成春雷课题组在期刊《Science of The Total Environment》（SCI  1区，IF=8.2）上发表题为“Single particle mass spectral signatures from on-road and non-road vehicle  exhaust particles and their application in refined source apportionment using deep learning ”的论文，硕士生许永江是第一作者。文章链接：https://www.sciencedirect.com/science/article/pii/S0048969724029693

         随着车辆排放控制技术的发展，更新源谱以满足当前源解析（SA）需求的重要性日益凸显。本研究中，研究人员采集了道路行驶车辆与非道路移动机械产生的颗粒物，随后采用单颗粒气溶胶质谱仪（SPAMS）对单个颗粒物的化学组成进行分析。研究通过自适应共振理论神经网络（ART-NN）对数据进行分组，以识别特征信号并建立移动源（车辆排放源）的质谱数据库。此外，研究还构建了一个基于深度学习的气溶胶颗粒分类模型 ——DeepAerosolClassifier（深度气溶胶分类器），该模型的核心目标是实现颗粒物源解析。

         在模型训练过程中，其验证集准确率达 98.49%，测试集准确率达 93.36%。在模型解释方面，研究通过该模型生成了理想谱图，验证了其对质谱中特征模式的准确识别能力。在实际应用中，该模型在三个特定的现场监测点实现了小时级源解析。研究通过将交通流量、空间信息与模型结果相结合，验证了该模型在现场观测中的有效性。与其他机器学习方法相比，该模型无需特征选择即可实现高度自动化的源解析，且支持端到端运行。因此，该模型未来可应用于颗粒物的精细化、在线源解析工作。