研究基于长光程差分吸收光谱（DOAS）观测系统，在冬季上海城区典型站点开展连续外场观测，结合HONO源汇收支分析结果以及可解释随机森林（RF）机器学习模型，利用SHAP（沙普利加和解释）方法开展特征重要性评估与多因子敏感性分析，深入探讨了夜间非均相转化过程对HONO生成的贡献水平的影响，及气溶胶理化特性与气态前体物的调控作用。相关研究成果在《Atmospheric and Oceanic Science Letters》期刊上发表了题为Explainable machine learning insights into nighttime heterogeneous HONO formation in urban Shanghai during winter的论文，2023级硕士生赵翌菲为第一作者。

       亚硝酸（HONO）是大气羟基自由基（OH）的关键前体物，对大气氧化能力调控与区域空气质量演变有着重要影响。研究结果显示，仅依靠已知的直接排放与均相气相反应无法完全解释夜间HONO浓度水平，地面与气溶胶表面的非均相转化是夜间HONO不可忽视的重要生成途径。基于观测约束的机器学习分析揭示，NO2、PM2.5与NH3是影响夜间非均相HONO生成的核心化学因子，是独立于气象条件波动的主导因素；敏感性分析显示单因子减排情景下，PM2.5浓度降低80%可使夜间非均相HONO生成速率下降约22%，调控效果显著优于单独削减NO2或NH3。研究进一步发现，当PM2.5与NH3同步削减80%时，能够使夜间非均相HONO生成速率降低超过40%，是所有减排组合中抑制效果最显著的方案。研究强调在准确评估HONO化学对区域空气质量的影响时，必须充分考虑颗粒物与气态前体物之间的协同作用，推进多污染物协同控制以优化冬季大气环境管理策略。

原文链接：Yifei Zhao, Shanshan Wang*, Yuhao Yan, Jiaqi Liu, Chuanqi Gu, Zhiwen Jiang, Xiaohui Lu, Mark O. Wenig, Bin Zhou. Explainable machine learning insights into nighttime heterogeneous HONO formation in urban Shanghai during winter. Atmospheric and Oceanic Science Letters, 100865, 2026. DOI: https://doi.org/10.1016/j.aosl.2026.100865