近日，石金辉教授团队在环境领域顶尖学术期刊Environmental Science & Technology发表题为“Aerosol Iron Solubility Specification in the Global Marine Atmosphere with Machine Learning”(深度学习模拟全球海洋大气气溶胶中铁溶解度)的研究论文。论文整合了全球海洋大气中的相关数据，并开发了基于深度学习神经网络（DLNN）的气溶胶铁溶解度预测模型，为准确评估全球海洋生物可利用铁的气源沉降量迈出了重要一步。

摘要图（TOC/Abstract Graphic）

依据上世纪90年代提出的“铁假说”，大气沉降的可溶铁可被海洋浮游植物所利用，从而提高浮游植物的固氮、固碳能力和碳输出效率，并促进海洋对大气二氧化碳吸收，减缓气候变暖。气溶胶中铁的溶解度是估算大气可溶铁沉降量的关键指标，对理解大气沉降如何影响海洋初级生产过程和海-气界面的碳交换通量至关重要，但已有研究存在很大的不确定性和显著的区域差异。

基于研究团队多年的海洋观测资料，并整合全球海洋的相关数据，开发了DLNN模型量化和预测了全球海洋大气气溶胶中铁的溶解度。模型集成了目前对气溶胶中可溶铁生成机制的已有认识，最终确定了五个输入变量，包含了乙二酸的络合作用、硫酸和硝酸的酸化作用、源效应、粒径谱、环境因子影响，模型首次考虑了雾过程的影响，并证明在南大洋海域这一过程对气溶胶中铁溶解度的决定性影响。该研究还建立了全球海洋及其边缘区域分级气溶胶铁溶解度的数据集，以提升DLNN模型在全球尺度上的泛化性能。

该研究很好地重现了世界上大多数海洋及边缘区域的观测结果，相关系数高达0.73-0.97。与最新发展的全球大气化学传输模式（IMPACT）的结果相比，DLNN模型的结果与全球海洋的观测数据具有更好的一致性。特别是，在大气铁沉降影响的关键海域-南大洋，模型包含的雾过程帮助解决了该海域观测到的高铁溶解度一直被模式显著低估的难题。将DLNN模型作为一个模块纳入全球大气化学传输模式，有望显著提高全球大气气溶胶中铁溶解度的模拟准确性。匿名审稿人认为，该研究成果将对全球大气和海洋生物地球化学循环产生重要影响（I believe this article by Shi and colleagues will have important implications to global biogeochemical cycles and will interest not only atmospheric chemistry scientists but also ocean biogeochemists）。

图1. DLNN模型和IMPACT模型模拟的气溶胶Fe溶解度与全球海洋大气中观测值的比较

这项研究由中国海洋大学海洋环境与生态教育部重点实验室石金辉教授、高会旺教授、姚小红教授,博士研究生管阳和王仁政，以及日本熊本县立大学张代洲教授合作完成。石金辉和管阳为论文的第一作者，石金辉和张代洲为论文的通讯作者。这项研究得到了国家自然科学基金项目的资助，深度学习模型的训练、验证和预测依托北京砥脊科技的AIforScience平台完成。

通讯员：管阳 李辉

原文链接：https://doi.org/10.1021/acs.est.2c05266

(观海听涛海大新闻https://news-ouc-edu-cn.otrust.ouc.edu.cn/2022/1104/c91a110688/page.htm)