隨著工業化的持續發展，空氣污染已成為最緊迫的全球環境挑戰之一，對人類健康和生態系統構成嚴重威脅，并對氣候系統產生深遠影響。在中國，一系列針對二氧化硫（SO₂）的排放控制政策顯著減少了硫酸鹽對大氣氣溶膠的貢獻，使得硝酸鹽成為PM_2.5的主要二次無機成分（Fu等人，2020年）。多項研究證實了硝酸鹽在霧霾事件中的核心作用（Z. Sun等人，2019年；Xu等人，2019年），高濃度的硝酸鹽通常與空氣質量迅速惡化和公眾健康風險增加相關（Pope III等人，2004年；J. Zhang等人，2021年）。因此，準確估計硝酸鹽濃度并了解其時空變化及其根本驅動因素對于表征污染過程和支持有效的緩解策略至關重要。

已經開發了多種方法和手段來監測和估計大氣中的硝酸鹽，包括地面測量、實驗室化學分析、數值模擬和衛星遙感。雖然地面儀器能夠提供高時間分辨率的數據，但由于部署限制和維護成本，其空間覆蓋范圍仍然有限（Dabek-Zlotorzynska等人，2011年；Malm等人，1994年）。基于實驗室的化學分析方法（如離子色譜法）具有高靈敏度和特異性（Jackson，2000年），但它們勞動強度大，不適合大規模、長期監測。像GEOS-Chem這樣的數值模型結合了排放清單和氣象數據來模擬硝酸鹽分布（Pye等人，2009年；Walker等人，2012年），但其準確性常常受到參數化方案和輸入數據質量的限制。相比之下，衛星遙感提供了更廣泛的空間覆蓋范圍和更低的運營成本，是對地面觀測的寶貴補充（Hoff和Christopher，2009年；Lin等人，2015年）。從MODIS產品中獲得的氣溶膠光學厚度（AOD）與PM2.5水平表現出強相關性，因此在空氣質量評估中被廣泛使用（Hu等人，2014年）。在此基礎上，早期研究嘗試通過耦合模型將AOD與化學成分聯系起來，以估計PM_2.5的組成（Geng等人，2017年）。然而，氣溶膠的復雜化學性質，以及氣象條件和轉化系數的時空變化，繼續限制了基于遙感的硝酸鹽估計的精度。

為了解決這些限制，機器學習（ML）技術越來越多地應用于大氣成分的估計，提供了捕捉非線性關系和變量相互作用的強大工具（Li等人，2017年；G. Lin等人，2022年）。例如，Meng等人（2018a）使用廣義加性模型（GAM）整合遙感數據進行區域硝酸鹽預測，而隨機森林（RF）因其強大的特征選擇和非線性擬合能力而被廣泛采用（Meng等人，2018b；Wei等人，2023年）。Li等人（2020年）使用RF和衛星提供的氣象輸入數據，構建了中國0.25°分辨率的月度硝酸鹽數據集，揭示了排放政策對華北平原硝酸鹽趨勢的影響。類似基于ML的方法也在韓國使用地面測量數據得到了驗證（Lee等人，2024年）。最近的進展還擴展到了集成學習和深度學習技術（Lin等人，2022b；Lin等人，2022c）。Liu等人（2022年）通過整合WRF-CMAQ模擬和多源數據，為中國開發了10公里分辨率的PM_2.5成分數據集。在臺灣，Lin等人（2022d）提出了多種神經網絡架構，如長短期記憶（LSTM）和非線性自回歸外生模型，用于動態時間序列預測和NO_x相互作用評估。

盡管取得了這些進展，但仍存在幾個關鍵挑戰。首先，缺乏長期、空間范圍廣泛的地面硝酸鹽測量數據限制了模型開發和政策評估，因為大多數可用數據集中在臺灣和京津冀地區等局部區域。其次，硝酸鹽的形成受到復雜化學過程和氣象條件的控制，包括白天的NO₂光化學氧化、夜間的N₂O₅水解，以及溫度和濕度對反應動力學和氣溶膠形成的影響（Guo和Xie，2023年；Wang等人，2023年）。然而，許多現有的數據驅動模型未能納入關鍵的顆粒物變量（NH₄⁺、SO₄^2-）和相關的氣象驅動因素，導致輸出在物理上不一致。第三，目前大多數研究仍然主要依賴單一的機器學習模型，沒有結合集成框架來利用不同模型的互補優勢，這可能限制了在處理復雜和異構數據時進一步提高性能和穩健性的潛力。

為了解決這些挑戰，我們提出了一種創新的可解釋集成框架，通過化學機制指導的建模來解碼時空動態。通過利用多源數據，這種堆疊集成方法不僅提高了中國東部硝酸鹽濃度估計的精度，還確保了可解釋性。除了區域應用外，該框架還為數據有限的地區提供了可轉移的方法論，用于可操作的空氣質量評估和有針對性的緩解措施。