通过可解释的机器学习,揭示水溶性PM_2.5氧化潜力的来源

科学领域:

• 环境化学环境化学
• 大气科学 大气科学
• 毒理学 毒理学 毒理学

背景情况:

• 量化有机化合物和过渡金属对PM2.5氧化潜力 (OP) 的个人贡献是具有挑战性的,因为它们的复杂氧化还原相互作用.
• 传统的回归方法不足以准确评估PM2.5 OP的来源和影响.
• 了解PM2.5 OP的驱动因素对于减轻相关健康风险至关重要.

研究的目的:

• 开发和应用一种新的极端梯度提升与SHapley添加式扩张 (XGBoost-SHAP) 模型相结合的新型模型,以量化化学物种和来源对PM2.5 OP的贡献.
• 通过使用双测试数据 (DTT消耗和OH生产) 调查北京水溶性PM2.5 OP的关键氧化还原活性成分和来源.
• 建立一个强大的非线性回归方法,以更好地了解PM2.5 OP来源,并为缓解策略提供信息.

主要方法:

• 使用XGBoost-SHAP模型进行PM2.5氧化潜力的非线性回归分析.
• 雇员双测试数据测量了DTT消费 (DTTv) 和OH生产 (OHv).
• 纳入了20种化学特征,5种气象特征和9种水溶性有机化合物 (WSOC) 源特征,这些源特征来自正矩阵分解 (PMF).

主要成果:

• 适度水性水溶性有机化合物 (WSOC) 被确定为DTTv和OHv最有影响的因素.
• 主要和次要WSOC来源对DTTv做出了重大贡献 (分别为44.9%和55.1%).
• 二级WSOC主要驱动OHv,占其活动的84.6%. 更简单的WSOC源因子在夏季模拟中表现更好.

结论:

• XGBoost-SHAP模型提供了一种可靠的方法来剖析各种因素对PM2.5氧化潜力的贡献.
• 水溶性有机化合物,特别是二级WSOC,是北京PM2.5氧化潜力的关键贡献者.
• 研究结果为有针对性的策略提供了有价值的见解,以减少PM2.5相关的健康风险.