验场所。本研究开发了一个PM2.5-DNN模型，用于估算2015–2023年间渤海地区的PM2.5浓度，整合了AOD、气象再分析和时间指标。与大多数专注于具有密集监测网络的陆地环境的PM2.5研究不同，本研究针对的是海洋大气环境。该模型捕捉了这些变量之间的复杂非线性关系，克服了传统方法（如化学传输模型和基于AOD的实证方法）的局限性。本研究的主要目标是开发PM2.5-DNN模型，以估算2015年至2023年间渤海地区的PM2.5浓度，并评估海洋大气中PM2.5对中国减排策略变化的时空动态。除了方法上的进步外，本研究还提供了定量证据，以支持清洁生产策略和可持续的沿海空气质量治理。
