Organic aerosols (OA) are a major component of fine particulate matter and are strongly linked to elevated mortality rates. Since different OA sources have distinct impacts on human health, accurately identifying their spatial and temporal distributions is essential for effective health risk assessments and policy-making. In this thesis, we leverage a large European dataset that provides 85,000 daily OA mass concentration measurements from 175 stations, only 15,000 of which include detailed source information. While physical models (e.g., chemical transport models) can estimate OA sources, their accuracy often suffers from incomplete or uncertain emission data. To address these limitations, we incorporate outputs from these models alongside land-use and weather information as input features for a suite of Machine Learning and Deep Learning methods. Specifically, we compare Random Forest, several Gradient Boosting models, Multi-Layer Perceptrons, Gated Recurrent Units, and a beta Variational AutoEncoder, with all models fine-tuned to optimize performance and tested under different target normalization schemes. Our findings show that every Machine Learning approach outperforms CAMx—the baseline physical model used in our study. By improving source estimations at sites lacking detailed data, this work contributes to more accurate OA modeling, supporting refined health risk analyses and more effective policy interventions.

Organiska aerosoler (OA) är en viktig komponent i finpartiklar och är starkt kopplade till ökade dödsfallsfrekvenser. Eftersom olika OA-källor har olika påverkan på människors hälsa är det avgörande att noggrant identifiera deras rumsliga och tidsmässiga fördelningar för att möjliggöra effektiva hälsoriskbedömningar och policyskapande. I denna avhandling utnyttjar vi ett stort europeiskt dataset som innehåller 85 000 dagliga mätningar av OA-masskoncentrationer från 175 stationer, varav endast 15 000 inkluderar detaljerad källinformation. Även om fysiska modeller (t.ex. kemiska transportmodeller) kan uppskatta OA-källor, försämras deras noggrannhet ofta på grund av ofullständiga eller osäkra utsläppsdata. För att hantera dessa begränsningar integrerar vi utsignaler från dessa modeller tillsammans med information om markan- vändning och väderförhållanden som indata för en uppsättning ML- och DL-metoder. Specifikt jämför vi Random Forest, flera Gradient Boosting- modeller, Multi-Layer Perceptrons, Gated Recurrent Units och en beta Variational AutoEncoder, där samtliga modeller finjusteras för att optimera prestandan och testas med olika normaliseringsscheman för måldata. Våra resultat visar att alla ML-metoder presterar bättre än CAMx – den grundläggande fysiska modell som användes i vår studie. Genom att förbättra källuppskattningarna vid platser med bristande detaljerad data bidrar detta arbete till en mer exakt modellering av OA, vilket understöder mer förfinade hälsoriskanalyser och effektivare policyinsatser.