Machine-learning is a robust technique for understanding pollution characteristics of surface ozone, which are at high levels in urban China. This study introduced an innovative approach combining trend decomposition with Random Forest algorithm to investigate ozone dynamics and formation regimes in a coastal area of China. During the period of 2017–2022, significant inter-annual fluctuations emerged, with peaks in mid-2017 attributed to volatile organic compounds (VOCs), and in late-2019 influenced by air temperature. Multifaceted periodicities (daily, weekly, holiday, and yearly) in ozone were revealed, elucidating substantial influences of daily and yearly components on ozone periodicity. A VOC-sensitive ozone formation regime was identified, characterized by lower VOCs/NOx ratios (average = 0.88) and significant positive correlations between ozone and VOCs. This interplay manifested in elevated ozone during weekends, holidays, and pandemic lockdowns. Key variables influencing ozone across diverse timescales were uncovered, with solar radiation and temperature driving daily and yearly ozone variations, respectively. Precursor substances, particularly VOCs, significantly shaped weekly/holiday patterns and long-term trends of ozone. Specifically, acetone, ethane, hexanal, and toluene had a notable impact on the multi-year ozone trend, emphasizing the urgency of VOC regulation. Furthermore, our observations indicated that NOx primarily drived the stochastic variations in ozone, a distinguishing characteristic of regions with heavy traffic. This research provides novel insights into ozone dynamics in coastal urban areas and highlights the importance of integrating statistical and machine-learning methods in atmospheric pollution studies, with implications for targeted mitigation strategies beyond this specific region and pollutant.

Volatile organic compounds (VOCs), the precursors of ozone and fine particulate matter, are one of the atmospheric pollutants harmful to human health. The emission characteristics of VOCs in Anyang, a typical industrial city in the Central Plains of China, are unclear. To determine the emission level and composition of local VOCs, this study conducted on-site sampling of 20 factories in eight key industries. A total of 105 VOC species in seven categories were observed. The concentration of total VOCs emitted from the eight industries in order from large to small was as follows: packaging and printing > pharmaceutical > paint manufacturing > industrial coating > chemical industry > metal smelting > furniture manufacturing > textile printing and dyeing. In addition to industrial coating, the total VOCs and their corresponding ozone formation potential of organized emissions in seven industries (1.44–87.64, 1.52–181.61 mg/m3) were higher than those of unorganized emissions (0.38–24.17, 0.38–125.55 mg/m3). The VOC emissions were concentrated in the central, south-central, and south-eastern parts of the city, mainly from the factories in the packaging and printing, pharmaceutical, paint, and coating industries. The furniture manufacturing (4.55 × 10−3) and pharmaceutical (1.66 × 10−3) industries in organized emissions were at high risk of carcinogenesis, while the pharmaceutical industry in unorganized emissions (3.61 × 10−4) was at moderate risk of carcinogenesis. Naphthalene was the main high-risk compound. In terms of non-carcinogenic risk, the packaging and printing industry in organized emissions (228.51) and the metal smelting industry in unorganized emissions (16.16) had the highest risk, and the main high-risk compound was ethyl acetate.