FuXi-Air: prognozowanie jakości powietrza oparte na multimodalnym uczeniu maszynowym łączącym emisje, meteorologię i zanieczyszczenia

Dlaczego czystsze powietrze potrzebuje szybszych prognoz

Zanieczyszczenie powietrza jest jednym z najtrwalszych zagrożeń zdrowotnych we współczesnych miastach, tymczasem narzędzia służące do przewidywania dni o złej jakości powietrza bywają wolne, kosztowne i nie zawsze dokładne tam, gdzie ludzie faktycznie mieszkają i pracują. W tym badaniu przedstawiono FuXi‑Air — system oparty na sztucznej inteligencji, który potrafi prognozować główne miejskie zanieczyszczenia powietrza na kolejne trzy dni w zaledwie kilka sekund, z zamiarem dostarczenia władzom miejskim i społeczeństwu wcześniejszych i bardziej wiarygodnych ostrzeżeń, aby mogli lepiej chronić zdrowie.

Postrzeganie miejskiego powietrza jako systemu dynamicznego

Tradycyjne prognozy jakości powietrza opierają się na rozbudowanych modelach komputerowych, które symulują, jak gazy i drobne cząstki powstają, przemieszczają się i są usuwane w atmosferze. Modele te oddają szczegóły fizyczne i chemiczne, ale wymagają potężnych komputerów i wielu godzin przetwarzania, a ich dokładność ogranicza to, jak dobrze reprezentują lokalną pogodę i źródła zanieczyszczeń. Jednocześnie wiele podejść opartych na uczeniu maszynowym koncentrowało się jedynie na pomiarach zanieczyszczeń w pojedynczych punktach lub na pojedynczych zanieczyszczeniach, co utrudnia ich zastosowanie w prognozach miejskich obejmujących całe aglomeracje. FuXi‑Air ma za zadanie wypełnić tę lukę, traktując miejskie powietrze jako połączony system i łącząc informacje o pogodzie, emisjach i istniejących poziomach zanieczyszczeń w jedną spójną ramę.

Jak działa nowy model AI

FuXi‑Air łączy trzy główne strumienie danych: prognozy pogody o wysokiej rozdzielczości z oddzielnego modelu pogodowego opartego na AI, szczegółowe inwentaryzacje emisji opisujące, ile zanieczyszczeń emitują ruch drogowy, przemysł i inne źródła, oraz ciągłe odczyty ze stacji naziemnych. W obrębie FuXi‑Air wyspecjalizowane moduły głębokiego uczenia uczą się, jak zanieczyszczenia na różnych stacjach są ze sobą powiązane i jak zmieniają się w czasie. Inny moduł koncentruje się na tym, jak wzorce pogodowe i emisje kształtują te zmiany, skutecznie ucząc system rozpoznawać warunki prowadzące do nagromadzenia się lub rozproszenia zanieczyszczeń. Poprzez najpierw prognozowanie zanieczyszczeń w krokach sześciogodzinnych, a następnie doprecyzowanie ich do wartości godzinowych, FuXi‑Air może dostarczać 72‑godzinne prognozy dla sześciu kluczowych zanieczyszczeń w dziesiątkach lokalizacji w każdym mieście w około pół minuty.

Testowanie systemu w trzech megamiastach

Naukowcy przetestowali FuXi‑Air w Pekinie, Szanghaju i Shenzhen — trzech chińskich megamiastach o bardzo zróżnicowanym klimacie i wzorcach zanieczyszczeń. Porównali jego prognozy ozonu, dwutlenku azotu, dwutlenku siarki, tlenku węgla oraz dwójek rozmiarów cząstek stałych z pomiarami z 2023 roku. Ogólnie model dobrze odtwarzał czas i wielkość szczytów zanieczyszczeń, zwłaszcza dla ozonu i drobnych cząstek (PM2.5). Okazał się też odporny, gdy poziomy zanieczyszczeń były stosunkowo niskie i stabilne, jak w Shenzhen. Pozostały jednak wyzwania dotyczące cząstek grubych (PM10), szczególnie w Pekinie, gdzie burze pyłowe i transport na duże odległości odgrywają większą rolę i są trudniejsze do uchwycenia przy dostępnych danych.

Pokonując konwencjonalne modele i badanie, co ma największe znaczenie

Aby sprawdzić, czy FuXi‑Air nadaje się do praktycznego zastosowania, zespół porównał go z powszechnie używanym systemem prognozowania łączącym model pogodowy z szczegółowym modelem jakości powietrza. W ciągu dziewięciu miesięcy prognoz dla Szanghaju FuXi‑Air konsekwentnie zmniejszał błędy predykcji dla wszystkich sześciu zanieczyszczeń, redukując niektóre błędy nawet o ponad połowę, pracując w sekundach zamiast godzin. Badacze przeprowadzili też systematyczne eksperymenty „ablacyjne”, wyłączając różne źródła danych. Po usunięciu informacji pogodowych model tracił zdolność śledzenia cykli dobowych i szczytów zanieczyszczeń, zwłaszcza dla ozonu i drobnych cząstek. Pominięcie danych o emisjach osłabiało jego umiejętność w miastach, gdzie dominują lokalne źródła. Testy te wykazały, że połączenie danych pogodowych, emisji i monitoringu jest kluczowe, przy czym pogoda często zapewnia najsilniejszy pojedynczy wzrost jakości prognozy.

Różne miasta, różne przyczyny zanieczyszczeń

Porównując wyniki między miastami, badanie rzuca też światło na to, jak lokalne warunki kształtują zanieczyszczenia. W Pekinie ogrzewanie zimowe i regionalne zdarzenia pyłowe sprawiają, że duże wzory wiatrowe i stabilność powietrza w dużym stopniu kontrolują poziomy cząstek, więc dane pogodowe miały największe znaczenie. W Shenzhen, o ciepłym, wilgotnym klimacie przybrzeżnym i silnej wentylacji, lokalne emisje przemysłowe i drogowe odgrywały większą rolę w określaniu poziomów drobnych cząstek. Szanghaj plasował się między tymi skrajnościami, pod wpływem zarówno bryz lądowo‑morskich, jak i lokalnych źródeł. W przypadku gazów takich jak tlenek węgla i dwutlenek siarki głównymi czynnikami były emisje, choć nawet wtedy lokalne ukształtowanie terenu i pogoda czasami wzmacniały ich nagromadzenie.

Co to oznacza dla ochrony zdrowia publicznego

FuXi‑Air pokazuje, że starannie zaprojektowane systemy AI potrafią dostarczać szybkie, miejskie prognozy jakości powietrza na skalę porównywalną z tradycyjnymi metodami lub je przewyższając, przy znacznie niższym zapotrzebowaniu na zasoby obliczeniowe. Chociaż model nadal ma trudności z niektórymi zdarzeniami związanymi z cząstkami grubymi i opiera się na inwentaryzacjach emisji, które można by ulepszyć, już teraz oferuje praktyczne narzędzie do ostrzegania i inteligentnego zarządzania miastem. Mając lepsze i bardziej terminowe informacje o tym, kiedy i gdzie powietrze stanie się niezdrowe, władze mogą bardziej efektywnie ukierunkować ograniczenia emisji, a mieszkańcy mogą dostosować swoje aktywności, by zmniejszyć narażenie — przekształcając złożone dane o atmosferze w praktyczne wskazówki dla czystszego, zdrowszego życia w mieście.

Cytowanie: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Słowa kluczowe: prognozowanie jakości powietrza, zanieczyszczenie powietrza w miastach, głębokie uczenie, meteorologia i emisje, ochrona zdrowia publicznego