融合物理学与人工智能提升空气质量预报的精度和诊断能力

《National Science Review》：Fusing Physics and AI Enhances Accuracy and Diagnostic Capabilities in Air Quality Forecasting

　　

摘要

具有诊断价值的精准空气质量预报对于排放控制政策和公共健康至关重要，然而化学传输模型（CTMs）受限于物理化学参数化方案的不确定性，而纯AI方法则在预测能力与可解释性之间难以兼顾。在此，我们提出ProNet——一种耦合预报框架，将观测约束的神经网络校正器直接嵌入CTMs的控制方程中。ProNet并非将AI作为外部后处理器或替代过程的代理模型，而是将可训练的网络整合进物理模拟中，从而系统性地降低过程层面的不确定性、抑制误差传播，并维持质量传输的物理约束。在2022至2023年间338座中国城市的数据上应用，ProNet持续优于物理CTMs和纯AI基线方法，并能更好地泛化至训练数据之外的极端事件。它还超越了预报员调整后的业务预报——后者在严重事件中往往对原始CTMs预报有所改善——将PM_2.5预报精度提升6.1%，O₃预报精度提升3.0%。值得注意的是，ProNet提供误差记账功能，使预报员能够定量地将模拟误差归因到特定的时空区域。对这些过程误差的深入分析揭示了当前CTMs参数化方案中的系统性偏差，为改进数值模型的物理和化学模块提供了可操作的见解。这些结果突显了物理-AI耦合在推进空气质量预报和深化我们对复杂地球系统理解方面的巨大潜力。