物理启发的图神经网络大气污染预报模型｜周二直播 · 地球系统科学读书会

集智俱乐部 · 公众号 · · 2025-03-09 21:40

正文

导语

为了能够深入理解人类世背景下地球系统各要素之间复杂的相互作用与演化机制，并为人类应对未来的地球系统科学重大挑战提供一套科学的认知框架，集智俱乐部联合清华大学讲席教授陈德亮、北京师范大学教授樊京芳、东莞理工学院特聘副研究员陈爱芳、南开大学副教授戴启立老师和爱尔兰都柏林大学博士生班崭共同发起「地球系统科学」系列读书会第二季，将组织大家从新的研究范式出发梳理相关文献，并深入研读其中涉及的理论与模型。

从2025年3月4日开始，每周二晚上19:00-21:00，读书会将以线上形式进行，持续时间预计8-10周。读书会详情及参与方式见后文。

分享背景

大气污染是全球面临的严峻挑战，在部分发展中国家尤为严重。近年来，通过严格的空气质量管理措施，虽然有效降低了PM2.5浓度，但整体空气质量仍有较大提升空间；与此同时，PM2.5浓度的降低在一定程度上引发了臭氧（O₃）污染问题，反映出污染物之间复杂且非线性的相互作用。鉴于污染事件可能在极短时间内急剧恶化，如突发森林火灾引发的大范围烟雾扩散，更突显了对高准确性、实时空气污染预测的迫切需求，以保障公众健康和出行安全。传统空气质量预测主要依赖于基于物理和化学机理的数值模型（如CMAQ、WRF-Chem等），这些模型虽然具备较强的解释能力，但在实时性、初始条件依赖性以及观测数据同化方面存在明显不足。与此同时，基于人工智能和大数据的地球系统模型在气象预测领域取得了突破，开启了利用AI解决大气污染预报、模拟和控制的新思路。但如何提高这类方法的泛化性与物理一致性，是要面临的新挑战。

分享简介

本次分享将探讨大气污染研究的背景及其面临的复杂挑战，重点介绍利用图神经网络等AI技术在污染代理模型构建中的应用。将详细解析我们新开发的PCDCNet，一种融合物理约束的深度学习模型。通过整合排放数据、气象条件及长时空依赖性，实现对局部监测与区域传输规律的精准捕捉，并借助门控循环单元（GRU）、图模型及领域知识约束，有效提升模型的可解释性和预测准确性。此外，我们还将探讨大气污染模拟和遥感数据同化等技术在实际应用中的成效与不足，并展望AI与大数据时代为地球系统科学带来的新机遇与挑战。此外，PCDCNet已作为实时空气质量预测服务上线，提供72小时的站点级预报，可以在应用市场搜索（彩云天气 APP），或者点击（https://caiyunapp.com/map/）获取数据服务。