FuXi-Air：基于排放‑气象‑污染物多模态机器学习的空气质量预报

为何更清洁的空气需要更快的预报

空气污染是现代城市中最持久的健康威胁之一，然而我们用于预测污染日的工具往往运算缓慢、成本高昂，并且在公众实际生活和工作地点的准确性并不总是理想。本文介绍了 FuXi‑Air，一种基于人工智能的系统，能够在数秒内对未来三天的主要城市污染物进行预报，目的是为城市管理者和公众提供更早、更可靠的警示，从而更好地保护健康。

把城市空气看作一个流动的系统

传统的空气质量预报依赖大型计算模型来模拟气体和微粒在大气中的生成、输送与消除。这些模型能捕捉物理和化学细节，但需要强大的计算资源和数小时的处理时间，其准确性也受限于对局地气象和污染源表征的好坏。同时，许多机器学习方法仅关注单点监测或单一污染物，这使得它们难以用于真实世界的城市级预报。FuXi‑Air 的设计旨在弥合这一差距，将城市空气视为一个相互关联的系统，将气象、排放和现有污染水平的信息整合到一个统一的框架中。

新型 AI 模型的工作原理

FuXi‑Air 汇集了三类主要数据流：来自独立 AI 天气模型的高分辨率气象预报、描述交通、工业及其他来源排放量的详尽排放清单，以及地面监测站的连续读数。在 FuXi‑Air 内部，专门的深度学习模块学习各监测点间污染物的关联以及污染随时间演变的规律；另一个模块则专注于气象模式与排放如何塑造这些变化，有效地教会系统识别导致污染累积或消散的条件。通过先以六小时步长预测污染，再将结果细化为每小时值，FuXi‑Air 能在约半分钟内为每座城市数十个站点的六种关键污染物提供 72 小时的预报。

在三大特大城市的实测检验

研究人员在北京、上海和深圳这三座气候与污染格局差异显著的中国特大城市中测试了 FuXi‑Air。他们将该系统对臭氧、二氧化氮、二氧化硫、一氧化碳以及两种粒径颗粒物的预报与 2023 年的观测数据进行了比较。总体而言，模型较好地再现了污染峰值的时点和幅度，尤其是在臭氧和细颗粒物（PM2.5）方面。当污染水平相对较低且稳定（如深圳）时，模型也表现出稳健性。对粗颗粒物（PM10）仍存在一些挑战，特别是在北京，沙尘暴和远距离输送起到更大作用，而现有数据难以充分捕捉这些过程。

超越传统模型并探究关键影响因素

为评估 FuXi‑Air 是否具备实用性，团队将其与一种常用的传统预报系统进行了比较，该传统系统耦合气象模型与精细的空气质量模型。在对上海九个月的预报中，FuXi‑Air 在六种污染物的预测误差上持续降低，有些误差减少超过一半，而且运算耗时为秒级而非小时级。研究人员还进行了系统的“消融”实验，逐项关闭不同数据源。移除气象信息后，模型丧失了追踪昼夜循环和污染峰值的能力，尤其是对臭氧和细颗粒物；不包含排放数据则削弱了模型在以局地源为主城市的预报能力。这些测试表明，整合气象、排放与监测数据至关重要，但气象通常是对提升预报质量贡献最大的一项单一因素。

不同城市，不同的污染驱动因子

通过跨城市比较，研究还揭示了局地条件如何塑造污染格局。在北京，冬季采暖与区域性扬尘事件使得大尺度风场和大气稳定性对颗粒物水平的控制尤为重要，因此气象数据的作用最大。深圳则因温暖潮湿的沿海气候和良好的通风条件，局地工业与交通排放对细颗粒物水平的决定性影响更明显。上海则处于两者之间，既受陆海风影响也受局地源影响。对于一氧化碳和二氧化硫等气体，排放是主要驱动因素，但局地地形和气象有时会放大其累积效应。

这对公共健康保护的意义

FuXi‑Air 展示了经过精心设计的 AI 系统能够提供快速的城市级空气质量预报，使用远少于传统方法的计算资源却能达到同等或更好的效果。尽管该模型在某些粗颗粒事件上仍有不足，且依赖可进一步改进的排放清单，但它已提供了一种切实可行的提前预警和智慧城市管理工具。借助更好、更新及时的空气何时何地变得不健康的信息，主管部门可以更高效地针对性控制排放，市民也能调整活动以减少暴露——将关于大气的复杂数据转化为可付诸实施的指导，从而促进更清洁、更健康的城市生活。

引用: 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

关键词: 空气质量预报, 城市空气污染, 深度学习, 气象与排放, 公共健康保护