氨浓度较高地区的PM2.5酸度季节性变化:一种用于估算氨浓度的机器学习框架

《Atmospheric Environment》:Seasonal variation of PM2.5 acidity in ammonia-enriched regions: A machine learning framework for estimating ammonia concentrations

【字体: 大 中 小 】 时间:2026年07月06日 来源:Atmospheric Environment 3.8

编辑推荐:

  魏云飞|张伟|张景深|刘岩|徐奇祥|江楠中国郑州,郑州大学化学学院,邮编450001摘要气溶胶酸度(pH值)是决定气溶胶对健康、气候及生态系统影响的关键参数。气溶胶的pH值受多种因素影响。在氨含量较高的地区,由于缺乏NH3浓度数据,仅依靠颗粒物成分数据集来估算pH值存在局限,因此

  
魏云飞|张伟|张景深|刘岩|徐奇祥|江楠
中国郑州,郑州大学化学学院,邮编450001

摘要

气溶胶酸度(pH值)是决定气溶胶对健康、气候及生态系统影响的关键参数。气溶胶的pH值受多种因素影响。在氨含量较高的地区,由于缺乏NH3浓度数据,仅依靠颗粒物成分数据集来估算pH值存在局限,因此如何在没有NH3数据的情况下确定pH值仍是亟待解决的难题。本研究采用了三种机器学习模型——随机森林、极端梯度提升和多层感知器,构建了NH3浓度预测框架。通过比较分析发现,XGBoost模型的预测性能最为出色,在全部测试数据集上的R2值达到了0.96,其可靠性还通过年度间和月度间的评估得到了进一步验证。所提出的方法被用于预测2023年四个季节中氨含量较高地区的NH3浓度,随后利用ISORROPIA-II模型计算出了各季节的pH值,结果显示冬季的pH值最高,为5.8,其次是春季,夏季最低,为2.7。这些变化主要是由SO42?、总氨浓度以及温度等关键因素的季节性波动所导致的。敏感性分析表明,在较低浓度下,pH值的变化更易受TNH3的影响,这说明减少NH3排放对于实现PM2.5控制目标至关重要。该方法为氨含量较高环境中的气溶胶pH值估算提供了创新解决方案,有助于制定基于科学依据的排放控制策略。

引言

气溶胶酸度(pH值)在大气化学、物理过程以及生态系统中的作用极为重要。它能够改变颗粒物的质量与化学组成,影响NH3/NH4+等半挥发性化合物的气体-颗粒物分配(Guo等人,2017),显著促进二次气溶胶的形成(Yang等人,2022),还会影响大气污染物(如SO2、NOx、NH3)的转化(Fu等人,2022)。此外,它还会影响金属的溶解度(Shahpoury等人,2024)、大气酸沉降(Nenes等人,2021)以及人类健康(Pye等人,2020)。研究表明,气溶胶的pH值受气溶胶成分、气态前体物质以及气象参数等多种因素的影响(Nah等人,2023)。对气溶胶酸度的研究有助于深入理解其在酸沉降和大气化学反应中的作用。通常,pH值是通过测定可溶性阳离子和阴离子的电荷平衡来估算的。然而,并非所有离子都能被准确测量,且多价离子的解离状态也尚不明确。直接测定大气气溶胶的酸度难度较大。为了更准确地确定气溶胶的pH值,需要测量气溶胶的液相水含量以及单位空气体积中的氢离子浓度。目前,估算气溶胶pH值最可靠的方法是运用热力学模型分析,比如ISORROPIA-II热力学模型(Fountoukis和Nenes,2007)。
氨(NH3)是大气中最重要的碱性物质之一,也是NH4+的关键前体。氨会与硫酸和硝酸反应,生成硫酸铵/硫酸氢铵以及硝酸盐,这些物质构成了PM2.5的重要组成部分。由于空气质量监管措施的实施,SO2和NOx的排放量预计会逐渐下降,而NH3的浓度却在上升(Skjoth和Geels,2013)。这些趋势必然会改变气溶胶的成分和质量浓度,从而对人类健康和气候系统产生深远影响。基于这些排放趋势,我们推测大气气溶胶的酸度会随时间显著降低。Song等人使用多种热力学模型计算了中国北方冬季雾霾的pH值(Song等人,2018)。他们发现,仅以气溶胶颗粒相成分作为输入的逆模式计算方法对离子种类的测量误差极为敏感,从而导致pH值出现双峰分布,峰值分别位于-2到2之间以及7到10之间。相比之下,结合气体和颗粒物总浓度数据的正模式计算则受测量不确定性的影响要小得多,这凸显了NH3在pH值测定中的重要性。Wei等人进一步指出了那些仅使用颗粒相成分数据集进行pH值估算的热力学模型的局限性(Wei等人,2023),强调在氨含量较高的地区不能忽视NH3的作用。不过,与现有的大量PM2.5成分数据相比,由于仪器限制以及观测时间较短,NH3的测量数据往往在时间上不够充足或完全缺失。Rodney J. Weber等人尝试使用ISORROPIA的逆模式来预测NH3浓度(Weber等人,2016)。Hennigan等人则指出,ISORROPIA的逆模式预测出的气溶胶pH值与实际观察到的NH3–NH4+分配情况不符,且在氨含量较高的地区会高估酸度(Hennigan等人,2015)。Fang等人提出了一种迭代方法来估算NH3浓度(Fang等人,2017)。然而,我们基于现有数据进行的计算却发现了NH3浓度估算结果无法收敛的问题。在之前的研究中,有人开发了一种将SPSS与多元线性回归相结合的新方法来模拟NH3浓度(Wei等人,2023)。虽然这种方法在一定程度上实现了较为准确的NH3估算,但其假设的线性关系过于简化了现实世界的复杂性,而且当应用于大规模数据集时,也无法满足快速计算的需求。鉴于这些局限性,迫切需要探索更为高效、准确且计算性能更强的NH3浓度估算方法。
近年来,机器学习方法由于其能够构建具有强大预测能力的非线性模型,已成为预测污染物浓度的有力工具。常见的机器学习算法包括决策树和神经网络(Lv等人,2024)。随机森林和极端梯度提升这类基于树的模型已被广泛用于时空尺度上的PM2.5浓度预测(Choubin等人,2020;Wen等人,2019)。这类模型在训练效率以及回归性能方面都具有优势。不过,目前仍有较少研究探讨在氨含量较高的地区应用机器学习方法来预测NH3浓度。
本研究的主要目标是利用多种机器学习模型构建一个NH3浓度评估框架。这里要解决的一个关键科学问题在于,长期NH3监测数据严重缺乏,而这正是氨含量较高地区计算气溶胶pH值所必需的。通过分析和比较不同机器学习方法的预测性能,我们选出了最适合用于估算季节性NH3浓度的模型。这样一来,我们就能够得出与观测数据相符的气溶胶pH值,同时还能深入研究pH值的季节性变化及其主要驱动因素。所提出的方法有效解决了现有方法在处理大规模数据集时的计算效率问题,为在氨含量较高的地区准确计算气溶胶pH值提供了高效且可靠的解决方案。这些进展有助于制定基于科学依据的减排策略,从而减轻空气污染。

章节节选

采样信息

本研究的监测点位于河南大气雾霾监测站(东经113°44′,北纬34°34′)。水溶性无机离子(包括Na+、Cl?、Ca2+、K+、Mg2+、NH4+、NO3?和SO42?)的小时浓度是使用在线型环境空气气溶胶与气体监测仪(MARGA ADI,2060;荷兰Applikon公司)测得的,该监测仪的采样颗粒尺寸为PM2.5,采样流速为16.7?L/min。MARGA系统由采样单元、分析单元以及

PM2.5与WSII的季节性变化

表1总结了2023年PM2.5、WSII以及气态污染物的季节性变化情况。PM2.5浓度呈现出明显的季节性差异,从高到低的顺序为冬季(99.14?μg?m-3)>春季(56.71?μg?m-3)>秋季(45.06?μg?m-3)>夏季(19.16?μg?m-3)。值得注意的是,冬季的PM2.5浓度是夏季的5.2倍,这很可能是由于冬季供暖导致污染物排放增加,再加上不利的气象扩散条件所致,而夏季浓度较低则与

结论

本研究提出了一种利用多种机器学习模型评估NH3浓度的方法。通过分析比较不同模型的预测性能,我们选出了最适合用于估算季节性NH3浓度及气溶胶pH值的最优算法。同时,我们还全面研究了pH值的季节性变化及其主要驱动因素:
  • (1)
    在经过评估的三种模型——随机森林、XGBoost和多层感知器中,XGBoost模型在预测NH3浓度方面表现最为优异,

CRediT作者贡献说明

魏云飞:正式分析、方法设计、验证、初稿撰写。张伟:指导工作。张景深:数据整理。刘岩:指导工作。徐奇祥:正式分析、方法设计、修改润色。江楠:资金筹集、项目管理、修改润色。

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究得到了中国国家自然科学基金(项目编号52570217&52170117)以及河南省青年科学基金项目(A类)(项目编号262300421052)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号