近日，中国科学院城市环境研究所陈进生研究团队在东南沿海城市厦门开展大气强化观测，利用大气超级站的颗粒物粒径谱仪（SMPS）、化学电离质谱仪（CIMS）等装备条件，结合机器学习方法深入研究了厦门城区核模态颗粒物数浓度的分布特征及重要影响参数。相关研究成果以New Insights on the Formation of Nucleation Mode Particle in a Coastal City-Based on Machine Learning Approach为题，发表于自然指数收录期刊Environmental Science & Technology上。杨辰博士生为第一作者，陈进生研究员等人为通讯作者。本研究受国家自然科学基金重点项目、国家重点研发计划课题以及中央引导地方科技专项等的资助。 

　　世界卫生组织（WHO）报告显示，2018年全球80%以上的人口受到空气污染的影响，主要是颗粒物污染，导致每年800多万人失去生命。大气颗粒物会显著降低大气能见度，直接和间接影响地球局部和全球气候，同时对人类健康产生显著负面影响。中国城市现行的空气质量标准主要考虑颗粒物的质量浓度而非数浓度，从而忽略了超细颗粒（直径≤100 nm）的潜在危害。尽管研究中报告的超细颗粒的质量贡献微乎其微，但在城市环境中，其数浓度可能占主导地位。在这些超细颗粒中，核模态颗粒经历了共聚-捕集和气-粒转化等过程，可能演变为爱根核模态和积聚模态颗粒物。因此，核模态颗粒物数浓度（PNCN）的变化对气候过程和人类健康产生重大影响。然而，当前对不同环境中调控PNCN的具体因素的认识仍然有限。 

　　本研究采用一种新颖的数据驱动方法，考察了影响沿海城市厦门新粒子生成日PNCN的因素。采用了三种机器学习模型进行模拟：随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN），并强调了以平衡的特征选择过程确保模型的可行性。RF模型表现出卓越的准确性，提升了机器学习的可解释性。严格的交叉验证和排列测试确认了RF模型的可靠性。通过SHAP值、均方误差增加、节点纯度增加和平均最小深度的综合评估，确定了紫外辐射强度（UV）、硫酸（H₂SO₄）、低挥发性氧化性有机物（LOOMs）、温度和臭氧（O₃）是影响PNCN的关键因素。与先前的研究结果一致，UV发挥着首要作用，而H₂SO₄和LOOMs的影响则在本研究中得到了验证。c-ICE分析凸显了UV、H₂SO₄、LOOMs、温度和O₃对PNCN的正相关影响。模拟计算证明了H₂SO₄的凝结对核模态颗粒物生长的贡献，而LOOMs的凝结可能有助于核模态颗粒物的生长。PDPs分析揭示了复杂因素的相互作用，强调了H₂SO₄和LOOMs在阴天和夜间条件下对PNCN的贡献。 

　　总之，机器学习技术提供了一种先进的方法来探究PNCN的决定因素，促进了对大气中核模态颗粒物形成和生长机制的深入探讨。然而，未来研究应该拓展到其他模态的颗粒物，包括爱根核模态和积聚模态。全面了解不同粒径颗粒物赋存的驱动因素对理解颗粒物数浓度分布及演变至关重要，并将为制定有效的颗粒物控制策略提供坚实的基础。 

基于机器学习方法研究核模态颗粒物数浓度分布的影响因子的工作流程

基于随机森林模型的多重指标评估特征参数重要性