传输感知时空深度学习用于沙尘暴期间准确的 PM10 预报

《Atmospheric Environment》：Transport-aware spatiotemporal deep learning for accurate PM 10 forecasts during dust storms

　　**摘要**- STAR-Dust模型通过建立上游输运依赖的空间关系来提高预报精度。- 多头注意力机制捕捉关键时间阶段，增强非线性条件下的峰值强度和时次预报能力。- STAR-Dust的表现优于LightGBM、LSTM基线模型及原始WRF-Chem预报结果。**引言**极端沙尘暴事件暴露了大气预报系统中一个持续存在的薄弱环节：物理模式恰恰在最需要可靠预报的动态演变输运条件下出现精度下降。化学输运模型在机理框架内编码了排放、平流、沉降和物理化学转化过程（Baklanov等，2016），已成为业务空气质量预报的基础工具（Zhang等，2012）。然而，在沙尘主导事件期间——此类事件以浓度急剧上升、跨区域输运级联和快速环流转变为特征（Ginoux等，2001；Uno等，2009；Shao等，2011；Gui等，2022）——其预报技能出现系统性退化。在此类条件下，误差不仅被放大，而且在时间和空间上重新组织，表现为峰值强度失真、峰值时次偏移以及结构性演变偏差。这些缺陷源于多方面的因素，不仅仅是参数化方案的不确定性或初始和边界条件的不完善（Yao等，2021）。虽然这些不确定性会促进模式积分过程中的非线性误差增长（Rao等，2020）以及系统性偏差的形成（Solazzo等，2012），但一个更深层的局限依然存在：化学输运模型的构建基于固定的结构假设，难以适应快速重组的输运拓扑。即使是WRF-Chem（Fast等，2006）这样先进的耦合系统，虽然在沙尘源归因和输运路径分析中被广泛应用（Chen等，2017），仍然运行在参数化表征框架内，无法在极端环流转变下动态重构。有限的空间分辨率进一步限制了对锋面梯度剧烈变化和瞬态羽流动力学的表征，而计算需求则制约了业务场景中的快速预报循环（Baklanov等，2014）。因此，沙尘暴期间的预报误差呈现输运耦合、非平稳和相位依赖特性——这些特性在常规确定性建模框架中未能得到充分解决。对模式输出进行后处理一直是纠正数值预报系统性偏差的有效策略（Glahn和Lowry，1972；Wilks，2011）。通过学习模式输出与观测值之间的经验关系，后处理方法补偿了来自排放、边界强迫、参数化和数据同化不确定性的累积误差。传统方法，包括线性回归、多变量统计模型和卡尔曼滤波，在相对稳定的条件下对气象变量和空气质量预报表现出良好的校正效果（Delle Monache等，2011；Galmarini等，2004；Kang等，2008；Neal等，2014；Riccio和Chianese，2024）。近年来，随机森林、支持向量回归和梯度提升回归树等机器学习方法在纠正PM??偏差方面优于传统统计方法（Chae等，2021；Chen等，2025；Hu等，2025；Jin等，2019；Li等，2023，2025；Ma等，2025；Reichstein等，2019；Shi等，2015；Wang等，2018，2024；Willard等，2020；Zhang等，2023）。这些方法改善了预报与观测之间的非线性映射，但许多方法仍依赖于静态特征表示、局地站信息或泛化的空间邻域。在沙尘主导事件期间，这些假设具有局限性，因为误差会随着输运路径、到达时间偏移和快速相位转变而演变。因此，现有研究仍留有空间，需要开发一种校正框架，将上游输运信息与事件相位时间学习明确地联系起来。针对上述局限性，本研究开发了STAR-Dust（面向沙尘的时空注意力重采样），一种专为沙尘主导污染事件设计的气象偏差校正框架。该框架将极端事件作为信息窗口，从中挖掘嵌入在模式预报误差中的稳定、可学习的时空依赖模式。从事件驱动建模的角度出发，该方法显式地构建了对齐沙尘输运路径的监测站之间的空间关系，从而识别在沙尘影响期间PM??变化通常先于下游变化的上游区域。在时间维度上，该方法结合序列建模与注意力机制，自适应地强调沙尘事件变化的不同阶段，包括暴发起始、峰值发展和衰减。在这些阶段，预报误差表现出显著的非线性和快速转变。通过将输运导向的空间结构与相位依赖的时间动力学相结合，该框架旨在捕捉极端沙尘污染事件特有的结构化、非平稳误差行为。更广泛地说，它为推进业务空气质量预报和提升沙尘暴及其他输运主导污染事件的早期预警能力提供了有效的校正方法（Gui等，2026）。**章节摘要****数据集**为构建和评估本研究提出的时空偏差校正框架，我们使用了三类数据集：地面空气质量观测数据、数值模式预报数据和大气再分析产品。**空气质量观测：** 逐时PM??和PM?.?浓度观测数据来源于中国环境监测总站。该数据集涵盖中国大陆1322个监测站的观测数据，具有广泛的覆盖范围……**沙尘条件下的确定性指标**均方误差（MAE）和均方根误差（RMSE）被用作核心指标，以评估不同后处理方法在常规和沙尘事件条件下的偏差校正性能（图3）。这种双重评估框架既描述了整体预报精度，也刻画了输运主导沙尘事件期间模式的表现。在所有评估子集中，STAR-Dust产生的误差水平最低，表明相对于基准模型和原始WRF-Chem预报，其系统性偏差校正能力有所提升。**讨论**沙尘事件期间的预报误差反映了在线耦合化学输运模式在表征快速变化的排放、输运和平流层过程方面的困难。这些事件期间的PM??变化受远程输运、高风速下沙尘排放的不确定性以及平流层结构的快速变化的强烈影响。因此，预报误差往往沿输运路径表现出一致的空间模式，而非表现为独立的随机噪声。**结论**本研究开发了STAR-Dust，一个面向输运的时空深度学习框架，用于校正沙尘事件期间WRF-Chem的PM??预报。通过整合WRF-Chem输出、地面观测、ERA5衍生大气描述符、基于事件的上游站选择、LSTM序列学习和多头注意力机制，STAR-Dust表征了沙尘相关PM??变化中的输运驱动空间依赖性和相位依赖时间动力学。该设计使模型能够……**CRediT作者贡献声明****贾琦何：** 撰写—审阅与编辑，撰写—原稿，验证，软件，方法学，形式化分析，概念构思。**陈思雨：** 撰写—审阅与编辑，验证，方法学，形式化分析，概念构思。**张悦：** 撰写—审阅与编辑，验证。**杜世康：** 可视化，软件，概念构思。**傅志强：** 撰写—审阅与编辑，验证。**连露露：** 验证。**陈宇：** 撰写—审阅与编辑，验证。**Salman Zare：** 撰写—审阅与……**利益冲突声明**作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本文所述工作。**致谢**本工作得到了国家自然科学基金与中国气象局联合基金（资助编号：U2242209）、甘肃省自然科学基金（资助编号：25ZDFA008）、国家自然科学基金（资助编号：42595595）、甘肃省自然科学基金、甘肃省优秀博士项目（资助编号：24JRRA481）的支持。我们感谢……超算中心提供的计算支持。贾琦何|陈思雨|张悦|杜世康|傅志强|连露露|陈宇|Salman Zare|Khan Alam