自2013年大气污染防治行动计划实施以来，我国空气质量显著改善。近年来，北京细颗粒物年均浓度下降至30微克/立方米，达到国家空气质量二级标准。然而，在复杂气象条件的影响下，北京冬季空气污染事件仍时有发生，在表象上掩盖了污染物减排的人为努力。因此，解耦气象条件对空气质量的影响，是评估管控措施成效的前提。

　　空气质量模型可以通过敏感性实验解耦气象条件的影响，但输入的排放清单通常是静态的，难以捕捉排放源快速变化对污染物浓度的影响。在此背景下，机器学习为评估短期减排的成效提供了一个新的解决方案。基于机器学习随机森林算法，以往研究发现2020年春节期间北京城市氨气浓度的预测值比观测值高出39.8%，并将其归因于疫情期间人类活动减弱的影响。然而，该研究没有考虑气粒转化过程对氨浓度降低的贡献，上述比例需进一步考证。

　　基于气态氨和颗粒态铵同步观测数据，中国科学院大气物理研究所博士生吕艺玄首先确认了疫情期间北京城市氨气浓度降低的观测事实，并排除了气象条件和酸性前体物浓度变化使得氨浓度降低的可能（因为不利气象条件和酸性前体物浓度降低都会导致氨气浓度升高），进而将氨浓度降低的原因锁定为气粒转化增强和氨减排；为进一步排除气粒转化的影响，提出以总氨（氨气+铵盐）浓度表征氨排放；最后，利用机器学习方法开展了一系列情景分析。研究发现：在没有疫情影响的情景下，春节期间北京的总氨浓度比观测值高出17.2%（图1）。这一比例反映了疫情期间人为活动减弱导致的氨减排量，也证实了城市地区非农业源氨排放的重要性。同时，基于总氨浓度估算的氨减排量（17.2%）明显低于仅考虑氨气浓度的估算值（39.8%），这一差异说明，使用机器学习研究化学活性较高的大气污染物浓度与排放源之间的关系时，需要充分考虑其相态分布及化学转化过程。

　　该研究成果近期发表于环境科学领域知名期刊Science of The Total Environment (JCR Q1，IF=9.8）。中国科学院大气物理研究所潘月鹏研究员和国家卫星气象中心张倩倩博士为论文共同通讯作者。该研究得到北京市自然科学基金（8232050）和国家自然科学基金（42077204）的共同资助。

　　论文信息：Y. Lyu, Q. Zhang, Q. Sun, M. Gu, Y. He, W. W. Walters, Y. Sun and Y. Pan, Revisiting the dynamics of gaseous ammonia and ammonium aerosols during the COVID-19 lockdown in urban Beijing using machine learning models, Science of the Total Environment (2023), https://doi.org/10.1016/j.scitotenv.2023.166946.

图1 疫情期间北京氨气浓度变化及气象因素和排放变化的贡献。