大气中HONO来源的研究进展

由于亚硝酸(HONO)在大气中所扮演的重要角色如:OH自由基的前体物以及对臭氧和光化学烟雾形成的促进作用而引起科学界的广泛关注,然而对于大气中HONO的来源问题,特别是它的非均相形成过程目前尚未清楚.本文从HONO在大气中的重要意义及目前国际上对HONO来源的研究现状,特别是它的非均相形成机理进行了阐述;由于其在大气化学中的重要意义,提出我国开展大气HONO研究的重要性,并对其来源问题进行了讨论与展望.     

合肥市典型交通干道大气苯系物的特征分析

为研究合肥市交通干道大气苯系物污染状况,采用自主研制的差分吸收光谱(DOAS)系统,于2016年3月期间对合肥市交通主干道大气苯系物(苯、甲苯、间二甲苯和邻二甲苯)以及常规污染物NO_2、SO_2等进行了连续观测.观测结果显示,观测期间苯、甲苯、间二甲苯和邻二甲苯的平均浓度分别为:21.7、63.6、33.9和98.7μg·m~(-3).与国内外其它城市比较显示,合肥市交通干道大气苯和甲苯的污染处于中等水平,二甲苯的污染较为严重.结合观测期的间风速风向、T/B特征比值以及与CO等污染物的相关性,对上述苯系物来源进行了分析,结果显示观测期间T/B值为0.8~4.5,苯、甲苯与CO的相关性系数R分别为0.55和0.34.表明机动车尾气排放是观测区域苯和甲苯的主要排放源之一,同时也受到周边工业园区排放的影响,二甲苯的主要排放源为观测地点北偏东方向的涂料行业工业园区.苯和甲苯的夜间高浓度峰值分析结果表明,夜间的高浓度苯和甲苯可能主要来源于观测地点周边工业园区的排放.观测区域苯系物的臭氧生成潜势(OFP)表现为邻二甲苯间二甲苯甲苯苯,其中二甲苯的OFP占总OFP的85%,表明周边工业园区的排放对该地区臭氧生成的贡献较大.     

基于Stacking集成学习模型的气态亚硝酸预测

建立了基于Stacking集成学习下气态亚硝酸（HONO）预测模型.利用非相干宽带腔增强吸收光谱（IBBCEAS）系统获得的北京城区HONO的浓度,结合HONO的来源,选取了O₃、CO、SO₂、NO、NO₂、NO_y、温度（T）、相对湿度（RH）、风速（WS）、j（HONO）、j（NO₂）、j（O¹D）作为特征数据,通过对HONO的平均日变化分析,将测量时间按小时转换为新特征.分别以极端梯度提升（XGBoost）、轻量化梯度促进机（LightGBM）以及随机森林（RF）算法构建基模型,采用5折交叉验证的方式划分训练集,将基模型输出的结果作为新特征集,并将新特征集作为第二层线性回归模型的输入,通过对这两层中的模型进行训练,最终得到Stacking集成学习HONO预测模型.通过对模型的特征重要度分析和计算夜间交通直接排放所占的贡献,表明CO是模型预测中重要的影响因子,说明机动车的直接排放是该区域冬季时期HONO的重要来源.利用测试集分别对单模型和融合后模型的预测性能进行评估,3个单模型的预测结果与测量值的相关系数都达到了0.91以上,其中Stacking融合后的模型性能最好,相关系数达到了0.94,平均绝对误差和均方根误差分别为0.307×10^-9和0.453×10^-9,结果表明基于Stacking集成学习方式下HONO预测模型的可解释性和推广性.