多模态数据驱动的空气污染AI预报模型及应用.pdf

《多模态数据驱动的空气污染AI预报模型及应用.pdf》由会员分享，可在线阅读，更多相关《多模态数据驱动的空气污染AI预报模型及应用.pdf（25页珍藏版）》请在三个皮匠报告上搜索。

1、多模态数据驱动的空气污染AI预报模型及应用Zhixin Geng,Xu Fan,Xiqiao Lu,Yan Zhang,Guangyuan Yu,Yuewu Li,Cheng Huang,Qian Wang,Weichun Ma,Qi Yu,Libo Wu,Hao Li1复旦大学2上海科学智能研究院3上海市环境监测中心时间：2025年8月29日2025年长三角空气质量管理研讨会PART 1研究背景PART 2模型构建及应用PART 3模型性能检验PART 4问题和挑战AI技术浪潮正在对环境科学领域产生巨大的影响Wang et al.,The Innovation Geoscience,2023

2、空气污染的形势与挑战，智能预报意义重大 AI技术的发展为大气环境精准预警提供了可能空气质量预测模型的发展Bodnar et al.,2025,NatureZhang and Gui et al.,Natl Sci Rev,Volume 12,Issue 2,February 2025,nwae446,基于机器学习和卫星观测数据反演填补24小时周期内无缝实时PM10浓度基于气象预报数据和CNN-LSTM框架，建立了多尺度天气过程与臭氧浓度日际变化的精准映射模型,可在不同场景下预测臭氧浓度和高浓度污染事件。基于机器学习和地面观测数据预测日际O3浓度https:/doi.org/10.1021/ac

3、s.est.4c11988Hu and Xie et al.,2025,ES&T非静稳静稳外地源输入为主外地源输入为主本地源为主本地源为主天气形势为空气污染提供“驱动力”场天气形势对空气污染事件起着重要作用全球尺度全球性大气物理化学过程研究、污染物长距离传输、地球大气-生态圈循环过程以及气候问题主要关注温室气体、臭氧前体物、含碳气溶胶以及其他持久性污染物主要“自上而下”，大的排放部门典型分辨率0.5国家尺度解决国家总量控制和空气质量宏观管理致酸物质SO2和NOx、臭氧前体物NOx和VOCs，颗粒物及其他污染物以“自上而下”为主，大的排放部门典型分辨率36km区域尺度污染物在区域大气环境中转化、

4、迁移及传输机制，服务于区域空气质量预报预警及控制对策制定基本覆盖主要大气污染物以“自下而上”为主，“自上而下”为辅，排放行业较为丰富，并关注排放的时间、空间和化学物中特征典型分辨率4km城市尺度服务于城市空气质量管理，污染防治措施制定基本覆盖主要大气污染物主要是“自下而上”，部分可达到排放设备典型分辨率1km污染源排放对空气污染事件起着“根本”作用AI技术的发展推动了气象领域大模型的快速发展基于气象大模型的空气污染预报：多模态数据深度机器学习模型构建模型架构图模型构建思路模型方案设计主要分为三个模块：1.站点污染物处理模块2.气象要素和排放清单处理模块3.特征融合模块建模中通过Attentio

5、n方式将站点信息和气象排放要素进行特征融合，最终将站点污染物作为单独的Token，一次性可以给出单时次多站点的预报。FuXi-AIR:”气象排放污染物“耦合的AI预报模型插帧模型和概率预报概率预报：为了有效地学习和优化不同百分位数的预测，我们引了分位数损失函数（Quantile Loss）。相比于传统的均误差（MSE）或平均绝对误差（MAE），分位数损失能够针对不同的污染水平进行对称优化，使模型能够在不同分位点上学习污染物浓度的变化规律，从而提高对极端污染事件的敏感性，并增强预报的稳定性和可靠性。插帧模型：为降低模型对输数据的依赖性，基础预测模型的输仅包含Xt6和Xt两个时次，并基于自回归策略

6、进行预测，生成6小时分辨率的未来72小时污染物浓度预报（共12个时间步，steps）。在此基础上，插帧模型进步对6小时模型的输出进行细化预测，补充中间5个小时的数据，以提高小时级预测的准确性。模型应用区域和预报效果评估：训练（2014-2022）；预测检验（2023）Study area and site distribution mapComparison of Shanghais 72-hour weather forecast results模型在不同城市间表现出良好的泛化性，其中 O 的跨城市差异最小；北京在 SO、PM.和 PM 上MRE相对较高，上海次之，而深圳 PM.RMSEav