清华大学王书肖团队STOTEN：利用集成机器学习方法模拟中国大气亚硝酸的时空分布

近年来，我国以高浓度臭氧（O3）和细颗粒物（PM2.5）为主要特征的城市复合型大气污染形势较为严峻。亚硝酸（HONO）是大气中羟基（OH）自由基的主要来源，在大气中一次污染物的氧化降解以及O3和二次气溶胶的形成中起关键作用。研究大气HONO的时空分布对于认识大气氧化过程并控制区域空气污染具有重要意义。本研究利用随机森林、反向传播神经网络、梯度增强决策树方法模拟了我国长时间尺度（2006-2017年）、高分辨率（0.25°）的HONO日均浓度，并采用集成学习方法将这3种模型的输出结果进行耦合以提高模型的泛化能力。该研究结果可为大气化学研究提供重要的基础数据。

图1为RF、BPNN、GBDT和集成模型对HONO模拟效果的对比图。几种模型的十折交叉验证R²分别为：集成模型（0.70） >梯度增强决策树(GBDT)（0.66）> 随机森林模型(RF)（0.54） >反向传播神经网络(BPNN)（0.37），RMSE值呈现相反的变化趋势，表明集成模型具有最优的模拟效果。

图1 RF、BPNN、GBDT和集合模型的交叉验证结果散点图

中国不同年份的HONO浓度呈相似的空间分布趋势，HONO浓度的高值区出现在华北平原、长三角、珠三角地区以及四川盆地的部分地区（图2）。2006-2013年全国HONO平均浓度在0.43±0.28 ppbv到0.48±0.29 ppbv之间小幅波动，但2013-2017年间下降明显，由0.48±0.29 ppbv降至0.35±0.28 ppbv。这可能与2013年我国开始实施《空气污染防治行动计划》有关。其中，珠三角、京津冀和长三角地区HONO浓度在2013-2017年间分别由0.86±0.40 ppbv、0.85±0.48和0.84±0.30 ppbv降低至0.62±0.46 ppbv、0.78±0.47 ppbv和0.74±0.38 ppbv。

图2 2006-2017年中国HONO浓度的空间分布

图3 中国HONO浓度的年变化趋势

颗粒物NO₃^-浓度、NO₂柱密度、城市面积、一年中的第几天（DOY）和露点温度是影响HONO预测的重要因素。城市面积与城市化、能源消耗和经济活动水平相对应，因此与污染排放相关。DOY的重要性表明HONO浓度具有显著的时间自相关。露点温度反映环境相对湿度，可通过影响NO₂在湿表面的非均相转化率影响HONO的产率。农田、森林和草地面积对HONO浓度的影响较小。尽管有证据表明土壤微生物活性可能是一个重要的HONO来源，但本研究中该类土地利用类型变量的重要性相对较低，表明中国的HONO生成主要受人为源的影响。

图4 影响HONO模拟结果的变量重要性

NO₃^-：颗粒物硝酸盐浓度。Urban：城市面积。DOY：一年中的第几天。D2m：2m处的露点温度。NO₂：NO₂柱密度。V10和U10：10m的东西向和南北向的风速分量。AOD：气溶胶光学厚度。Tp：6小时总降水量。T2m：2米处的温度。DEM：海拔高度。Agr：土地利用类型为农业的区域。GDP：国内生产总值。Forest：森林面积。Grassland：草地面积。

基于集成的机器学习方法模拟了2006-2017年间中国0.25°分辨率的HONO日均浓度。该集成机器学习方法对于HONO模拟有较好的模拟效果，十折交叉验证的R²为0.70。全国HONO浓度的高值区出现在京津冀、长三角、珠三角和四川盆地的部分地区。全国HONO平均浓度在2006-2013年间呈现较平稳的变化趋势，但是2013年后呈现明显下降趋势。本研究得到的长时间尺度的HONO浓度数据对于城市地区的大气污染控制具有重要意义。

扫二维码 | 查看原文

https://www.sciencedirect.com/science/article/abs/pii/S0048969721023962

本文内容来自ELSEVIER旗舰期刊Sci Total Environ第785卷发表的论文：

Lulu Cui, Shuxiao Wang, Mapping the daily nitrous acid (HONO) concentrations across China during 2006–2017 through ensemble machine-learning algorithm. Sci Total Environ 2021, 785, 147325.

https://doi.org/10.1016/j.scitotenv.2021.147325