近日，山东大学教授薛丽坤团队，大气氮硫湿沉降时空规律与驱动机制尚存认知短板，研究团队依托机器学习结合可解释算法，建成高精度高分辨率模拟数据集，模拟效果优于传统模型，厘清不同形态沉降演变趋势及差异化驱动因素，为污染协同管控与沉降定量评估提供新方法与数据支撑。相关成果发表在《环境科学与技术》。

大气沉降是连接空气污染与生态系统的重要过程，但其精细时空特征及驱动机制仍存在较大不确定性。

研究团队构建了高分辨率机器学习模拟体系，该体系集成了结合夏普利加性解释的可解释框架，通过整合多源观测数据与气象、排放及土地利用信息，构建了0.1度×0.1度分辨率的大气氮硫湿沉降数据集。

研究以极端梯度提升为核心模型，引入夏普利加性解释方法定量识别各驱动因子的贡献，从而在保证预测精度的同时提升模型结果的可解释性。模型在独立测试和站点尺度对比中均表现出较高一致性，对硝酸根、硫酸根和铵离子沉降的模拟结果显著优于传统化学传输模型，并能够稳定再现其空间分布、季节变化与极值特征。

在此基础上，团队揭示了不同形态沉降的长期变化趋势：氧化态氮和硫沉降整体呈下降趋势，而还原态氮持续上升，表明污染控制效果在不同排放来源之间存在结构性差异；沉降在不同土地利用类型之间也存在显著差异，农田和森林区域对政策响应更敏感，而城市及草地地区则呈现更复杂的变化特征。

进一步分析表明，沉降变化由排放强度、降水过程及土地利用共同驱动，其中降水在湿沉降形成过程中起主导作用，而农业活动相关的氨排放是当前增长的重要因素。

研究通过将高精度预测与机制解释相结合，为长期大气氮硫沉降的定量评估提供了一种可扩展的方法框架，也为不同类型排放协同控制提供了数据支撑。

相关论文信息：https://doi.org/10.1021/acs.est.5c17006