TransNet：一种基于输运信息的图神经网络，用于预测韩国的PM2.5浓度

为什么更清晰的空气预报很重要

空气中的细颗粒物（称为PM2.5）极其微小，能够深入肺部并进入血液，增加心脏和肺部疾病的风险，甚至导致过早死亡。作为高度城市化和工业化的国家，韩国在减少这些颗粒物方面取得了进展，但仍会出现危险的峰值，并可能跨境飘移。为保护公众健康，主管部门需要能够在数小时到数天内快速且可靠地预测PM2.5水平——既要对每个城市提供足够的细节，又要足够快速和廉价以便每日运行。本研究介绍了一种新的预测工具TransNet，它结合了物理学和人工智能的理念，在不依赖耗时昂贵的超级计算机模型的情况下预测韩国各地的PM2.5。

读懂空气的新方法

传统的空气污染预报主要走两条路。一类使用大型计算模型模拟污染物在大气中的运动、混合和反应，但这些模型可能需要数小时的超级计算时间。另一类依赖统计或机器学习方法，从历史数据中学习模式，这类方法更快，但常常错过天气和排放的突变。TransNet（Transport-Informed Graph Neural Network的简称）旨在结合两者的优势。它将韩国的每个空气质量监测站视为网络中的一个节点，并学习污染在站点之间如何传播，受风速、温度和降水等气象数据的引导。这样模型在保有现代人工智能速度的同时，能模拟污染扩散的物理过程。

智能网络如何随风而动

TransNet的核心由三种相互关联的过程组成，反映了污染物在真实大气中的行为：风的输运、扩散和局地变化。模型通过在与近期风向和风速一致的站点之间建立连接来学习“平流”，即风将污染从一地推向另一地的方式。它还学习“扩散”，即污染在相邻位置间的峰谷逐渐被平滑的过程。最后，它包含一个“反应”步骤，用以捕捉由天气和化学过程驱动的局地变化，例如在潮湿条件下颗粒物的形成或被降雨洗脱。通过将这些过程分成独立步骤并以很小的增量更新空气状态，TransNet在数值上保持稳定并遵守质量守恒等基本物理规律。

这种新工具的表现如何

研究人员使用来自韩国170个监测站点的四年逐小时数据对TransNet进行了测试，模型在2018–2019年数据上训练，2020年用于调参，并在2021年上评估。他们将其与早期的先进系统AGATNet进行了比较，后者通过纠正一个复杂化学模型的输出来工作。在短至中等预报时效（从1小时到约2天）内，TransNet在几乎所有站点都产生了更准确的预测，典型误差约减少三分之一到一半，并能更接近地追踪观测到的PM2.5变化。它在沿海地区表现尤为出色，那里的风和地形会产生复杂的输运模式。然而，在更长的时段（约48小时以上），AGATNet仍占优势，这很可能是因为它利用了基础化学模型中详细的化学信息，而这些信息并非TransNet明确表示。

极端日子的启示

当研究团队聚焦于最严重的污染事件时，他们发现了一个重要的权衡。AGATNet凭借其丰富的化学输入，能够检测到更多非常高的PM2.5事件，使其在优先捕捉尽可能多的危险日子的情境中非常有用。但它也产生了更多误报。TransNet错过了更多罕见且极端的剧烈峰值，尤其是在较长的提前期，但当它确实标记为严重事件时通常是正确的，显示出更高的精确度。在日常条件下——占观测的96%以上——TransNet在预测与实际之间提供了更好的整体拟合，同时不依赖任何昂贵的外部建模系统。

这对更清洁、更安全的城市意味着什么

对非专业人士来说，关键结论是TransNet提供了一种实用的新方式来预测细颗粒物污染：它运行迅速、相对易于操作，并基于空气实际的运动和变化原理。在关键的头一到两天内，当主管部门必须决定是否发布预警、调整交通或保护易感人群时，TransNet可以仅使用气象数据和常规监测数据提供准确的全国性预报。依赖重型化学模型的现有工具在若干天及更长时间尺度上以及捕捉最罕见的极端事件方面可能仍更有优势。未来，作者建议将TransNet高效且物理知情的设计与简化的化学和混合过程相结合，目标是创建既更精确又更可靠的空气质量预报——帮助城市更早、更自信地采取行动以保护公共健康。

引用: Dimri, R., Choi, Y., Singh, D. et al. TransNet: a transport-informed graph neural network for forecasting PM_2.5 concentrations across South Korea. npj Clean Air 2, 12 (2026). https://doi.org/10.1038/s44407-026-00052-x

关键词: 空气污染预测, PM2.5, 图神经网络, 韩国空气质量, 物理知情的人工智能