用于校正北美 TEMPO NO2 偏差的混合变换器与物理驱动神经算子

为什么来自太空的更清晰空气观测很重要

空气污染通常是我们在街面层面注意到的东西——交通、烟囱、夏季雾霾。但越来越多情况下，我们对有害气体的最清晰视角来自太空。本研究解决了卫星观测二氧化氮（NO2）时的一个隐性问题。NO2 与哮喘、心脏病和早逝有关。通过将尖端人工智能与阳光通过大气传播的物理学相结合，作者展示了如何逐小时提高我们对北美地区 NO2 的观测精度，精度足以支持健康研究和政策制定。

从高空监测城市空气

NO2 主要在汽车、发电厂和工业燃烧燃料时排放，并倾向于在繁忙的城市地区累积。几十年来，卫星扫描全球以追踪 NO2 水平，但大多数卫星处于极轨，只能每天经过同一地点一次。NASA 较新的 TEMPO 任务位于北美上空的静止轨道，能够以邻里尺度分辨率每小时拍摄空气污染快照。这为跟踪早高峰、工业排放周期和污染事件提供了强大的手段——前提是这些测量是准确的。

卫星数值中的隐性薄弱环节

卫星并不直接测量 NO2；它们检测阳光的吸收情况，然后计算从地面到大气顶层的气柱中含有多少气体。一个关键的转换步骤使用所谓的空气质量因子（air mass factor），它描述了阳光在到达卫星前在大气中穿行的路径长度和穿过的大气部分。该因子取决于云、微小颗粒、地表亮度、污染物的高度以及太阳和仪器的观测角度。由于这些要素并不完全已知，空气质量因子中的小误差会在最终的 NO2 数值中放大为大的系统性偏差——尤其是在污染严重的城市或某些时段。

教会智能模型遵循物理规律

研究人员没有简单地用黑箱算法“修正”最终的 NO2 值，而是设计了一个混合机器学习模型，直接针对空气质量因子本身进行校正。他们使用近 75,000 对 TEMPO 数据与覆盖北美的 Pandora 地基光谱仪的高质量观测配对进行训练。模型的一支基于变换器技术，学习类似地图的平面信息模式，如观测几何和地表亮度。第二支称为傅里叶神经算子，旨在理解完整的大气垂直廓线，包括 NO2 和散射特性随高度的变化。这两种视角被融合，并由内嵌的物理规则引导：只有当校正与已建立的辐射传输理论保持一致时才被奖励，这通过精心选择的损失函数来强制执行。

在所有季节与地点更清晰的图像

当对这个具备物理意识的模型进行测试时，TEMPO 与 Pandora 观测之间的匹配显著改善。可解释的变异比例（R²）从约 0.58 提升到 0.80，总体误差下降了大约 30%。这些改进在各季节均能保持——即便在夏季，当复杂的混合过程和闪电生成的 NOx 使大气更难建模时也如此。重要的是，该方法在训练时从未“见过”的地点也表现良好，包括城市、近郊和农村站点。虽然少数站点改进不明显甚至有所下降，但大多数站点的匹配度明显提高，表明该方法能应对多种地表条件和排放格局。

这对地面人群意味着什么

通过在检索过程的中间校正物理量，而不是重绘最终数值，该框架产生了更可靠且更易解释的卫星 NO2 数据。模型一旦训练完成，只需使用 TEMPO 自身的输入即可运行，从而实现每小时覆盖整个北美的近实时偏差校正 NO2 地图。对于非专业读者，结论很直白：这项研究展示了一种实用方式，将物理理解与先进人工智能相结合，为我们提供来自太空的有害污染更清晰、更可靠的图像。更清晰的观测可以强化健康研究、完善排放清单，并最终支持更明智的空气净化决策，造福所有人呼吸的空气。

引用: 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

关键词: 二氧化氮, 卫星空气质量, 机器学习, 遥感, 大气污染