基于机器学习的大气颗粒物来源解析方法综述.pdfVIP

环境化学第44卷第12期

2025年12

月

ENVIRONMENTAL

CHEMISTRYVol.

44，No.

12

December

2025

DOI:10.7524/j.issn.0254-6108.2025071006

CSTR:32061.14.hjhx.2025071006

连鸿运,

周围,

马景金,

等.

基于机器学习的大气颗粒物来源解析方法综述[J].

环境化学,

2025,

44（12）:

4633-4643.

LIAN

Hongyun,

ZHOU

Wei,

MA

Jingjin,

et

al.

Review

of

machine

learning-based

source

apportionment

methods

for

atmospheric

particulate

matter[J].

Environmental

Chemistry,

2025,

44

（12）:

4633-4643.

基于机器学习的大气颗粒物来源解析方法综述

*

1,21,2**333

连鸿运周

围马景金屈晓虎董

浩

31,21,2

贾玉欢孔威贺陈

睦

（1.

北京交通大学计算机科学与技术学院，北京，100044；2.

北京交通大学交通大数据与人工智能教育部重点实验室，

北京，100044；3.

河北先进环保产业创新中心有限公司，石家庄，050081）

摘要大气颗粒物对人类产生了严重的健康风险并影响着人类的生产生活，因此了解颗粒物从排放到

扩散的整个过程变得愈发重要.

机器学习方法在颗粒物浓度预测领域有着广泛应用，但在颗粒物来源解

析领域还处于初步应用阶段.

本文对机器学习方法在颗粒物来源解析方向的应用进行了梳理，综述了监

督学习、半监督学习、无监督学习、强化学习及大规模预训练模型等各类方法的应用情况.

发现一些基

本机器学习方法如KNN、RF等已有一定程度的使用，但如深度学习模型在该领域的应用仍处于早期阶

段，当前来源解析领域仍面临机器学习应用深度不足的挑战.

同时展望了未来来源解析领域机器学习方

法的应用方向.

关键词PM，来源解析，机器学习，深度学习.

2.5

中图分类号X-1；O6文献标识码A

Review

of

machine

learning-based

source

apportionment

methods

for

atmospheric

particulate

matter

1,21,2**333

LIANHongyunZHOUWei