導(dǎo)語

空氣污染預(yù)測是一個經(jīng)典的復(fù)雜系統(tǒng)問題——污染物的積累與消散受到排放源、氣象條件、大氣化學(xué)反應(yīng)等多重因素的交織影響，呈現(xiàn)出高度非線性的時空演化特征。傳統(tǒng)物理化學(xué)模式雖能模擬這些過程，卻面臨計算成本高、極端事件偏差大等瓶頸。能否借助深度學(xué)習(xí)技術(shù)，在保持預(yù)測精度的同時大幅提升計算效率？更進一步，當(dāng)我們將預(yù)測視野延伸至未來數(shù)十年，空氣質(zhì)量會如何演變？答案或許并不像“減排即改善”那樣簡單。

本文解讀這篇2026年2月發(fā)表于 Urban Climate 的最新研究。研究團隊開發(fā)了一種集成圖神經(jīng)網(wǎng)絡(luò)（IGNN）模型，系統(tǒng)預(yù)測了2025-2050年華北城市群的PM?.?和O?濃度變化趨勢，揭示了一個值得關(guān)注的現(xiàn)象：在多種未來情景下，PM?.?顯著下降，而O?卻呈現(xiàn)上升態(tài)勢。這一“蹺蹺板”效應(yīng)背后的物理化學(xué)機制，為我們理解大氣系統(tǒng)的復(fù)雜性提供了新的視角。

關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò)、空氣質(zhì)量預(yù)測、PM?.?、臭氧、時空建模、深度學(xué)習(xí)

張鋼鋒、王碩丨作者

趙思怡丨審校

論文題目：A deep learning approach predicts O? increase and PM?.? declines under high emission scenario across the Northern China urban agglomeration 論文鏈接：https://doi.org/10.1016/j.uclim.2025.102752 發(fā)表時間：2026年2月 論文來源：Urban Climate

作者簡介

1. 研究背景：復(fù)雜系統(tǒng)視角下的空氣質(zhì)量預(yù)測

空氣污染的形成與演變是一個典型的復(fù)雜系統(tǒng)問題。以華北城市群為例，該區(qū)域涵蓋28個城市（“2+26”大氣污染傳輸通道城市），呈現(xiàn)出顯著的季節(jié)性污染特征：冬季弱風(fēng)少雨，細(xì)顆粒物（PM?.?）容易積累；夏季高溫強輻射，氮氧化物和揮發(fā)性有機物發(fā)生光化學(xué)反應(yīng)，生成近地面臭氧（O?）。這兩種污染物的形成機制截然不同，卻又通過大氣化學(xué)過程相互耦合，構(gòu)成了一個多變量、非線性、時空交織的動力學(xué)系統(tǒng)。

準(zhǔn)確預(yù)測這樣一個系統(tǒng)的演化，面臨多重挑戰(zhàn)。傳統(tǒng)方法大致分為兩類：一是基于物理化學(xué)機制的數(shù)值模式（如CMAQ、WRF-Chem），能夠顯式模擬大氣化學(xué)過程，但計算成本高昂，且對輸入數(shù)據(jù)和參數(shù)化方案高度敏感；二是數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)方法，計算效率高，但傳統(tǒng)模型在處理具有網(wǎng)絡(luò)結(jié)構(gòu)的時空數(shù)據(jù)時能力有限。

近年來興起的圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Network, GNN）為解決這一問題提供了新思路。GNN的核心優(yōu)勢在于，它能夠在圖結(jié)構(gòu)上進行信息傳遞和聚合，天然適合建模城市群中污染物傳輸?shù)木W(wǎng)絡(luò)化特征。本研究正是基于這一思路，將空氣質(zhì)量預(yù)測問題轉(zhuǎn)化為圖結(jié)構(gòu)上的時空建模任務(wù)。

2. 方法創(chuàng)新：將城市群建模為“圖”

2.1 圖結(jié)構(gòu)的構(gòu)建

研究團隊提出的集成圖神經(jīng)網(wǎng)絡(luò)（Integrated Graph Neural Network, IGNN）模型，核心設(shè)計理念是將華北城市群的28個監(jiān)測城市構(gòu)建為一個圖（Graph）：城市作為節(jié)點（nodes），城市間的空間關(guān)聯(lián)作為邊（edges），而氣象要素（溫度、風(fēng)速、輻射、濕度等）、排放數(shù)據(jù)（PM?.?、NOx、VOCs等）和歷史觀測則作為節(jié)點與邊的屬性特征。

這種圖結(jié)構(gòu)的設(shè)計契合了污染物傳輸?shù)奈锢肀举|(zhì)——一個城市的空氣質(zhì)量不僅取決于本地排放和氣象條件，還受到周邊城市的顯著影響。通過圖結(jié)構(gòu)，模型能夠顯式地建模這種城市間的“信息傳遞”過程。

圖1：IGNN模型架構(gòu)框架圖

2.2 時空特征的融合

模型架構(gòu)包含三個核心模塊：

譜圖卷積模塊：通過圖拉普拉斯變換實現(xiàn)相鄰城市信息的高效聚合。模型能夠自適應(yīng)地學(xué)習(xí)城市間的污染物傳輸關(guān)系——既包括基于地理距離的靜態(tài)空間知識（如200公里閾值），也包括由風(fēng)場驅(qū)動的動態(tài)傳輸路徑。這一設(shè)計類似于在圖上進行“消息傳遞”，讓每個節(jié)點能夠“感知”其鄰域的狀態(tài)。

時間卷積模塊：采用膨脹卷積（dilated convolution）提取氣象和排放數(shù)據(jù)的時序特征。膨脹卷積通過引入空洞因子擴大感受野，能夠在不增加參數(shù)量的情況下捕捉更長時間尺度的依賴關(guān)系，對應(yīng)真實場景中污染氣體的生成與傳輸過程。

雙通道并行處理：使用兩個相同的時間卷積模塊分別建模污染物的積累與擴散，通過殘差連接保證梯度穩(wěn)定傳播。

2.3 避免誤差累積的設(shè)計

與傳統(tǒng)序列到序列的預(yù)測方法不同，IGNN采用“一對一映射”策略——直接基于當(dāng)前時刻的氣象和排放信息輸出預(yù)測結(jié)果，而非逐步累積至目標(biāo)時刻。這一設(shè)計有效避免了長期預(yù)測中的誤差累積問題，對于延伸至2050年的長期預(yù)測尤為重要。最終模型參數(shù)量僅為119KB，訓(xùn)練時間不超過3小時，展現(xiàn)出良好的計算效率。

3、模型驗證：歷史數(shù)據(jù)與極端事件測試

研究團隊使用2014-2020年的歷史數(shù)據(jù)對IGNN進行了系統(tǒng)驗證，并與多種主流方法進行對比，包括XGBoost、LightGBM、STGCN等機器學(xué)習(xí)方法，以及CMAQ、WRF-Chem等物理化學(xué)模式。

圖2：2019年北京PM?.?和O?觀測值與IGNN預(yù)測值的散點圖

整體而言，IGNN在PM?.?和O?預(yù)測的主要評估指標(biāo)上均取得最優(yōu)表現(xiàn)。值得注意的是，所有方法對O?的預(yù)測效果普遍優(yōu)于PM?.?，這反映了O?濃度具有更強的日周期規(guī)律性，而PM?.?的變化則受到更多隨機因素的影響。

為進一步檢驗?zāi)Ｐ蛯O端天氣的適應(yīng)性，研究選取了2019年1月北京PM?.?重污染事件和7月O?重污染事件作為典型案例，將IGNN與CMAQ、WRF-Chem兩種物理化學(xué)數(shù)值模式進行對比。

圖3：2019年重污染事件期間觀測值與三種模型預(yù)測值的時間序列對比

從時間序列可以直觀看出，IGNN（紅線）能夠較好地跟蹤觀測值（藍(lán)線）的波動節(jié)律，尤其是峰值的出現(xiàn)時刻和幅度。相比之下，CMAQ（綠線）和WRF-Chem（黃線）在污染物濃度快速變化的時段出現(xiàn)明顯偏離。

這種差異源于兩類方法的本質(zhì)不同。CMAQ和WRF-Chem作為機理驅(qū)動的數(shù)值模式，需顯式求解大氣化學(xué)和氣象動力學(xué)方程，其預(yù)測質(zhì)量高度依賴于邊界條件設(shè)定、排放清單分辨率及參數(shù)化方案選擇，在極端事件中這些不確定性會被放大。而IGNN作為數(shù)據(jù)驅(qū)動方法，直接從歷史觀測中學(xué)習(xí)非線性映射關(guān)系，能夠隱式捕捉那些難以顯式表達(dá)的復(fù)雜相互作用。

當(dāng)然，數(shù)值模式在機理解釋和過程診斷方面具有不可替代的優(yōu)勢。本研究表明，在以預(yù)測精度為首要目標(biāo)的應(yīng)用場景中，數(shù)據(jù)驅(qū)動方法展現(xiàn)出顯著的性能優(yōu)勢和計算效率提升。這些驗證結(jié)果為IGNN應(yīng)用于長期預(yù)測奠定了方法學(xué)基礎(chǔ)。

4. 未來預(yù)測：PM?.?與O?的“蹺蹺板”

4.1 差異化的變化趨勢

利用驗證后的IGNN模型，研究團隊結(jié)合CMIP6氣候情景和多種排放策略，對2025-2050年華北城市群的空氣質(zhì)量進行了系統(tǒng)預(yù)測。

圖4：不同排放策略下2025-2050年P(guān)M?.?和O?年均濃度變化趨勢

預(yù)測結(jié)果揭示了一個核心發(fā)現(xiàn)：在多種情景下，PM?.?呈現(xiàn)下降趨勢，而O?卻呈現(xiàn)上升趨勢。這種“蹺蹺板”效應(yīng)在不同排放策略下普遍存在，且減排力度越大的策略，這種差異化趨勢越明顯。

PM?.?的下降符合直覺——它直接反映了排放控制的效果。然而，O?的上升則揭示了大氣化學(xué)系統(tǒng)的復(fù)雜性：減少一種污染物，并不必然導(dǎo)致另一種污染物同步改善。

4.2 機制解釋：三重效應(yīng)的疊加

這一看似矛盾的結(jié)果，可以從三個相互關(guān)聯(lián)的物理化學(xué)機制來理解：

輻射效應(yīng)：PM?.?是大氣氣溶膠的重要組成部分，對太陽短波輻射具有散射和吸收作用。PM?.?濃度下降使到達(dá)地表的短波輻射增強，而輻射正是驅(qū)動O?光化學(xué)生成的核心能量來源。

自由基清除效應(yīng)：PM?.?顆粒物表面可作為多相化學(xué)反應(yīng)的載體，能夠清除HO?和NOx等O?前體物。PM?.?濃度降低削弱了這種“匯”效應(yīng)，使更多前體物參與光化學(xué)循環(huán)，最終轉(zhuǎn)化為O?。

氣候變化效應(yīng)：在高碳排放情景下，全球升溫加速光化學(xué)反應(yīng)速率，進一步促進O?生成。

三重效應(yīng)的疊加，解釋了為何PM?.?與O?呈現(xiàn)差異化的變化趨勢，也揭示了大氣污染系統(tǒng)中存在的復(fù)雜非線性耦合關(guān)系。

4.3 重污染天數(shù)的演變

圖5：不同情景下PM?.?和O?重污染天數(shù)變化趨勢

重污染天數(shù)的分析進一步印證了上述發(fā)現(xiàn)：PM?.?重污染天數(shù)呈下降趨勢，部分情景下甚至有望完全消除；而O?重污染天數(shù)在多數(shù)情景下呈上升趨勢。這種差異化的演變模式，提示我們在理解和預(yù)測空氣質(zhì)量變化時，需要充分考慮不同污染物之間的相互作用機制。

5. 科學(xué)啟示與研究展望

5.1 復(fù)雜系統(tǒng)視角的價值

本研究的核心發(fā)現(xiàn)——PM?.?與O?的差異化變化趨勢——為我們理解大氣污染的復(fù)雜性提供了一個生動案例。它表明，大氣化學(xué)系統(tǒng)并非簡單的線性疊加，而是存在多重反饋和耦合機制。這種復(fù)雜性意味著，“減排即改善”的線性思維在某些情況下可能過于簡化。

從更廣泛的復(fù)雜系統(tǒng)視角來看，這一發(fā)現(xiàn)也呼應(yīng)了復(fù)雜系統(tǒng)研究中的一個核心主題：涌現(xiàn)性（emergence）。系統(tǒng)的整體行為不能簡單地從各部分的行為推斷，組分之間的相互作用可能產(chǎn)生意想不到的宏觀效應(yīng)。

5.2 圖神經(jīng)網(wǎng)絡(luò)的方法學(xué)潛力

從方法學(xué)角度，本研究展示了圖神經(jīng)網(wǎng)絡(luò)在環(huán)境科學(xué)領(lǐng)域的應(yīng)用潛力。通過將地理空間上分布的監(jiān)測站點建模為圖結(jié)構(gòu)，模型能夠有效捕捉污染物傳輸?shù)木W(wǎng)絡(luò)化特征。這一思路具有良好的可推廣性，可應(yīng)用于其他具有類似空間結(jié)構(gòu)的環(huán)境預(yù)測問題。

5.3 局限與未來方向

研究團隊也指出了若干局限性。當(dāng)前模型中風(fēng)向的標(biāo)量編碼方式可能引入一定偏差，未來可采用正余弦分解等方法更嚴(yán)謹(jǐn)?shù)靥幚碇芷谛宰兞?。此外，作為?shù)據(jù)驅(qū)動方法，IGNN在物理機制解釋性方面存在固有局限。

未來研究的一個重要方向是探索物理引導(dǎo)的神經(jīng)網(wǎng)絡(luò)（physics-guided neural networks），將深度學(xué)習(xí)的擬合能力與大氣物理的機制約束相結(jié)合，以兼顧預(yù)測精度與可解釋性。

結(jié)語

本研究為空氣質(zhì)量預(yù)測提供了一種基于圖神經(jīng)網(wǎng)絡(luò)的新方法，并通過長期預(yù)測揭示了PM?.?與O?在未來情景下的差異化演變趨勢。這一發(fā)現(xiàn)不僅具有科學(xué)意義——它深化了我們對大氣化學(xué)系統(tǒng)復(fù)雜性的認(rèn)識，也具有方法學(xué)價值——它展示了深度學(xué)習(xí)技術(shù)在環(huán)境科學(xué)中的應(yīng)用前景。

正如復(fù)雜系統(tǒng)研究所揭示的，理解一個系統(tǒng)的行為，往往需要超越對單一組分的分析，轉(zhuǎn)向?qū)M分間相互作用的把握。大氣污染系統(tǒng)亦是如此：PM?.?與O?之間的非線性耦合，正是這種復(fù)雜性的具體體現(xiàn)。

論文信息

Zhang G, Wang S, et al. A deep learning approach predicts O? increase and PM?.? declines under high emission scenario across the Northern China urban agglomeration. *Urban Climate*, 2026, 65: 102752.

DOI: https://doi.org/10.1016/j.uclim.2025.102752

地球系統(tǒng)科學(xué)讀書會

世界氣象組織《2023年全球氣候狀況》報告確認(rèn)2023年是有觀測記錄以來最暖的一年。氣候變化正在以高溫、干旱、洪水、野火和沙塵暴等極端天氣的形式吸引人們的廣泛關(guān)注。世界經(jīng)濟論壇《2024全球風(fēng)險報告》將氣候變化作為首要值得關(guān)注的風(fēng)險。地球作為一個多要素、非線性的開放復(fù)雜系統(tǒng)，要素間相互作用關(guān)系復(fù)雜，往往牽一發(fā)而動全身。在人類活動深刻影響下，我們該如何理解并有效應(yīng)對正在面臨的氣候變化以及其帶來的社會經(jīng)濟等一系列議題，實現(xiàn)人類與地球的可持續(xù)發(fā)展？

為了能夠深入理解人類世背景下地球系統(tǒng)各要素之間復(fù)雜的相互作用與演化機制，并為人類應(yīng)對未來的地球系統(tǒng)科學(xué)重大挑戰(zhàn)提供一套科學(xué)的認(rèn)知框架，集智俱樂部聯(lián)合清華大學(xué)講席教授陳德亮、北京師范大學(xué)教授樊京芳、東莞理工學(xué)院特聘副研究員陳愛芳、南開大學(xué)副教授戴啟立老師和愛爾蘭都柏林大學(xué)博士生班嶄共同發(fā)起，將組織大家從新的研究范式出發(fā)梳理相關(guān)文獻，并深入研讀其中涉及的理論與模型。

詳情請見：

1.

2.

3.

4.

5.

6.

7.