主要观点总结
本文利用深度学习技术准确预测近地表硝酸气（HONO）的时空变化。研究发现，基于常规空气质量数据和气象参数的深度神经网络（DNN）模型能很好地模拟HONO的时空变化，性能优于结合新提出的HONO形成机制的观测约束箱模型。通过SHapely Additive exPlanation（SHAP）方法，发现二氧化氮（NO2）对HONO预测的影响最大，强调了NO2转化在HONO形成中的重要性。此外，该模型还用于预测不同NOx减排情景下HONO水平的变化，预计夏季NOx减排30-50%将导致HONO水平降低27-44%。这项研究展示了使用深度学习预测HONO浓度的可行性，为传统化学模型提供了有益的补充，并指出严格的NOx减排将有助于协同缓解臭氧和二次PM2.5问题。
关键观点总结
关键观点1: 研究背景与重要性
硝酸气（HONO）是大气中羟基自由基（OH）的重要前驱物，影响大气氧化能力和二次污染物的形成。然而，其形成和消除机制仍存在不确定性，阻碍了化学模型对HONO水平的准确模拟。
关键观点2: 研究方法与模型性能
本研究建立了一个基于常规空气质量数据和气象参数的深度神经网络（DNN）模型。该模型在训练和独立测试集上表现出稳健的性能，能够很好地模拟HONO的时空变化，并优于观测约束箱模型。
关键观点3: 特征重要性分析
通过SHapely Additive exPlanation（SHAP）方法，发现二氧化氮（NO2）是对HONO预测影响最大的特征，强调了NO2转化在HONO形成中的重要性。
关键观点4: 未来变化预测
模型还用于预测不同NOx减排情景下HONO水平的变化，预计夏季NOx减排将导致HONO水平显著降低。
关键观点5: 研究结论与意义
本研究展示了使用深度学习预测HONO浓度的可行性，为传统化学模型提供了有益的补充。严格的NOx减排将有助于协同缓解臭氧和二次PM2.5问题。
文章预览
Accurately Predicting Spatiotemporal Variations of Near-Surface Nitrous Acid (HONO) Based on a Deep Learning Approach （ 由于标题字数限制， 中文标题为自翻，以原标题为准） Abstract Gaseous nitrous acid (HONO) is identified as a critical precursor of hydroxyl radicals (OH), influencing atmospheric oxidation capacity and the formation of secondary pollutants. However, large uncertainties persist regarding its formation and elimination mechanisms, impeding accurate simulation of HONO levels using chemical models. In this study, a deep neural network (DNN) model was established based on routine air quality data (O3, NO2, CO, and PM2.5) and meteorological parameters (temperature, relative humidity, solar zenith angle, and season) collected from four typical megacity clusters in China. The model exhibited robust performance on both the train sets [slope = 1.0, r2 = 0.94, root mean squared error (RMSE) = 0.29 ppbv] and two independent test sets (slope = 1.0, r2 = 0.79,
………………………………
