挥发性是大气有机气溶胶（OA）的重要物理属性，影响气粒转化，并进而影响与OA相关的环境与气候效应的准确评估。准确预测挥发性依赖官能团信息，然而SOA组分非常复杂，外场观测常难以获取详细的分子结构信息。我们在前期研究工作中发展了基于分子组成计算挥发性的新方法(Li et al., 2016)，即利用有机物中碳、氧、氮和硫的数目计算单个有机分子的饱和质量浓度C⁰；该方法不用依赖于难以测量的分子结构信息，并可与高分辨率气溶胶质谱仪观测数据结合，因此可应用于外场观测、实验室研究或气溶胶模式中计算有机物的挥发性和黏度。本研究我们进一步发展了一种基于分子组成的机器学习驱动预测C⁰的方法，可改进对低挥发性有机物C⁰的预测能力，均方误差较基于最小二乘法拟合得到的参数化方案预测结果减小了26.5%。与加热挥发法得到的环境大气OA挥发性分布相比，低挥发性有机物占比其预测值为29.0%，与基于观测的结果（32.3 %）符合较好。本研究可为OA挥发性的预测提供新的模式工具和参数化方法，减小环境大气OA挥发性预测的不确定性。
 

随机森林,二次有机气溶胶,挥发性基础集