基于机器学习的HONO（高氧化氮）来源分配研究——以高氨浓度的街道峡谷微环境为例

《ACS ES&T Air》：Machine Learning-Driven Source Apportionment of HONO in High-Ammonia Street Canyon Microenvironments

本研究通过街道峡谷和城市站点对比观测，发现高NH3环境下未知源贡献显著，但NH3直接促进SO2/NO2反应生成HNO的路径贡献较小。修正分析框架后，未知源贡献降至1.3 ppbv/h，证实NH3在异质反应中的关键作用。

　　

气态亚硝酸（HONO）是大气中羟基自由基（OH）的主要前体，但其来源至今尚未完全明了。虽然已知氨（NH₃）可以促进NO₂生成HONO的异相反应，但在实际高氨浓度（高NH₃）环境中，氨的具体作用仍不清楚。本研究在一条街道峡谷和城市区域进行了全面观测。结果显示，街道峡谷内的HONO浓度（高出2.0倍）和NH₃浓度（高出1.7倍）均显著高于城市区域。直接来自车辆的排放物仅贡献了约27.5%的HONO生成量，对应的平均ΔHONO/ΔNO_x排放因子为1.0%。此外，还存在一个未知的排放源（P_unknown），其在街道峡谷中以1.9 ppbv h^–1的速率促进HONO的生成。通过机器学习分析，发现NH₃是该未知排放源（P_unknown）的主要促成因素。高浓度的NH₃会提高气溶胶的pH值，从而促进SO₂与NO₂之间的氧化还原反应生成HONO，但这一由NH₃介导的反应途径的贡献较小（仅为0.0002 ppbv h^–1）。将环境中的NH₃浓度纳入分析框架，对NO₂的吸收系数进行修正至关重要，这一修正使估计的P_unknown浓度降至1.3 ppbv h^–1，并将NH₃的地位降为次要因素。这一结果验证了NH₃在城市高氨浓度微环境中促进异相NO₂反应、进而影响P_{unknown生成过程的重要作用。}