近日，中国科学院大气物理研究所王自发研究员团队联合北京大学、中国环境监测总站等多家机构，在人工智能与大气数值模拟深度融合领域取得重要进展。团队提出物理—人工智能紧耦合空气质量预报新框架ProNet，相关成果以“Fusing physics and AI enhances accuracy and diagnostic capabilities in air quality forecasting”为题，发表于《国家科学评论》（National Science Review, NSR）。
传统空气质量预报主要依靠基于物理和化学规律的数值模式，但由于污染排放和复杂化学反应难以完全精准描述，预报常常出现偏差；而纯数据驱动的AI模型虽然擅长找统计规律，却往往缺乏物理常识，容易报出违背常理的结果。为此，联合团队提出ProNet框架，将观测约束的神经校正器嵌入化学传输模型的误差方程，让AI在物理规律的约束下专门修正偏差，使空气质量预报不仅更准，而且能够深入诊断误差原因。
AI融入物理方程：协同溯源，靶向校正
要让耦合模型既听物理规律的话，又能准确修正偏差，关键在于分清“误差到底从何而来”。ProNet推导出了一套误差传输模型，像查账一样把预报误差清晰划分为两部分：一部分是随风而来的“外来输送误差”，另一部分是本地新产生的“排放、沉降与化学反应误差”。随后，团队用物理传输模块和经过观测数据训练的AI校正模块分别校正对应的误差。此外，针对AI模型随着预报时间拉长容易“越跑越偏”的累积误差难题，团队通过集合预测方法有效抑制了系统性漂移，保障了未来1~7天多日预报的平稳准确。
图1 ProNet物理—AI紧耦合预报框架
物理规律护航：杜绝模型失真，稳健捕捉极端突变
相比脱离物理常识容易“失真”的纯AI模型，深度融合物理机制的ProNet在应对极端与剧烈突变过程时表现尤为稳健。以一次典型沙尘过程为例，ProNet不仅精准捕捉到污染的短时演变，还准确预报了北京PM2.5的浓度峰值，预报误差较纯AI大幅降低62%；在全年尺度评估中，它在全国91.4%的监测站点上均更精准地预测出了浓度变化趋势。尤为亮眼的是，即便在人为剔除全部冬季训练数据的极限压力测试下，ProNet依然凭借底层物理规律的强力约束，成功外推出未曾“见过”的冬季重污染过程，有效弥补了AI在未见极端场景下的泛化短板。
图2 融入物理规律有效提升AI的平稳性与外推泛化能力
全国338城预报检验：整体水平超过人工订正
在涵盖全国338个地级及以上城市的真实业务数据检验中，ProNet预报性能超过了一线专家的人工订正水平：全国PM2.5预报均方根误差降低18.4%，空气质量等级达标准确率由81.9%提升至88.0%，臭氧预报准确率同步提升3.0个百分点；其第7天的预报精度甚至超过了专家人工订正第1天的水平。同时，针对秋冬季重污染预报容易“漏报”的实际防控需求，团队通过优化对高污染样本的权重，污染天的预报准确率进一步提升了12.6%，展现出很强的实战应用价值。
图3 ProNet方法在全国338个城市的预报效果评估
打造可解释“误差账本”：深挖误差来源，诊断机理偏差
除了提升预报精度，ProNet突破了传统AI“黑盒”限制，具备可解释的诊断能力。该框架构建的“误差账本”不仅能解析随风场输送和局地生成的误差时空来源，更实现了仅凭地面常规PM2.5总浓度观测，即可反向诊断颗粒物组分的化学反应偏差，揭示出当前模式中硝酸盐高估与硫酸盐低估的短板，为改进数值模式和深入认识大气过程提供了全新工具。
图4 通过“误差账本”追踪偏差来源并诊断化学机理
亮点
该研究提出了物理—人工智能紧耦合空气质量预报新框架ProNet，将观测约束的神经校正器嵌入化学传输模型的误差方程；在全国338城一年的业务检验中超过一线专家人工订正水平，在沙尘等极端过程与浓度突变中表现出更强的稳健性与泛化能力。
更为关键的是，研究建立了“误差账本”，仅用常规地面PM2.5观测即可反演颗粒物微观化学组分的参数化偏差，实现了从“单纯追求高精度预报”向“深层物理机制诊断”的重要跨越，为发展下一代智能地球系统模拟提供了全新路径。
作者与资助
中国科学院大气物理研究所吴煌坚高级工程师为论文第一作者，王自发研究员为通讯作者。研究由中国科学院大气物理研究所、北京大学、中国环境监测总站、香港浸会大学、中国人民大学、天津大学、德国马克斯·普朗克化学研究所和美国爱荷华大学等机构科研团队合作完成。
该研究受到京津冀环境综合治理国家科技重大专项（2025ZD1201702）、中国科学院战略性先导科技专项（XDB0760100）和国家自然科学基金（42407148）联合资助，依托国家重大科技基础设施“地球系统数值模拟装置”（寰）提供算力支撑。
研究论文
