基于WRF-Chem先验增强的时间融合变换器预测银川黑碳浓度

《Journal of Atmospheric and Solar-Terrestrial Physics》：Prediction of black carbon concentration in Yinchuan based on temporal fusion transformer with WRF-Chem priors

　　

• •
  基于耦合时间融合变换器模型预测了银川地区的黑碳浓度。
• •
  预测过程中纳入了气象因子、时间节奏特征以及WRF-Chem模式模拟数据。
• •
  该模型在保持相位一致性和有限偏差的同时，再现了BC的多尺度周期性特征。

引言

黑碳（BC）是由不完全燃烧产生的细颗粒碳质气溶胶，具有强烈的吸光特性，被认为是典型的短寿命气候污染物（SLCP）。BC通过吸收太阳辐射，可降低地表反照率，改变地表能量平衡，并影响区域和全球气候系统。因此，BC的强吸光效应及其对大气辐射强迫的影响使其成为全球气候变化的重要驱动力。从健康角度来看，城市和工业区域的BC浓度往往偏高，长期暴露已被证实与呼吸系统和心血管疾病风险增加以及过早死亡有关（Lawlor et al., 2026）。因此，建立BC的实时监测和预测系统对公共健康和环境治理具有重要意义。研究结果为空气污染控制和气候政策制定提供了科学依据。

近年来，关于BC的研究已从孤立的个案报告转向更为综合的综述研究（Sand et al., 2016; Matsui, 2020）。BC扰乱地表—大气辐射平衡，降低冰雪反照率，从而产生显著的区域气候影响；在冬季静稳和大气温逆等条件下，BC易积累并表现出显著的"冬季高、夏季低"季节变化规律，同时具有明显的日变化和周变化周期。边界层高度、风速和温度/湿度共同调控其时空分布。

源解析和暴露研究一致表明，交通排放、居民煤炭/生物质燃烧和露天焚烧是主要贡献源，部分地区还包括船舶排放；流行病学证据将长期BC暴露与心血管不良后果联系起来（Lawlor et al., 2026; Ma et al., 2022; Apte et al., 2018; Liu et al., 2014; Yi et al., 2025）。目前，神经网络模型已被证明在空气质量预报中表现良好（Zhang and Li, 2022; Tsokov et al., 2022; Kaur et al., 2023）。

在短期预报方面，机器学习已从线性/树模型基线发展为深度架构——卷积神经网络（CNN）、循环神经网络（RNN/LSTM/GRU）、时间卷积网络（TCN）和多图时空注意力网络等，通过将污染物历史数据与气象数据和日历特征融合，提高了各预测时间尺度的预报技巧（Zhang et al., 2024; Rehman et al., 2024; Chen et al., 2023）。在这一背景下，时间融合变换器（TFT）因其分离静态特征、已知未来协变量和未知时变输入，通过门控残差网络进行变量选择，并利用可解释的时间注意力对齐峰值和相位，从而在实践中能够更好地表征节奏和状态转变而备受关注（Lim et al., 2021; Lakshmi and Vijaya, 2024; Velusamy and Shanmugam, 2025）。然而，评估标准往往不统一，跨季节和典型气象过程的稳健性也未被充分考察。因此，构建一个整合观测数据、气象驱动因子和模式先验的TFT框架，并在统一输入和指标下与LSTM/GRU（门控循环单元）、TCN和CNN-LSTM进行基准比较，具有重要的方法论和实际运行价值。与现有主要关注综合空气质量指数的TFT空气质量预报研究不同，本研究以短寿命气候污染物黑碳为研究对象，通过整合WRF-Chem模拟作为动态先验，并构建涵盖四季整月预报和典型天气过程的系统性验证框架，从而评估模型在极端气象条件下的物理一致性和动态适应性。

银川地区位于中国西北半干旱区，近年来黑碳气溶胶污染问题显著。受能源结构和工业分布的影响，银川地区BC污染表现出明显的季节性变化——尤其在冬季供暖期，煤炭和生物质燃烧增加。结合风速、湿度和边界层高度等气象因子，BC浓度呈现出显著的季节和日变化规律。提高此类排放—气象耦合系统的短期可预报性，对于优化BC气溶胶污染防控和应急响应策略至关重要。

为满足业务需求和可解释性要求，本研究以TFT为核心预测模型。通过整合逐时气象驱动因子、历史观测数据和时间节奏特征，构建了72小时滚动预测框架。建立CNN-LSTM、LSTM和时间卷积网络（TCN）模型作为统一数据处理和评估协议下的基线模型进行比较。除评估整体预测精度外，本研究还通过变量选择和时间注意力机制解释关键影响因子和关键时间贡献。此外，还进行了特征消融实验和季节性验证，以评估模型稳健性和实际适用性，为银川及周边地区近实时BC预报提供科学基础。具体目标如下：

• (1)
  框架构建：以TFT模型为核心，构建72小时逐时BC浓度预报框架，整合历史观测数据、气象变量和时间节奏特征。采用滚动预报策略结合窗口式数据划分，严格防止信息泄漏。
• (2)
  模型评估与可解释性：在统一实验协议下，使用MAE、RMSE和R²指标评估模型的整体和季节/过程性能。应用变量选择和时间注意力机制识别关键影响因子和关键时间段，并进行特征消融实验以评估模型稳健性和各特征的贡献。
• (3)
  对比评估：建立CNN-LSTM、LSTM和TCN模型作为基线模型。在相同时间尺度下，使用一致输入窗口和评估标准进行实验，定量比较性能并分析各模型的优势和局限性。

章节摘要

数据来源

本研究整合了三类主要数据集：(1) 气象数据：逐时气象记录来自中国气象数据网（https://data.cma.cn），包括温度、风速和相对湿度等变量，作为模型的气象输入。(2) 实测BC数据：2022–2025年的原位BC浓度测量数据由大气环境遥感与探测技术重点实验室提供

BC浓度特征分析

图3展示了BC浓度与风速之间的相关性。根据模拟结果，风速与BC1和BC2的相关系数分别为?0.5280和?0.4793，与风速呈中等负相关，表明随着风速增加，BC浓度总体呈下降趋势。在低风速条件下（<2 m/s），大气扩散能力较弱，导致污染物积累，BC1和BC2浓度较高

结论

基于2022至2024年银川地区的BC观测数据、WRF-Chem模拟数据和逐时气象数据，本研究开发了以TFT为核心的深度学习预报框架，实现了高精度短期BC预测和多情景验证。主要结论如下：

• (1)
  模型性能优越且稳健：在统一训练协议下，TFT模型在测试集上取得了最高的预测精度（R² = 0.932），显著

局限性与未来工作

尽管所提出的TFT框架在银川BC浓度预测中表现出稳健的预测性能，但仍存在若干局限性，值得认识并为未来研究提供动力。

• (1)
  极端峰值的低估。如图12所示，模型在极端浓度处表现出轻微保守倾向，残差呈轻微正偏差。这可能是由于分位数回归损失函数对称惩罚大偏差，从而压缩了峰值幅度。

作者贡献声明

茅建东：撰写——审阅与编辑、监督、项目管理、方法论、经费获取、概念构思。马瑞：撰写——初稿、软件、资源、调查。

知情同意声明

不适用。

机构审查委员会声明

不适用。

伦理审查

这是一项观察性研究，不需要伦理审查批准。

利益冲突声明

本手稿投稿不存在利益冲突，手稿已获所有作者批准发表。我代表合著者声明，本文所述工作为原创研究，此前未曾发表，也未在整体或部分上提交至其他出版机构审议。所有列出的作者均已批准所附手稿。

致谢与资助信息

本研究得到了宁夏自然科学基金（编号：2025AAC020004）、银川市科技计划项目（编号：2025SF48）、北方民族大学高层次人才选拔与培养计划（编号：2025BG225）以及宁夏激光雷达大气遥感创新团队的支持。

茅建东|马瑞