机器学习辅助不同包覆层及湿度条件下黑碳气溶胶光学特性的快速建模研究

针对复杂结构黑碳(BC)气溶胶光学特性计算效率低下的难题，研究人员结合多球T矩阵(MSTM)模拟与支持向量机(SVM)算法，开发了适用于不同包覆材料(硫酸盐/OC/BrC)和湿度(RH 0-95%)条件下BC光学特性的快速预测模型。结果表明，SVM对光学效率(Qext)、不对称因子(ASY)等关键参数的预测误差普遍<20%，R2>0.85，为大气辐射传输模型提供了高效计算工具。

　　

【研究背景】
黑碳(BC)气溶胶作为化石燃料不完全燃烧的产物，是推动全球变暖的关键因素之一。这些微小颗粒在大气中会经历复杂的"老化"过程：通过与硫酸盐、有机碳(OC)等物质结合形成包覆结构，或在湿度(RH)影响下发生吸湿增长。然而，传统数值算法如多球T矩阵(MSTM)虽能精确计算其光学特性，但面对BC单体数(N=50-2000)、体积分数(V_f=0.05-0.70)等参数变化时，计算效率成为制约气候模型应用的瓶颈。

【研究方法】
河北大学团队构建了封闭胞、部分包覆和全包覆三种BC形态模型，采用MSTM生成光学特性数据库，利用SVM算法建立N、V_f等形态参数与Q_ext、ASY等光学参数的映射关系。通过相对误差(RE)和决定系数(R²)评估模型性能，并探究包覆材料(硫酸盐/OC/BrC)和RH(0-95%)对预测精度的影响。

【主要结果】

1. 形态模型影响：
   封闭胞模型对Q_ext的预测误差最高(5-20%)，而包覆聚集体模型误差<10%。ASY的R²普遍>0.95，但封闭胞模型的SSA预测R²最低(0.85-0.90)。

2. 湿度与材料影响：
   当RH升至95%或包覆材料变为BrC时，最大RE增至30%，但多数R²仍>0.85。OC包覆BC的激光雷达比预测误差显著高于硫酸盐包覆情况。

3. 参数敏感性：
   BC单体数(N)和分形维数(D_f)对预测精度影响显著，当D_f从1.80增至2.60时，ASY的RE降低约40%。

【结论与意义】
该研究首次系统评估了机器学习在复杂混合态BC光学建模中的适用性。SVM算法在保持MSTM精度的同时，将计算效率提升数个数量级，尤其对包覆聚集体模型的Q_ext预测误差<5%。尽管高湿度和BrC包覆会略微降低性能，但整体R²仍维持在0.85以上。这项发表于《Journal of Aerosol Science》的成果，为大气辐射传输模型提供了实时计算BC光学特性的新范式，对完善气候预测模型具有重要实践价值。研究同时指出，未来可通过引入深度神经网络(DNN)进一步提升对极端形态参数的预测鲁棒性。