利用机器学习推进全球运行气溶胶预报

看不见的空气为何重要

我们周围的空气充满了来自沙漠、火灾、海洋和人类污染的微小颗粒。尽管不可见，这些气溶胶能使阳光变暗、触发云的形成并刺激我们的肺部。知道它们在未来几天将往何处移动，有助于政府发布沙尘暴或野火烟雾警报、指导航空和太阳能运营，并提升气候研究的精度。本文介绍了一种新的全球预报系统，该系统利用人工智能来更快且在许多情况下更准确地预测这些颗粒，比起当前侧重物理的计算模型有明显优势。

小颗粒，大影响

气溶胶来源多样——发动机和火灾产生的烟黑、发电厂排放的硫酸盐、拍打海面的海盐以及裸露土壤扬起的矿物尘。它们的大小、形状和化学成分差异很大，因而影响各异。有些通过反射阳光使地球变冷，有些通过吸收热量使其变暖，许多则恶化空气质量，增加呼吸道和心脏疾病的风险。由于这些颗粒随风移动、被降雨洗脱并通过化学反应发生转化，实时追踪它们在全球尺度上的演变比预报温度或气压要困难得多。传统模型必须模拟数千个过程，这使得气溶胶预报既不确定又计算成本极高。

教会人工智能追踪蔽霾

研究人员开发了以人工智能驱动的全球气溶胶—气象预报系统，简称 AI-GAMFS，以应对这一挑战。他们没有手工编码每一个物理和化学环节，而是用融合卫星和地面观测的 42 年 NASA 同化再分析数据训练了一个超大规模神经网络。该模型输入三维的气溶胶和气象场，并将其通过与 U-Net 风格编码—解码器配对的“视觉变换器”（vision transformer）。本质上，它学习风、湿度和降水如何驱动并转化不同类型颗粒的模式，然后利用这些学到的关系预测数小时后的全球气溶胶分布。

在五天内控制误差增长

任何多日预报的一大难点是小误差会随着模型反复将自身输出作为输入而放大。为了在提供五天空间预报的同时限制这种漂移，团队训练了四个独立版本的 AI-GAMFS，分别跳步预测 3、6、9 或 12 小时。在实际预报中，这些模型像接力一样串联：能用较长跳步的地方优先采用，剩余部分由较短跳步补足。在一年数据上的测试表明，与只使用单一短步模型相比，这种接力策略明显降低了误差增长。尽管每个基础模型规模约为 12 亿参数，但整个系统可在一块现代图形处理器上在不到一分钟内产出全球、每 3 小时一次、持续 5 天的预报，其速度大约是 NASA 一种主流运行模型在传统超级计算机上所需时间的 360 倍。

超越当今最佳的气溶胶预报

作者随后将 AI-GAMFS 与若干最先进系统进行了比较。相较于 Copernicus 大气监测服务，它在五天窗口的大部分时段内对整体能见度（气溶胶光学厚度）和沙漠尘载量给出更准确的全球预报，这一点由 NASA 再分析数据和来自全球 AERONET 太阳光度计网的独立观测共同验证。在东亚地区，包括中国北部的严重沙尘暴，人工智能系统在重建羽流形成和传播的位置与强度方面击败了四个专门的沙尘模式。与 NASA 的 GEOS‑FP 模型相比，AI‑GAMFS 在许多地表颗粒物浓度（例如野火产生的黑碳和有机碳、以及人为排放的硫酸盐）上也给出更好的预测，且所需计算资源远少于传统模型。

按类型追踪烟雾、尘土与污染

由于 AI‑GAMFS 对各类颗粒以及它们的综合效应分别进行预报，它几乎能实时识别出不同的污染事件。案例研究显示，该系统能追踪撒哈拉沙尘横越大西洋，以及中非和南美火灾产生的烟雾，既捕捉到局地的积累又描绘出远距离传输。模型的优势部分来自其学习到的关键天气要素——如湿度、风暴和大尺度风场——如何塑造羽流演变的能力。但同时，其表现仍依赖于这些气象输入的质量，作者指出对某些变量的预报（例如风速和受海面风驱动的海盐气溶胶）仍落后于最佳的物理模式。

对日常生活的意义

简而言之，这项工作表明经过精心训练的人工智能可以“阅读”数十年的大气历史数据，学习雾霾如何对气象条件作出反应，然后快速提供细致的全球颗粒物预报，其表现可与或优于当今最先进的模型。这种速度与准确性能够使空气质量预警更及时，帮助城市和卫生机构在数天前为沙尘和烟雾事件做好准备，并为气候与能源规划提供关于围绕地球不断变化的颗粒物帷幕的更精确信息。作者将此视为走向将物理定律与机器学习结合的混合系统的早期一步，承诺为我们呼吸的空气与我们正在塑造的气候提供更清晰的视角。

引用: Gui, K., Zhang, X., Che, H. et al. Advancing operational global aerosol forecasting with machine learning. Nature 651, 658–665 (2026). https://doi.org/10.1038/s41586-026-10234-y

关键词: 气溶胶预报, 机器学习, 空气质量, 沙尘暴, 野火烟雾