FuXi-Air: prognoser för luftkvalitet baserade på multimodal maskininlärning med emissioner, meteorologi och föroreningar

Varför renare luft kräver snabbare prognoser

Luftföroreningar är ett av de mest ihärdiga hälsotrusten i moderna städer, men verktygen vi använder för att förutsäga dåliga luftdagar är ofta långsamma, kostsamma och inte alltid precisa där människor faktiskt bor och arbetar. Denna studie presenterar FuXi‑Air, ett AI‑baserat system som kan prognostisera de viktigaste urbana luftförorenarna för de kommande tre dagarna på bara sekunder, med målet att ge stadstjänstemän och allmänheten tidigare och mer tillförlitliga varningar så att de bättre kan skydda sin hälsa.

Att se stadens luft som ett rörelsesystem

Traditionella prognoser för luftkvalitet bygger på stora datorbaserade modeller som simulerar hur gaser och partiklar bildas, transporteras och avlägsnas i atmosfären. Dessa modeller fångar fysikaliska och kemiska detaljer, men kräver kraftfulla datorer och många timmars beräkningstid, och deras noggrannhet begränsas av hur väl de återger lokalt väder och föroreningskällor. Samtidigt har många maskininlärningsmetoder fokuserat enbart på mätningar vid enskilda platser eller för enstaka föroreningar, vilket gör dem svåra att använda i verkliga, stadsövergripande prognoser. FuXi‑Air är utformat för att överbrygga detta gap genom att behandla stadsluften som ett sammanlänkat system och kombinera information om väder, utsläpp och befintliga föroreningsnivåer i en enhetlig ram.

Hur den nya AI‑modellen fungerar

FuXi‑Air sammanför tre stora datakällor: högupplösta väderprognoser från en separat AI‑vädermodell, detaljerade utsläppsregister som beskriver hur mycket föroreningar som släpps ut från trafik, industri och andra källor, samt kontinuerliga avläsningar från markbaserade övervakningsstationer. Inuti FuXi‑Air lär sig specialiserade djuplärande moduler hur föroreningar vid olika platser hänger ihop och hur de utvecklas över tid. En annan modul koncentrerar sig på hur vädermönster och utsläpp formar dessa förändringar, vilket i praktiken lär systemet att känna igen de förhållanden som leder till uppbyggnad eller utspädning av föroreningar. Genom att först prognostisera föroreningar i sextimmarssteg och sedan förfina dessa till timvärden kan FuXi‑Air leverera 72‑timmarsprognoser för sex viktiga föroreningar vid dussintals platser i varje stad på ungefär en halv minut.

Sätta systemet på prov i tre megastäder

Forskarna testade FuXi‑Air i Peking, Shanghai och Shenzhen—tre kinesiska megastäder med mycket olika klimat och föroreningsmönster. De jämförde dess prognoser för ozon, kvävedioxid, svaveldioxid, kolmonoxid och två partikelstorlekar med mätningar från 2023. I allmänhet reproducerade modellen tidpunkten och storleken på föroreningstoppar bra, särskilt för ozon och fina partiklar (PM2.5). Den visade sig också robust när föroreningsnivåerna var relativt låga och stabila, som i Shenzhen. Vissa utmaningar kvarstod för grova partiklar (PM10), särskilt i Peking, där dammstormar och långväga transport spelar en större roll och är svårare att fånga med tillgängliga data.

Slår konventionella modeller och undersöker vad som betyder mest

För att avgöra om FuXi‑Air är redo för praktisk användning jämförde teamet den med ett allmänt använt konventionellt forecastsystem som kopplar en vädermodell med en detaljerad luftkvalitetsmodell. Under nio månaders prognoser för Shanghai minskade FuXi‑Air konsekvent prediktionsfelen för samtliga sex föroreningar, och halverade vissa fel medan den körde på sekunder istället för timmar. Forskarna genomförde också systematiska ”ablation”‑experiment där olika datakällor slogs av och på. När de tog bort väderinformationen förlorade modellen förmågan att följa dygnscykler och föroreningstoppar, särskilt för ozon och fina partiklar. Att utelämna utsläppsdata försvagade dess skicklighet i städer där lokala källor dominerar. Dessa tester visade att kombinationen av väder, utsläpp och övervakningsdata är avgörande, men att väder ofta ger den starkaste enskilda förbättringen av prognoskvaliteten.

Olika städer, olika drivkrafter för skadlig luft

Genom att jämföra resultat över städer bidrar studien också med insikter om hur lokala förhållanden formar föroreningar. I Peking innebär vinteruppvärmning och regionala dammevenemang att storskaliga vindmönster och luftens stabilitet starkt styr partikelnivåerna, så väderdata spelade störst roll där. I Shenzhen, med sitt varma, fuktiga kustklimat och goda ventilation, spelade lokala industri‑ och trafikutsläpp en större roll för bestämningen av fina partikelnivåer. Shanghai hamnade mellan dessa ytterligheter, påverkad både av land‑hav‑brisning och av lokala källor. För gaser som kolmonoxid och svaveldioxid var utsläppen de huvudsakliga drivkrafterna, men även där förstärkte ibland terräng och väder deras uppbyggnad.

Vad detta innebär för att skydda folkhälsan

FuXi‑Air visar att noggrant utformade AI‑system kan leverera snabba, stadsomfattande prognoser för luftkvalitet som kan matcha eller överträffa traditionella metoder samtidigt som de använder avsevärt färre datorresurser. Även om modellen fortfarande har svårigheter med vissa händelser av grova partiklar och är beroende av utsläppsregister som kan förbättras, erbjuder den redan ett praktiskt verktyg för tidiga varningar och smart stadshantering. Med bättre, mer aktuell information om när och var luften blir ohälsosam kan myndigheter rikta åtgärder mot utsläpp mer effektivt och invånare kan anpassa sina aktiviteter för att minska exponeringen—och därigenom omvandla komplexa atmosfärdata till handlingsbar vägledning för renare, hälsosammare stadsliv.

Citering: 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

Nyckelord: prognoser för luftkvalitet, urbana luftföroreningar, djuplärande, meteorologi och utsläpp, skydd av folkhälsan