(项目3）基于典型发色团的棕碳气溶胶光学性质的机器学习预测数据集
点击率：17
|
DOI
|
https://doi.org/10.1021/acs.est.4c09031
|
|
关键词
|
棕碳 发色团 机器学习
|
|
相关数据
|
a. 数据内容（数据文件、表名称，包含的观测指标内容）
通过采集2018年12月-2020年1月大气PM2.5样品，分析全年水溶性和甲醇溶性BrC的光学特征变化，并通过GC-MS定量识别了四类共38种棕碳发色团，分析其光吸收贡献和质量贡献的季节变化。基于识别的棕碳发色团信息，通过构建机器学习模型，实现了对不同波长下BrC吸光度（Absλ）和质量吸收效率（MAEλ）的准确预测。该模型在300-450 nm范围内可解释80%以上的Absλ的方差变化和50%以上MAEλ的方差变化，并且预测结果和观测结果的时间序列高度吻合，相较传统方法显著提升了对BrC吸光特性的理解。通过SHAP算法，本研究定量评估了这些发色团对BrC光学特性的影响，发现所有发色团均对Absλ呈正向贡献，其中四环/五环多环芳烃（PAHs）及含氧多环芳烃（OPAHs）贡献尤为突出。这表明可能存在结构与PAHs/OPAHs相似的未识别发色团也会对BrC的光学特征产生显著影响，为推断未知BrC组分提供了方向。通过已识别发色团的质量浓度构建模型对Absave和MAEave进行预测，可在无需单组分发色团光学参数的条件下对BrC的光学特征进行研究，这不仅可以简化对BrC光学特征的研究，还可以辅助提升其辐射强迫的评估。
数据文件名称：
基于典型发色团的棕碳气溶胶光学性质的机器学习预测数据集.xlsx
包括：
1）水溶性棕碳光吸收系数
2）甲醇溶棕碳光吸收系数
3）光学参数
4）发色团质量浓度和质量贡献
b.项目来源
中国科学院战略性先导科技专项（B 类）（No. XDB40000000）
c. 建设目的
1) 于已量化的BrC发色团，本研究采用可解释的机器学习模型结合沙普利加性解释方法（SHAP），探讨了BrC光学特征与化学组成之间的关系。
d. 服务对象
从事气溶胶环境科学研究的学生和科研人员
e. 数据的时间范围
2018年12月-2020年1月
f. 数据的空间范围、投影方式
西安市（34.23° N, 108.93° E）
g. 数据的学科范围
属于大气科学范围
h. 数据的量
所有表数据量合计约15.2 MB
i. 数据类型（文献、属性、矢量、栅格、文本等）
excel表格
j. 数据更新的频度
不更新
|
|
数据说明
|
a. 知识产权说明(数据使用引用方式规定等)
使用本数据集时，请在文章中引用以下文献：
Wang, Y; Huang, R-J*; Zhong, H; Wang, T; Yang, L; Yuan, W; Xu*, W; An, Z Predictions of the optical properties of brown carbon aerosol by machine learning with typical chromophores [J]. Environmental Science & Technology, 2024, 58, 20588-20597.
b. 数据贡献者信息
姓名:王瑛 & 数据加工组
单位: 中国科学院地球环境研究所
电话: 029-62336275
邮箱: wwying@mail.bnu.edu.cn
|
|
数据集格式
|
excel
|
|
数据分类
|
项目数据汇交/中科院项目/先导专项
|
|
数据来源
|
数据由文献作者提供
|
|
相关下载
|
[下载附件]
|
|
相关图片
|
|
 联系人卡片 |
 |
姓名：王瑛 |
邮箱：wwying@mail.bnu.edu.cn |
| 单位：北京师范大学 |
电话：13201605273 |