FuXi-Air: прогнозирование качества воздуха на основе многомодального машинного обучения с учётом выбросов, метеорологии и загрязнителей

Почему для чище воздуха нужны более быстрые прогнозы

Загрязнение воздуха остаётся одной из самых постоянных опасностей для здоровья в современных городах, однако инструменты, которыми мы предсказываем дни с плохим воздухом, часто медленные, дорогие и не всегда точные в тех местах, где люди действительно живут и работают. В этом исследовании представлена система FuXi‑Air на основе искусственного интеллекта, которая может за считанные секунды прогнозировать основные городские загрязнители на следующие три дня, с целью предоставить городским властям и населению более ранние и надёжные предупреждения, чтобы лучше защищать здоровье.

Видеть городской воздух как движущуюся систему

Традиционные прогнозы качества воздуха опираются на крупные компьютерные модели, которые имитируют, как газы и мелкие частицы образуются, перемещаются и удаляются в атмосфере. Эти модели отражают физические и химические детали, но требуют мощных компьютеров и многих часов обработки, а их точность ограничена тем, насколько хорошо они воспроизводят местную погоду и источники загрязнения. В то же время многие подходы машинного обучения ориентированы лишь на измерения загрязнения в отдельных точках или по отдельным веществам, что затрудняет их использование для реальных городских прогнозов в масштабе города. FuXi‑Air создана, чтобы преодолеть этот разрыв, рассматривая городской воздух как связанную систему и объединяя данные о погоде, выбросах и текущих уровнях загрязнения в единую схему.

Как работает новая модель ИИ

FuXi‑Air объединяет три основных потока данных: высокоразрешающиеся погодные прогнозы от отдельной AI‑модели погоды, подробные инвентаризации выбросов, описывающие, сколько загрязнений выделяется от транспорта, промышленности и других источников, и непрерывные показания наземных мониторинговых станций. Внутри FuXi‑Air специализированные модули глубокого обучения изучают, как загрязнение в разных точках взаимосвязано и как оно развивается во времени. Ещё один модуль сосредоточен на том, как погодные условия и выбросы формируют эти изменения, фактически обучая систему распознавать условия, приводящие к накоплению или очищению загрязнений. Сначала предсказывая загрязнение шагами по шесть часов, а затем уточняя эти предсказания до почасовых значений, FuXi‑Air может выдавать 72‑часовые прогнозы по шести ключевым загрязнителям для десятков площадок в каждом городе примерно за полминуты.

Проверка системы в трёх мегаполисах

Исследователи протестировали FuXi‑Air в Пекине, Шанхае и Шэньчжэне — трёх китайских мегаполисах с очень разным климатом и схемами загрязнения. Они сравнили её прогнозы для озона, диоксида азота, диоксида серы, оксида углерода и двух размеров взвешенных частиц с измерениями за 2023 год. В целом модель хорошо воспроизводила время и величину пиков загрязнения, особенно для озона и мелких частиц (PM2.5). Она также показала устойчивость при относительно низких и стабильных уровнях загрязнения, как в Шэньчжэне. Оставались трудности с крупными частицами (PM10), особенно в Пекине, где пыльные бури и дальний перенос играют большую роль и сложнее учитываются по доступным данным.

Превосходство над традиционными моделями и выявление ключевых факторов

Чтобы понять, готова ли FuXi‑Air к практическому использованию, команда сравнила её с широко используемой традиционной системой прогнозирования, которая соединяет модель погоды с детальной моделью качества воздуха. В течение девяти месяцев прогнозов для Шанхая FuXi‑Air последовательно снижала ошибки предсказания по всем шести загрязнителям, сокращая некоторые ошибки более чем вдвое при работе за секунды вместо часов. Исследователи также провели систематические «абляционные» эксперименты, поочерёдно отключая разные источники данных. При исключении погодной информации модель теряла способность отслеживать суточные циклы и пиковые значения загрязнения, особенно для озона и мелких частиц. Исключение данных по выбросам ослабляло её навыки в городах, где доминируют местные источники. Эти тесты показали, что сочетание погоды, выбросов и мониторинга критически важно, но погода часто даёт наибольший индивидуальный вклад в качество прогноза.

Разные города — разные факторы грязного воздуха

Сравнивая результаты между городами, исследование также проливает свет на то, как местные условия формируют загрязнение. В Пекине зимнее отопление и региональные пылевые события означают, что крупномасштабные ветровые паттерны и стабильность воздуха сильно контролируют уровни частиц, поэтому данные о погоде имели наибольшее значение. В Шэньчжэне с его тёплым влажным прибрежным климатом и сильной вентиляцией местные промышленные и дорожные выбросы играли большую роль в определении уровней мелких частиц. Шанхай находится между этими крайностями, испытывая влияние как бризов суша‑море, так и местных источников. Для газов, таких как оксид углерода и диоксид серы, основными факторами были выбросы, но даже в этих случаях местный рельеф и погода иногда усиливали их накопление.

Что это значит для защиты общественного здоровья

FuXi‑Air демонстрирует, что тщательно спроектированные ИИ‑системы могут предоставлять быстрые, городские прогнозы качества воздуха, сопоставимые с традиционными методами или превосходящие их при значительно меньших вычислительных ресурсах. Хотя модель всё ещё испытывает трудности с некоторыми событиями крупной запылённости и зависит от инвентаризаций выбросов, которые можно улучшить, она уже представляет собой практичный инструмент для ранних предупреждений и «умного» управления городом. Имея более качественную и своевременную информацию о том, когда и где воздух станет вредным, власти могут более эффективно нацеливать меры по сокращению выбросов, а жители — корректировать свою активность, чтобы снизить воздействие, превращая сложные данные об атмосфере в практически применимые рекомендации для более чистой и здоровой городской жизни.

Цитирование: 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

Ключевые слова: прогнозирование качества воздуха, городское загрязнение воздуха, глубокое обучение, метеорология и выбросы, защита общественного здоровья