用机器学习提升全球空气污染预报能力

气溶胶预报对空气质量管控、健康风险评估和气候变化应对至关重要，但其复杂性远超天气预报——需同时模拟气溶胶的物理化学过程与大气动力学的相互作用，导致不确定性高、计算成本大。本文研发了AI-GAMFS系统，融合视觉Transformer与U-Net主干网络，通过全局注意力机制和时空编码，高效捕捉气溶胶与气象间的复杂耦合关系。该系统基于42年再分析数据训练，并以NASA的GEOS-FP实时分析场为初始场，仅需1分钟即可生成5天、3小时间隔的全球预报（空间分辨率约50公里），计算速度比传统GEOS-FP快约360倍。验证表明：相比欧洲哥白尼大气监测服务（CAMS）和多个区域沙尘模型，AI-GAMFS在气溶胶光学厚度（AOD）和沙尘组分预报上全面更优；相比GEOS-FP，其全球AOD均方根误差更低，在美国和中国等地表气溶胶组分（如黑碳、有机碳、硫酸盐）预报上显著提升。该系统不仅能准确追踪沙尘暴、野火等污染事件的传输路径，还能提前3–4天预警蒙古戈壁沙漠的沙尘增强排放，这是传统区域模型难以实现的。此外，AI-GAMFS可同步预报多种关键气溶胶组分（硫酸盐、沙尘、黑碳、有机碳、海盐）的光学特性和地表浓度，为精准评估其对气候、空气质量和公众健康的影响提供新工具。研究也指出未来改进方向：引入多步滚动输入提升时间连续性、融合动态人为排放清单、扩大高质量训练数据集，并将物理化学约束嵌入模型架构，迈向“物理机理+机器学习”的混合范式。