OmniPMNet：通过全查询神经过程桥接离散与网格化PM10预报

# 弥合离散与网格化PM10预报：基于全查询神经过程的方法

## OmniPM\-Net：通过全查询神经过程弥合离散与网格化的PM10预报

贺双双 王朔  
北京师范大学系统科学学院，北京 100875，中国  
苏黎世联邦理工学院D-ITET，苏黎世 8092，瑞士

###### 摘要

预测颗粒物（PM10）需要同时具备站点尺度的准确性和连续的空间场，特别是在强沙尘暴期间。化学传输模型（CTMs）提供网格化预报，但存在局地偏差；而图神经网络（GNNs）在短期预报中能很好地跟踪监测站点，但无法生成网格化输出。本文提出OmniPM-Net——一种基于卷积条件神经过程（ConvCNP）的融合模型，在共享空间表征中调和这两种预报类型。一种地形感知的高斯集合卷积将不规则的GNN站点预报提升到规则网格上，随后多尺度空间源注意力（SSA）模块将其与哥白尼大气监测服务（CAMS）预报进行融合；最后，一个共享的全查询读出器将此表征解码为108小时预报范围内任意站点或网格单元上一致的PM10预测。在2024全年中国1,618个空气质量监测站点的评估中，OmniPM-Net在站点级精度上匹配了更强的GNN基线（平均绝对误差21.14 vs. 22.00 μg/m³），并将CAMS的平均绝对误差降低了30%，同时提供了离散GNN无法实现的网格化场。其最显著的提升体现在高浓度尾部：第90百分位MAE相比GNN下降9%，相比CAMS下降25%；在沙尘事件期间，它提升了分类检测能力，同时比任一输入源更精确地追踪了羽流的空间演变轨迹并解析了局地浓度峰值。源归因分析揭示了一种物理上有意义、随预报时长变化的模式：短期预报以GNN为主，较长预报时长则更依赖CAMS。这些结果表明，神经过程融合可以在共同表征中调和点预报与网格化预报，为异质大气数据融合提供了一种通用方法。

## I. 引言

空气动力学直径低于10 μm的颗粒物（PM10）是空气质量恶化的主要因素，也是区域气候强迫的关键驱动力[3, 1]。PM10既来源于人为排放，也来源于风沙等自然源，其浓度受排放、输送、沉降与复杂地形之间高度非线性相互作用的塑造，尤其是在干旱地区风蚀引发的强沙尘事件期间[14, 35, 7]。

当前PM10预报方法面临空间上的分裂：它们要么产生连续的网格化场，要么产生离散的站点级预测。数值化学传输模型（CTMs）[34]，如哥白尼大气监测服务（CAMS）[20]和WRF-Chem[16]，通过求解耦合的大气化学-输送方程，在规则网格上提供区域预报。然而，不确定的排放清单、粗糙的网格间距和参数化误差导致CTMs存在系统性的站点级偏差[11, 30, 12]。尽管业务化CTM系统可能同化观测数据，但其预报循环和化学初始条件更新并非为快速演变污染事件中的快速站点级校正而设计。最近的AI驱动模型，从通用中期天气预报系统[22, 4]到大气成分预报器[5, 17]，展现出强大的全球预报能力，但面临类似的局限性。与传统数值天气预报模型一样，它们是在固定网格上进行训练和评估的，因此需要插值才能在不规则监测站点输出预测，并且可能忽略由地形和局地排放决定的子网格变化。

相反，图神经网络（GNN）模型[29, 41, 6, 39, 18, 24, 40]直接表示监测站点的空间结构。通过以最新可用站点观测为条件进行预测，GNN在站点级实现了高精度，尤其是在短期预报中。然而，由于GNN本质上是离散的，它们仅在预定义站点位置产生预报，无法生成区域暴露绘图和羽流追踪所需的网格化空间场。

将CTM的空间覆盖范围与GNN的局地精度结合起来有助于弥合这一差距，但现有的融合方法通常会在两者之间做出取舍。经典地统计方法，如带外部漂移的克里金法或回归克里金法[9, 19]，通过预设的协方差模型将稀疏站点观测与网格化背景场合并。这些假设可能过度平滑复杂的空间异质性。深度学习融合方法通常迫使一种模态进入另一种模态的表征空间。离散站点测量值在输入神经网络之前，通过反距离加权（IDW）或普通克里金法预处理成连续网格[43, 23]。基于图的方法则仅在站点位置采样网格化CTM场以构建节点特征[41, 18]。统计融合方法以概率方式组合异质性估计，例如贝叶斯集成将数值模型输出与卫星和统计PM2.5估计合并[28]；而神经后处理方法则基于观测校正数值预报[31]；然而，这两种方法通常针对单一输出表示形式，而不是同时生成站点和网格化预报。这些变通方法要么引入插值伪影，要么丢弃网格化空间连续性。因此，连续场与站点网络仍然难以在保真度和区域一致性共存的方式下融合。

神经过程（NPs）[13, 21]提供了一种表达此问题的自然方式。它们将预测定义为从不规则上下文观测到任意目标位置的条件映射。卷积条件神经过程（ConvCNPs）[15]通过使用平移等变集合卷积将不规则上下文点投影到规则函数空间来扩展这一思想。近期的大气应用指出了这种公式化的相关性。ConvCNPs已被用于局地气候降尺度[38]、环境NPs的模拟到现实框架[33]将网格化数值模拟与真实传感器网络对齐，以及Aardvark[2]将NP风格思想扩展到从稀疏观测进行端到端天气预报。然而，这些研究输入的是原始观测或单一数值场，并仅产生网格化输出。它们都没有解决两种不同模态的现有预报产品——动态GNN站点预报和连续CAMS场——的联合编码问题，也没有解决从同一共享表征中同时读取点和网格化预测的问题。

在此，我们提出OmniPM-Net，一个全查询空间融合网络，它将大气数据融合视为ConvCNP框架内的表征学习（图1）。OmniPM-Net通过一个可学习的、地形感知的高斯集合卷积，将不规则的GNN站点预报映射到网格化表征，避免了固定的平稳协方差模型。该表征通过一个具有位置相关权重的多尺度空间源注意力（SSA）模块与CAMS预报结合。然后，一个全查询读出器在任意目标坐标处查询共享的潜场，从同一表征生成站点级和网格化PM10预报。在2024年全国城市监测网络中，包括严重的春季沙尘事件，OmniPM-Net优于两个输入源，并显示出可解释的源依赖随预报时长的变化：短期依赖包含站点信息的GNN预报，长期则转向CAMS。

## II. 结果

### 模型概览

OmniPM-Net将离散的GNN站点预报与CAMS网格化预报融合到一个规则网格上的共享潜表征中。该模型在任意目标坐标处解码此表征，在108小时预报范围内生成站点级和连续的0.25°网格化PM10预测。该框架基于卷积条件神经过程（ConvCNP），其中模型学习将任意位置的上下文观测集映射到任意目标位置的预测，此处针对多源大气预报融合进行了调整。

该架构包含三个核心模块（图1）。

(1) 逐源编码对齐（图1a）。离散的GNN站点预报，辅以局地DEM高程，通过一个具有可学习核带宽的地形感知高斯集合卷积映射到规则网格上。此操作同时输出信号图和密度图，随后由一个浅层卷积编码器进行细化。同时，连续的CAMS网格化预报由一个独立的浅层编码器处理，产生两个本机网格分辨率的特征图。

(2) 动态多尺度融合（图1b）。两个编码分支被逐步降采样。在三个不同的空间尺度上，空间源注意力（SSA）模块通过使用位置和预报时长相关权重的多头交叉注意力动态地融合它们。在最终的瓶颈阶段之后，融合的多尺度特征通过带有跳跃连接的U-Net进行解码。为了捕捉时间动态，所有编码和解码层通过自适应层归一化（AdaLN）由一个时间嵌入（预报小时、一天中的小时、月份）进行调制。

(3) 全查询统一读出（图1c）。统一的潜特征图在任意目标坐标（包括站点位置和网格单元中心）处通过反向集合卷积进行查询。提取的特征与查询点处的局地DEM高程拼接，并通过一个共享的MLP输出头。由于两个输出路径都经过相同的统一网格化表征和相同的输出头，通过联合表征和一致性损失促进了两种模态之间的空间一致性。

每个训练样本从匹配的站点面板中随机选择不相交的上下文集和目标集。SetConv仅处理上下文集，损失仅在目标集上计算。这种掩码策略迫使网络学习一个可泛化的连续空间表征，而不是记忆监测网络的固定几何结构。在推理时，匹配面板中的所有1,618个站点位置作为上下文，而无需重新训练即可在任意目标坐标处查询预测。

### 总体预报性能

我们在2024年完整测试集上，针对1,618个国家控制的城市监测站点，评估了OmniPM-Net与单源基线（GNN和CAMS）的性能。如表格1所示，OmniPM-Net在每项评估指标上都取得了最佳分数，尽管其相对于更强的基于站点的GNN基线的总体差距不大，但在高浓度尾部差距扩大。总体平均绝对误差（MAE）降至21.14 μg/m³，相比GNN（22.00）降低4%，相比CAMS（30.02）降低30%。均方根误差（RMSE）降至58.44 μg/m³。皮尔逊相关系数从GNN的0.48和CAMS的0.33升至0.55，表明全年与观测的一致性更高。OmniPM-Net还将负偏置降至−4.82 μg/m³，并将P90 MAE从80.11（GNN）和97.47（CAMS）降至72.81 μg/m³。因此，最大的相对增益发生在高浓度尾部，两个输入预报在此处往往低估PM10。

预报精度随预报时长变化（图2a–c）。在最初的1–24小时窗口内，OmniPM-Net紧密匹配GNN基线，保留了近期站点观测携带的短时信息。随着预报时长延长至25–72小时，GNN的精度因初始观测影响减弱而下降。OmniPM-Net则利用CAMS的空间连续性，保持了比任一基线更低的MAE和更高的皮尔逊相关系数。在72小时之后，CAMS分支补偿了衰退的GNN技能，有助于稳定预报。

季节上，所有模型的最高绝对误差出现在春季（MAM），此时强沙尘暴频发（图2d–f）。OmniPM-Net在此季节表现出最大的相对改进，与CAMS相比，MAE和RMSE降低最为显著。在较清洁的季节如夏季（JJA），该模型保持与更强站点基线相似的表现。这些结果表明，从沙尘主导的春季和冬季到较清洁的夏季条件，改进方向是一致的。

### 空间误差分布

为了考察误差降低的地理结构，我们绘制了中国范围内绝对预报误差及其相对变化图（图3）。图3a、d和g显示了绝对MAE、RMSE和皮尔逊相关系数的空间分布。