编辑推荐：
黑碳（BC）影响环境与健康，但其监测空间覆盖有限。研究人员利用机器学习（ML）模型，基于淀山湖（DSL）数据构建 BC 预测模型。该模型在多场景下 R2 较高，部分城市可达 0.75 - 0.84，有助于区域空气质量管控。
在城市快速发展的当下，大气污染逐渐成为人们关注的焦点。黑碳（BC），作为一种对气候和人类健康影响重大的大气污染物，悄然在空气中 “兴风作浪”。它能够吸收太阳辐射，成为全球变暖的 “帮凶”，还与细颗粒物（PM2.5）紧密相连。长期暴露在含有黑碳的空气中，人们患呼吸道和心血管疾病的风险大大增加。想象一下，城市里车水马龙，工厂机器轰鸣，生物质燃烧产生的烟雾弥漫，这些活动都在源源不断地向空气中排放黑碳。然而，目前对黑碳的监测却面临着诸多难题。监测设备不仅价格昂贵，还需要定期维护和校准，这使得在大规模区域内全面监测黑碳变得困难重重，数据的缺乏也让我们对黑碳的分布和变化难以准确把握。
为了解决这些问题，来自复旦大学环境科学与工程系和芬兰赫尔辛基大学大气与地球系统研究所（INAR/Physics）的研究人员携手展开了一项重要研究。他们的研究成果发表在《Environmental Pollution》上，为我们深入了解黑碳，改善空气质量带来了新的希望。
研究人员运用了多种关键技术方法。首先，收集了淀山湖（DSL）站点 2021 年 6 月至 2022 年 6 月一整年的观测数据，这些数据成为后续研究的基石。然后，采用机器学习（ML）技术，运用包括 IAP、LASSO、RF 和 SNN 等多种模型进行分析。通过这些模型，将气象参数、污染源排放等多维数据进行整合，从而构建出黑碳预测模型。
研究结果如下：
- DSL 站点分析：对 DSL 站点的研究发现，该站点黑碳存在明显的季节性变化，冬季浓度达到峰值，夏季则最低。进一步分析其来源，发现液体燃料燃烧是黑碳的主要来源，占比高达 68%，生物质燃烧和煤炭燃烧各贡献了 16%。这一结果让我们清晰地认识到不同排放源对黑碳浓度的影响。
- BC 模型性能与评估：研究人员在 DSL 站点对构建的黑碳预测模型进行评估。其中，SNN 模型表现出色，在所有场景下 R2 值均超过 0.80 。而且，该模型在交通高峰时段预测效果更好，这充分说明了交通对黑碳水平的重要影响。研究人员还将模型应用到长三角地区其他站点进行测试，结果显示，模型在不同站点的 R2 值在 0.45 - 0.84 之间。其中，杭州（HZ）、南京（NJ）和浦东（PD）的结果最为突出，R2 值分别在 0.75 - 0.81、0.78 - 0.80 和 0.76 - 0.84 之间。这表明该模型能够有效捕捉在排放和气象条件相似情况下的黑碳浓度变化。
研究结论表明，研究人员通过对 DSL 站点黑碳特征和来源的全面分析，明确了黑碳的季节性变化规律和主要来源。构建的机器学习模型在预测黑碳浓度方面具有较高的准确性，尤其是 SNN 模型在多个场景下表现优异，并且在长三角地区其他站点也展现出了良好的适用性。这一研究意义重大，不仅为长三角地区的空气质量管理提供了有力的技术支持，有助于制定更精准有效的空气污染防控策略，还为全球其他污染严重地区在黑碳预测和空气质量改善方面提供了宝贵的借鉴经验。它让我们朝着更加清洁、健康的大气环境又迈进了坚实的一步。
