虽然平流层中的O3通过吸收有害的紫外线辐射起到保护作用，但对流层中的O3却是一种强效的温室气体和主要空气污染物（Tarasick等人，2019年；Wang等人，2018年），对人类健康和生态系统构成重大风险（Liu等人，2018年；Liu等人，2019年；Worden等人，2008年）。自2013年以来，中国实施了严格的排放控制措施，使得细颗粒物（PM2.5）和二氧化硫（SO2）等污染物的环境浓度大幅降低。然而，地表O3污染仍在持续增加，尤其是在东部地区（Lu等人，2018年；Wang等人，2017年；Zheng等人，2018年）。
对流层中的O3主要在白天通过涉及NOₓ和挥发性有机化合物（VOCs）的复杂光化学反应形成（Liu和Shi，2021年；Shao等人，2024年）。其浓度还受到气象条件和非均匀化学反应的强烈影响（He等人，2017年；Li等人，2024b年；Shao等人，2025年）。在这些过程中，垂直传输起着关键作用。在阳光强烈的白天，垂直热对流通常很强，因此地表O3倾向于向上传输，导致高空O3积累。到了夜间，NO的持续排放会迅速消耗近地表的O3，而残留层则保留了大部分白天的O3，成为补充近地表O3的主要来源之一（Chen等人，2025年；He等人，2023年；Lin等人，2010年；Liu等人，2022年；Tang等人，2017年；Zhao等人，2019年）。
最近的研究强调了低对流层垂直交换在塑造地表O3污染中的关键作用。激光雷达观测、飞机测量和系留气球探测表明，夜间残留层中的O3不仅影响夜间地表O3浓度，还对次日的浓度产生显著影响（He等人，2022年；He等人，2021年；Wu等人，2023年；Zhang和Rao，1999年；Zhu等人，2020年）。数值模型（主要是化学传输模型，CTM）的研究也支持了这一观点。数值模拟研究表明，边界层顶部的垂直交换很大程度上解释了地表O3的早晨增加和下午减少现象，而残留层内增强垂直混合会显著加剧白天的O3污染（Hu等人，2024年；Qu等人，2023年）。
除了低对流层内的垂直交换外，一些研究发现，平流层向对流层的臭氧传输（STT）也会导致地表O3水平升高，尤其是在春季（Sprenger和Wernli，2003年；Yang等人，2025年；Zhao等人，2021年）。在中国，这种影响在东部平原地区最为明显，那里的大尺度天气过程（如冷锋、对流层顶折叠和台风引起的下沉）促进了平流层O3的向下传输（Chen等人，2022年；Luo等人，2024年；Meng等人，2024年）。Wang等人分析了2011年至2017年间的30次STT事件，发现这些事件使中国东部的地表O3浓度平均增加了约30 μg/m3（Wang等人，2020a）。同样，Zhang等人得出结论，2019年夏季的一次平流层臭氧入侵事件对中国北部地表O3浓度的贡献在6%到20%之间（Zhang等人，2022年）。
因此，全面理解垂直交换的影响对于准确预测和有效控制地表O3污染至关重要。传统上，CTM被认为是模拟和分析影响O3污染的物理和化学过程的最重要方法。然而，这种方法在许多方面存在局限性，包括对物理和化学过程的表示、垂直混合的描述以及排放清单的较大不确定性（Akimoto等人，2020年；Li等人，2019年）。近年来，机器学习，特别是深度学习，因其捕捉和适应复杂非线性关系以及处理大规模数据集的能力而受到广泛认可。因此，它已成为大气科学中最受欢迎的方法之一（Li等人，2024a；Tao等人，2024年；Zhang等人，2024年）。然而，在地表O3污染方面，大多数现有研究仅使用地面数据来预测地表O3浓度，很少考虑垂直大气特征，特别是垂直交换对地表O3的影响。
本研究旨在展示机器学习方法在探索垂直交换对地表O3污染影响中的应用。选择中国北部人口密集、工业活动频繁且空气污染严重的北京-天津-河北（BTH）地区作为研究目标（Mousavinezhad等人，2021年；Wang等人，2024年）。通过整合三维气象再分析数据和地面O3观测数据，构建了一个深度学习框架来捕捉地表O3浓度与影响因素之间的关系。引入了一种可解释的人工智能技术来定量分析这些影响因素的贡献，特别是对流层下层和上层的垂直交换。本研究有助于扩展数据驱动方法在理解地表O3污染等复杂环境问题机制中的应用，并提高了O3污染预测的准确性。
