一种用于美国本土CMAQ空气质量模拟回顾性偏差校正的时空图神经网络框架

《Atmospheric Pollution Research》：A spatiotemporal graph neural network framework for retrospective bias correction of CMAQ air quality simulations over the continental United States

　　

研究人员提出一种时空图神经网络（Spatio-Temporal Graph Neural Network，STGNN）框架，用于对美国本土（Contiguous United States，CONUS）的CMAQ空气质量模拟进行回顾性偏差校正。该框架使CMAQ预测的二氧化氮（NO₂）均方根误差（Root Mean Square Error，RMSE）降低52.4%，臭氧（O₃）RMSE降低65.0%。采用GATv2图注意力层提高了整个CONUS域的空间一致性。动态风导向图边未提供可衡量的效益。该框架能有效泛化至留出的加利福尼亚州站点。在采用≥24小时滞后观测信息的条件下，保持了业务预报约束。

论文解读：一种用于美国本土CMAQ空气质量模拟回顾性偏差校正的时空图神经网络框架

空气污染预报对公共健康保护、法规合规和环境管理至关重要。化学输运模型（Chemical Transport Model，CTM）如社区多尺度空气质量（Community Multiscale Air Quality，CMAQ）模型被广泛用于模拟污染物排放、传输、化学转化和沉降，但其预测存在由排放清单、气象强迫、化学机制和次网格参数化不确定性导致的系统性偏差。传统统计后处理方法（如卡尔曼滤波、回归）无法充分刻画非线性关系和站点间空间相关性。近年来，深度学习已被用于CTM偏差校正，但多数方法将站点独立处理或隐式建模空间依赖。图神经网络（Graph Neural Network，GNN）能够显式建模不规则监测网络的空间结构。然而，现有研究多局限于区域尺度或单一污染物，缺乏洲际尺度、多污染物的图连接性评估。因此，研究人员开展了本项研究，旨在评估一个结合卷积长短期记忆（Convolutional Long Short-Term Memory，CNN-LSTM）时间编码和GATv2图注意力空间编码的框架，在美国本土235个站点上同时校正CMAQ的NO₂和O₃预测，并比较静态距离与风调制边权、量化各组件贡献、评估空间泛化能力。论文发表在《Atmospheric Pollution Research》。

在技术方法上，研究人员使用了美国环保署（EPA）空气质量系统（Air Quality System，AQS）的观测数据及EQUATES数据集中的CMAQv5.3.2.1模拟场（12 km分辨率，2010–2014年）。输入特征包含99个变量，涵盖CMAQ污染物浓度、滞后观测、气象变量、时间和位置信息。监测网络以235个站点为节点，基于200 km阈值构建图，边权为逆距离；另设风调制动态边权方案。模型采用CNN-LSTM时间编码器、两层GATv2空间编码器、可学习站点嵌入和双任务预测头，通过多任务Huber损失联合优化。训练按时间划分为训练（2010–2012）、验证（2013）和独立测试（2014）集。

结果部分包含以下小标题：

3.1 Overall model performance：STGNN使NO₂的RMSE从9.51 ppb降至4.53 ppb（降低52.4%），O₃从20.89 ppb降至7.32 ppb（降低65.0%）；决定系数R²分别从?0.15升至0.74、从?0.72升至0.79，优于XGBoost等基线。

3.2 Error decomposition analysis：将RMSE分解为系统性和非系统性成分，NO₂系统性误差减少61.7%（至2.09 ppb），O₃减少81.0%（至2.75 ppb）；非系统性误差亦显著下降，校正后非系统性成分成为残余误差主导。

3.3 Diurnal pattern analysis：STGNN更准确地再现了NO₂和O₃的日循环，特别是清晨和傍晚边界层驱动过渡时段，同时降低了CMAQ的过度时间变率。

3.4 Static versus wind-modulated edge weights：风调制边权与静态边权相比，NO₂和O₃的RMSE几乎相同，且训练时间增加21.1%，未提供可测量收益，因此后续采用静态图。

3.5 Component ablation analysis：图注意力模块提供较小但统计显著的RMSE降低（NO₂ 2.2%，O₃ 3.0%），CNN-LSTM时间编码器和局部输入贡献了主要预测技能。

3.6 Spatial generalization：四个区域留出实验中，留出模型在所有区域均优于原始CMAQ；八个区域-污染物配对比较中七个置信区间排除零（Mountain West的NO₂除外），表明框架具备跨区域空间转移能力。

3.6.1 Stratified performance analysis：按站点设置、位置和季节分层，改进保持一致；夏季O₃相对改进最大（68.5%），冬季NO₂绝对误差最高但改进仍达50.7%。

3.7 Graph structure analysis：节点度与相对RMSE改进正相关，但低连接度站点（包括孤立站点）仍实现显著改进，说明图模块是空间细化而非主要性能来源。

3.8 Spatial performance patterns：所有235个站点的NO₂和O₃预测均获得改进，无站点退化。

3.9 Performance during high-ozone conditions：对于MDA8>70 ppb高臭氧日，STGNN将关键成功指数（Critical Success Index，CSI）从0.066提升至0.217，并将误报率从0.929降至0.346，但检测概率（Probability of Detection，POD）从0.446降至0.246，且事件日负偏差增大；小时尺度上改进更显著。

3.10 Feature importance analysis：CMAQ输出变量（尤其目标小时CMAQ_NO₂和CMAQ_O₃）为最重要预测因子，滞后温度偏差变量（BIAS_TEMP_lag24）对O₃贡献近10%，体现温度偏差对光化学过程的重要影响。

3.11 Physical interpretation of learned bias patterns：温度相关特征的突出与臭氧化学、行星边界层（Planetary Boundary Layer，PBL）演变和生物源VOC排放的温度敏感性一致；NO₂和O₃校正行为的差异反映其分别作为一次和二次污染物的不同特征。

讨论部分指出，该框架强烈锚定于CMAQ物理场，并利用滞后温度偏差修正系统性误差。局限性包括：使用再分析气象而非真实预报场，因此性能提升代表业务预报的上界；仅覆盖NO₂和O₃气体污染物；未量化预测不确定性；需多年度验证和向颗粒物扩展。

结论（翻译）：本研究提出一种时空图神经网络（STGNN）框架，用于美国本土CMAQ模拟的回顾性偏差校正。在回顾性EQUATES评估和指定日前观测信息约束下，该框架实现了显著的、空间一致的改进：NO₂总RMSE降低52.4%（从9.51至4.53 ppb），O₃降低65.0%（从20.89至7.32 ppb）。相比传统机器学习基线，STGNN大幅优于优化的XGBoost。模型显著减少系统性偏差并改善日循环变率。误差分解显示系统性和非系统性误差均大幅下降。该研究的贡献在于评估规模与实验设计，而非新的网络组件：图消息传递提供较小的统计显著改进，静态与风调制边权性能相当，区域留出实验显示框架级空间转移。但评估基于回顾性再分析，应视为业务预报性能的上界；未来需在真实预报模式、多年度数据和更多污染物上进行验证。