格林环保
一站式解决污水处理难题

400-847-8878

首页公司新闻 ProNet物理—AI紧耦合空气质量预报框架——PM2.5误差较纯AI降低62%

ProNet物理—AI紧耦合空气质量预报框架——PM2.5误差较纯AI降低62%

    传统数值预报模式受制于排放清单和微观化学机制的不确定性,易产生系统性偏差;纯数据驱动的AI模型虽拟合能力强,却缺乏物理常识,容易报出非物理的浓度噪点,且深陷“黑箱”不可解释的困境。2026年,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机构,在《国家科学评论》发表ProNet框架,将观测约束的神经校正器直接嵌入化学传输模型的误差方程,让AI在物理规律的约束下“靶向”修正偏差。在一次突发沙尘暴过程中,ProNet精准捕捉污染演变并预报北京PM2.5峰值,误差较纯AI降低62%;在全国338个地级及以上城市的一年业务检验中,PM2.5均方根误差降低18.4%,空气质量达标准确率由81.9%提升至88.0%,第7天预报精度甚至超过专家人工订正第1天的水平。这项工作完成的不只是一次精度刷新,更把AI从“黑箱拟合器”变成了可以反向诊断化学机理偏差的“科学探针”。

一、两难困境:物理模式“算不准”,纯AI“不守规矩”

空气质量预报长期在两条路径之间摇摆,而两条路径各有硬伤。

传统化学传输模式基于物理和化学规律求解大气运动与反应方程,但排放清单的动态不确定性、二次颗粒物生成的复杂微观机制,难以被完全精准地参数化。这些底层的不确定性,最终累积为预报的系统性偏差。

纯数据驱动的AI模型绕开了方程求解,直接从历史数据中学习统计映射,拟合能力很强。但问题同样尖锐:它没有“物理常识”。EurekAlert的报道将这种缺陷概括为三点——产生非物理的浓度剧烈波动、在未经历过的极端天气中失效、以及作为不透明的黑箱无法解释误差从何而来。ProNet团队用了一个更形象的词来形容这种缺陷:“AI幻觉” ——模型会“自信地”报出违背大气物理化学基本规律的数值。

两难的核心在于:精度与可解释性、拟合能力与物理真实性,似乎被绑在了跷跷板的两端。ProNet要做的,不是在这两端之间做取舍,而是把物理方程变成AI的“约束条件”,让两者在同一套数学框架内协同工作。

二、ProNet的解法:把AI“嵌进”误差方程,而不是“贴在”模型外面

ProNet的技术路线,可以用一句话概括:不是让AI替代物理模式,也不是把AI当作外挂的“后处理订正器”,而是把神经网络直接嵌入控制大气传输的数学方程之中。

这一设计的关键前提,是先把“误差从哪来”算清楚。团队推导了一套误差传输模型(ETM) ,像查账一样把预报误差拆成两本账:一本是随风场输送而来的“外来输送误差” ,另一本是本地新产生的“排放、沉降与化学反应误差”。拆清楚之后,物理传输模块负责校正“输送”部分的误差,而经过观测数据训练的神经校正器则专门修正“局地生成”部分的误差。

分工的实质是:物理方程管“风往哪吹、污染物怎么输送”,AI管“局地化学反应和排放的复杂不确定性” 。风场输送由严格的物理方程控制,系统就不会报出“污染物凭空消失或凭空出现”的荒谬结果,“AI幻觉”被物理约束封堵;而局地化学和排放的复杂非线性,则交给神经网络去拟合,弥补参数化方案的不足。

针对AI在多日递推中“越跑越偏”的顽疾,团队还引入了参数扰动集合预报:通过扰动模式参数生成一组预报成员,动态消除递推过程中的系统性漂移,保障1至7天长时间预报的平稳性。

三、62%与18.4%:两组数据的分量不同,指向同一个结论

ProNet的量化表现,需要把“极端个例”和“全年业务检验”分开来读。

62%——极端突变场景下对纯AI的“代际优势”。 在一次突发沙尘暴过程中,ProNet精准捕捉到了污染的短时演变,并准确预报了北京PM2.5的浓度峰值,误差较纯AI降低62%,并在全国91.4% 的站点上更准确地预测了污染变化趋势。更严苛的测试是:团队人为剔除了全部冬季训练数据,ProNet依然凭借物理规律的约束,成功外推出它“从未见过”的冬季重污染过程。纯AI在训练分布之外的场景中容易失效,而物理约束让ProNet具备了向未见极端场景外推的能力。62%这个数字的真正含义,不是“平均精度高了六成”,而是“在纯AI最容易崩溃的场景里,物理约束稳住了系统”。

18.4%与88.0%——全年、全国、全城市尺度的业务级提升。 基于我国自主研发的NAQPMS模式,ProNet在全国338个地级及以上城市进行了一年的预报效果检验。结果是:全国PM2.5均方根误差降低18.4%,空气质量达标准确率从81.9%提升至88.0%,臭氧预报准确率同步提升3.0个百分点;第7天的预报表现甚至优于专家人工订正第1天的水平。针对秋冬季最迫切的“防漏报”需求,优化高污染样本权重后,重污染日预报准确率可进一步提升12.6%。在一个已经高度依赖人工订正和多年模式调优的业务体系中,RMSE降低18.4%和达标准确率跨过88%门槛,是实打实的业务效能提升,而非实验室指标。

四、从“追求精度”到“诊断机理”:误差账本的深层价值

ProNet区别于所有“预报精度竞赛”参与者的地方,在于它把误差本身变成了一种科学诊断资源。

传统AI预报的终点是“报出一个数”,然后与观测比对、算误差、调参数——误差是一个需要被最小化的“坏东西”。ProNet的“误差账本”改变了这个逻辑:误差的时空分布和组分归因,反过来成为诊断模式物理化学机制偏差的线索。

最典型的发现来自一个反直觉的操作:仅凭地面常规PM2.5总浓度观测,反向诊断颗粒物微观组分的化学反应偏差。ProNet的误差账本揭示出当前主流模式中存在的系统性参数化偏差——硝酸盐生成被高估,冬季硫酸盐生成被低估。这一诊断结果与跨国东亚多模式比较计划(MICS-Asia III)的实证结论相互印证。

这意味着,ProNet不仅是一个更准的预报工具,更是一个用日常监测数据反哺模式改进的闭环系统。王自发对此的概括是:“传统大气科学中的AI在很大程度上是黑箱式地追求精度。有了ProNet,我们证明AI可以成为一种研究工具。通过把神经网络嵌入物理方程,我们在保持物理真实性的同时,用常规数据诊断我们的化学理解在哪里存在不足”。第一作者吴煌坚的补充则点出了这项工作的另一个维度:“这直接把业务预报与科学发现连接了起来,把日常监测数据转化为改进地球系统模式的反馈回路”。

五、行业意义:AI+环保从“黑箱预测”走向“可解释的物理智能”

ProNet的发表,为“AI+生态环境”领域提供了一个值得认真对待的范式样本。

过去几年,AI在环境领域的应用大量集中在“用更复杂的网络拟合更长的历史序列”,追求的是在测试集上更低的RMSE。但环境管理决策——无论是重污染预警的启动、错峰生产的调度,还是长期减排路径的评估——需要的不仅是一个数字,而是这个数字为什么可信、误差可能从哪里来、在什么条件下模型会失效。ProNet的“物理约束+误差归因”架构,恰恰回应了这种决策需求。

对空气质量预报业务而言,ProNet展示了一条不替代现有数值模式、而是让数值模式“更聪明” 的升级路径。NAQPMS是我国自主研发的业务预报模式,ProNet没有推翻它,而是把AI嵌入它的误差方程,让模式在保留物理内核的同时获得局地化学不确定性的修正能力。这种“紧耦合”思路,可以迁移到其他环境数值模式——水质模型、海洋环流模型、碳循环模型——中,为“物理模型+AI”的深度融合提供方法论参照。

当然,从论文成果到全国业务化运行,仍有工程化的工作需要完成:神经校正器在不同气候区、不同季节的泛化稳定性需要更长周期的检验;集合预报的计算成本需要在业务算力约束下优化;误差账本的诊断结论要真正反馈到模式参数化方案的修订中,还需要模式研发团队的持续介入。但方向已经清晰:AI在环境预报中的角色,正在从“替代物理”转向“增强物理”,从“输出一个更准的数”转向“帮助人类理解这个数为什么不准”。

结语

从一场沙尘暴中北京PM2.5峰值预报误差较纯AI降低62%,到全国338城一年检验中PM2.5均方根误差降低18.4%、达标准确率升至88.0%;从第7天预报超越专家人工订正第1天,到仅凭地面浓度观测反向诊断出硝酸盐高估与硫酸盐低估——ProNet用一组可以逐项核查的数据,回答了“物理与AI如何真正融合”这个被讨论了很多年却少有工程级答案的问题。

当神经网络被嵌入误差方程而不是贴在模型外面,当物理约束封堵了“AI幻觉”的输出空间,当每一次预报的误差都被记进一本可以反向追溯化学机理的“账本”——空气质量预报的竞争维度,就从“谁的网更深”转向了“谁能让AI在物理规律的边界内,把不确定性拆解得最清楚” 。ProNet的62%和18.4%,不只是两个降低了的误差数字,更是“可解释的物理智能”在环境预报领域落地的刻度。