以知识为导向的机器学习揭示了大气中酸盐从气体转化为粒子的关键驱动因素

科学领域:

• 大气化学 大气化学
• 环境科学 环境科学
• 计算化学计算化学

背景情况:

• 微粒酸盐是微粒的主要组成部分,对空气质量至关重要.
• 酸盐的气体变粒子系数 (ε(NO₃^-)) 控制了它的形成.
• 传统的机器学习模型难以应对 ε ((NO₃^-) 驱动程序的复杂性和可解释性.

研究的目的:

• 开发一种可物理解释的机器学习方法来分析 ε ((NO₃-).
• 识别和量化影响酸盐从气体转化为粒子的关键驱动因素.
• 将一种新的方法与大气化学中的传统方法进行比较.

主要方法:

• 使用监督机器学习方法:以理论为指导的多层嵌套随机森林.
• 应用该模型来分析 ε ((NO₃^-) 和其环境驱动因素之间的复杂,非线性关系.
• 将结果与传统的随机森林分析进行比较,以突出物理解释的差异.

主要成果:

• 强烈确定了 (NH4+),硫酸盐 (SO2-) 和温度作为的关键驱动因素.
• 在理论引导的方法和传统的随机森林结果之间展示了显著的差异.
• 在白天 (30%) 和夜间 (40%) 期间量化了NH₄⁺的实质性影响.

结论:

• 理论引导的机器学习方法为大气过程提供了透明的物理解释.
• 将领域知识与机器学习相结合,提高了对颗粒酸盐形成的理解.
• 这种方法为空气质量驱动因素和污染物形成机制提供了更深入的见解.