Гибридный трансформер и нейронный оператор с учётом физики для корректировки смещений TEMPO NO2 над Северной Америкой

Почему чистый воздух из космоса важен

Загрязнение воздуха обычно заметно на уровне улицы — пробки, трубы, летний смог. Но всё чаще самый ясный обзор вредных газов мы получаем из космоса. В этом исследовании рассматривается скрытая проблема в спутниковых измерениях диоксида азота (NO2) — загрязнителя, связанного с астмой, сердечными заболеваниями и преждевременной смертностью. Объединив передовые методы искусственного интеллекта с физикой распространения солнечного света в атмосфере, авторы показывают, как можно улучшить наблюдение за NO2 над Северной Америкой покадрово, сделав его достаточным по точности для поддержки исследований в области здоровья и политики.

Наблюдение за городским воздухом с орбиты

NO2 выделяется главным образом при сжигании топлива в автомобилях, на электростанциях и в промышленности и обычно накапливается над оживлёнными городскими районами. Десятилетиями спутники сканировали земной шар в поисках уровней NO2, но большинство из них летает по полярным орбитам и пролетают над конкретной точкой лишь раз в сутки. Новая миссия NASA TEMPO находится на геостационарной орбите над Северной Америкой и делает почасовые снимки загрязнения воздуха с разрешением на уровне микрорайонов. Это даёт мощную возможность отслеживать утренние пиковые выбросы в час пик, промышленные циклы и эпизоды загрязнения — при условии, что измерения точны.

Скрытое слабое звено в спутниковых данных

Спутники не измеряют NO2 напрямую; они фиксируют, как поглощается солнечный свет, а затем вычисляют, какое количество газа содержится в столбе воздуха от поверхности до верхних слоёв атмосферы. Ключевой этап преобразования использует так называемый коэффициент воздушной массы, который описывает, как долго и через какие слои атмосферы проходит свет до того, как его зафиксирует спутник. Этот коэффициент зависит от облачности, мелких частиц, яркости поверхности, высоты слоя загрязнения и углов солнца и прибора. Поскольку эти ингредиенты известны с ограниченной точностью, небольшие ошибки в коэффициенте воздушной массы могут перерасти в большие систематические погрешности в конечных значениях NO2 — особенно над загрязнёнными городами или в определённые часы дня.

Обучение «умной» модели с учётом физики

Вместо того чтобы просто «править» окончательные значения NO2 чёрным ящиком, исследователи разработали гибридную модель машинного обучения, которая фокусируется непосредственно на корректировке самого коэффициента воздушной массы. Её обучали на почти 75 000 пар измерений, где данные TEMPO можно было сравнить с высококачественными показаниями наземных спектрометров Pandora по всей Северной Америке. Одна ветвь модели, основанная на трансформерной технологии, изучает закономерности в плоских, картографических данных, таких как геометрия наблюдения и яркость поверхности. Вторая ветвь, известная как Фурье-нейронный оператор, предназначена для понимания полных вертикальных профилей атмосферы, включая изменение NO2 и свойств рассеяния по высоте. Эти две перспективы объединяются и затем направляются встроенным физическим правилом: исправления поощряются только если они остаются согласованными с установленной теорией переноса излучения, что реализовано через тщательно выбранную функцию потерь.

Более чёткие изображения во все сезоны и везде

Когда эту модель с учётом физики протестировали, она существенно улучшила согласование между наблюдениями TEMPO и Pandora. Доля объяснённой вариации (R²) выросла примерно с 0,58 до 0,80, а общая ошибка снизилась примерно на 30 процентов. Преимущества сохранялись в разные сезоны — даже летом, когда сложные перемешивания и образование NOx от молний затрудняют моделирование атмосферы. Важно, что метод хорошо работал и в точках, которых модель не «видела» при обучении, включая городские, пригородные и сельские площадки. Хотя на некоторых станциях улучшение было небольшим или даже отсутствовало, у большинства наблюдалось заметное сближение, что говорит о том, что подход справляется с широким спектром условий поверхности и схем эмиссий.

Что это значит для людей на земле

Исправляя физику в середине процесса восстановления, а не перерисовывая конечные числа, эта методика создаёт спутниковые данные по NO2, которым можно доверять и которые проще интерпретировать. После обучения она работает, используя только собственные входные данные TEMPO, обеспечивая почти в реальном времени карты NO2 с корректировкой смещений по всей Северной Америке каждый час. Для неспециалистов главный вывод прост: исследование демонстрирует практический способ сочетать физическое понимание с передним краем ИИ, чтобы дать нам более чёткие и надёжные снимки вредного загрязнения из космоса. Эта повышенная ясность может укрепить исследования в области здоровья, уточнить инвентаризацию выбросов и в конечном счёте поддержать более взвешенные решения, направленные на очищение воздуха, которым мы все дышим.

Цитирование: Kayastha, S.G., Park, J. & Choi, Y. Hybrid transformer and physics-informed neural operator for correcting TEMPO NO₂ biases over North America. npj Clean Air 2, 15 (2026). https://doi.org/10.1038/s44407-026-00056-7

Ключевые слова: диоксид азота, спутниковое качество воздуха, машинное обучение, дистанционное зондирование, атмосферное загрязнение