传统水处理工艺在新污染物去除领域存在局限性，而以自由基反应为核心的高级氧化工艺（AOPs）已成为保障饮用水安全与再生水利用的关键技术路径。现有研究主要集中于活性氧自由基（ROS）和活性卤素自由基（RCS），而较少关注活性氮自由基（RNS，如NO₂^Ÿ、NH₂^Ÿ）。虽然RNS的反应活性通常低于ROS和RCS，但其在自然水体及AOP体系中的稳态浓度可高出后者2–8个数量级，使其在新污染物降解中具有不可忽视的贡献。然而，表征RNS与新污染物反应活性的关键参数（反应速率常数）难以通过传统实验手段获得，导致RNS在污染物降解中的作用长期缺乏系统量化认识。近年来，机器学习在自由基反应速率预测方面展现出潜力，但针对RNS的模型仍属空白，限制了RNS在新污染物降解中的定量表征，制约了其在水处理工艺评价与优化中的科学应用。

对此，我们将机器学习方法引入新污染物与活性氮自由基反应动力学研究，构建了可预测新污染物与两类RNS（NO₂^Ÿ及NH₂^Ÿ）的反应速率常数模型。研究基于285组反应数据，建立了以MACCS-XGBoost为核心的预测框架，并在UV₂₂₂/硝酸盐体系中选取苯海拉明（DPH）、环丙沙星（CIP）和磺胺（SAM）开展实验验证。结果表明，模型预测的新污染物与NO₂^Ÿ的反应速率与实测值在数量级上保持一致，同时NO₂^Ÿ对上述污染物的降解贡献达到约 50–60%。本研究进一步预测了413种新污染物与RNS的反应速率，并同步开发了在线预测平台，为研究者提供便捷获取准确预测新污染物与RNS反应动力学参数的工具。研究结果为RNS与新污染物反应性评估提供了数据驱动的关键依据，对水处理工艺优化与调控具有重要工程意义。

本研究以 “Elucidating the Role of Reactive Nitrogen Species in Micropollutant Degradation Using Machine Learning” 为题，发表于环境领域顶级期刊 Water Research（原文链接：https://doi.org/10.1016/j.watres.2026.125345）。南京大学前沿科学学院环境与健康研究院殷冉副教授为论文通讯作者。研究得到国家自然科学基金基础科学中心项目、江苏省自然科学基金、中央高校基本科研业务费及苏州市创新创业领军人才计划等项目的支持。