在欧洲的密集监测网络中,机器学习驱动的有机气溶来源的重建
Adrien Jouanny1, Abhishek Upadhyay1, Jianhui Jiang2
1PSI Center for Energy and Environmental Sciences, 5232 Villigen, Switzerland.
Environmental science & technology letters
|November 17, 2025
概括
机器学习模型现在使用广泛可用的数据预测有机气溶 (OA) 的来源,这是一个主要的空气污染物. 这扩展了源数据的4倍,使得更好的污染热点识别和暴露评估.
科学领域:
- 环境科学 环境科学
- 大气化学 大气化学
- 公共卫生 公共卫生
背景情况:
- 细颗粒物 (PM) 是一个重要的公共卫生风险,有机气溶 (OA) 是主要组成部分.
- 鉴定碳化合物类OA (HOA),生物质燃烧OA (BBOA) 和氧化OA (OOA) 等OA来源是非常重要的,因为它们具有不同的影响.
- 目前的OA源分配方法昂贵且数据有限,大多数全球数据未被分类.
研究的目的:
- 开发和验证机器学习模型来预测OA源 (HOA,BBOA,OOA).
- 利用广泛可用的有机碳 (OC) 测量方法来克服传统来源分配的局限性.
- 显著扩大欧洲各地分类开放版来源的数据集.
主要方法:
- 训练有素的机器学习模型使用现有的OA源分配数据和有机碳 (OC) 测量.
- 将模型应用于2010-2019年的欧洲数据.
- 在预测HOA,BBOA和OOA分数时验证的模型性能.
主要成果:
- 性能最好的模型将OA源数据集扩展了四倍,在180个站点生成了8.5万个每日分配值.
- 冬季HOA和BBOA度达到峰值,特别是在城市地区.
- OOA仍然是占主导地位的OA分数,季节性变化较小,分布更为区域.
结论:
- 机器学习有效地预测开放式访问的来源,大大提高了数据的可用性.
- 扩展的数据集可以更好地识别污染热点.
- 这项工作支持更准确的,高分辨率的微颗粒物暴露评估.
