第九届青年地学论坛

目前已识别的棕碳气溶胶（BrC）的发色团通常只能解释不到25%的环境气溶胶的光学吸收，这使得对BrC的光学特性与化学组成之间的研究有所局限。本研究对西安棕碳气溶胶中的四类共38种典型发色团的质量浓度和光学吸收的季节变化情况进行表征。基于这些表征信息，采用机器学习模型及Shapley Additive Explanation（SHAP）方法探索棕碳的化学组成与光学特性之间的关系。该模型的预测结果和观测结果的相关系数（r）在对棕碳吸收系数（Abs_λ）的预测中均大于0.94，在对棕碳zhiliang 吸收效率（MAE_λ）的预测中均大于0.6。其中，四环和五环的多环芳烃和含氧多环芳烃对BrC的Abs_λ产生显著的正向效应，表明与这些发色团结构相似的未知发色团可能也会对BrC的光学特性产生显著影响。此外，基于发色团质量浓度构建的模型可以解释70%以上的Abs_ave和MAE_ave的变化，这进一步简化了BrC光学性质的研究。本研究为BrC化学成分与光学性质之间关系的研究提供了新的视角，并为未知发色团的识别提供了一定的指导。
 

棕碳，发色团，机器学习，SHAP，化学组成，光学性质