近日，南京信息工程大学章炎麟教授团队研究成果“Using machine learning to quantify sources of light-absorbing water-soluble humic-like substances (HULISws) in Northeast China”于2022年9月发表在《Atmospheric Environment》杂志，文章首次使用机器学习算法拟合类腐殖质来源与其光学性质（包括吸光系数、质量吸光指数和吸收埃指数）的非线性函数关系，并使用排列重要性方法量化了各排放源对类腐殖质光学性质的相对贡献。团队硕士研究生洪一航为论文第一作者，曹芳教授和章炎麟教授为该论文共同通讯作者。该研究得到了国家自然科学基金（42192512和41977305）、江苏省自然科学基金（BK20180040）和江苏省双创团队项目的支持。
水溶性类腐殖质（HULISws）是水溶性有机碳气溶胶的主要吸光性组分，由含有羰基、羧基和羟基等多个官能团的疏水脂肪族化合物组成，对气候变化和人类健康影响巨大。东北平原作为我国最重要的生物质燃烧和化石燃料燃烧污染源区，可以向大气中排放较多的吸光性污染物。在这项工作中，于2016年10月17日至11月29日在长春市中科院地理所逐日采集了大气细颗粒物（PM2.5）样品，以探究HULISws光学性质的潜在来源。整个采样周期根据火点数量和集中供暖时间分为三个子时期：非供暖期（10月17日至10月24日）、供暖前期（11月25日至11月13日）和正常供暖期（12月14日至12月29日）。
正定矩阵因子分解（PMF）模型结果表明，在非供暖时期，一次生物质燃烧、二次生物质燃烧和化石燃料燃烧排放的贡献分别为46%、24%和19%，供暖前期为22%、29%和17%，正常供暖期为13%、16%和50%。随后将PMF结果进一步与机器学习算法相结合，量化了每个排放源对HULISws光学性质的贡献。研究结果表明，生物质燃烧仍然是中国东北HULISws光学性质的主要贡献者。在整个采样期间，一次和二次生物质燃烧分别贡献了25%和34%的吸光系数（Abs）、22%和33%的质量吸光指数（MAE）以及17%和33%的吸收埃指数（AAE）。其他来源如烹饪排放和化石燃料燃烧分别占Abs的25%和35%，MAE的35%和26%，AAE的16%和33%。
文章链接：https://doi.org/10.1016/j.atmosenv.2022.119371