云凝结核数浓度（N_CCN）对量化气溶胶-云相互作用及云微物理过程具有重要影响，然而直接测量N_CCN仍具挑战性，而通过气溶胶光学特性估算N_CCN则是获取连续数据的关键。本研究强调了相对湿度（RH）在通过气溶胶光学数据估算N_CCN时的重要作用，尤其在低过饱和度（SS）条件下。当RH超过某一阈值（例如，在0.2% SS时为60%）时，N_CCN估算从低估转为高估，且高估程度随RH增加而加剧；在估算公式中引入RH可有效减少偏差，尽管气溶胶光学吸湿性参数的影响较小。为此，我们提出了一种新的N_CCN参数化方案，利用高RH水平（40%-90%）的湿气溶胶光学数据显著降低估算偏差。同时，我们开发了一种基于集成学习和气溶胶光学参数可解释性分析的NCCN集成学习模型（NEL），并在大气辐射测量计划的两个陆地和两个海洋站点验证其高精度。研究发现，气溶胶散射和后向散射系数、吸收系数、后向散射分数及Ångström指数（AE）与NCCN呈正相关，而不对称参数和单散射反照率呈负相关。陆地站点的N_CCN预测对后向散射分数高度敏感（主要受后向散射系数驱动），海洋站点则对AE更敏感（受AE和散射系数共同影响），反映了陆地与海洋间颗粒尺寸和数浓度的差异。本研究突显了NEL模型在成本效益高且环境适应性强的NCCN预测中的价值，为改进气候模型中气溶胶-云-气候反馈预测提供了可扩展框架。

云凝结核,气溶胶,光学参量