《Frontiers in Environmental Science》:Evaluation of the Aurora foundation model for multi-pollutant air quality forecasting over China
编辑推荐:
中国空气质量预报仍具挑战性,因为严重污染事件涉及强排放、非线性化学和区域传输。本研究评估了Aurora基础模型,针对2023年10月至2024年4月中国地区六项表面污染物(PM2.5、PM10、NO2、SO2、O3和CO)的五天回顾性预报,并利用WRF-Che
中国空气质量预报仍具挑战性,因为严重污染事件涉及强排放、非线性化学和区域传输。本研究评估了Aurora基础模型,针对2023年10月至2024年4月中国地区六项表面污染物(PM2.5、PM10、NO2、SO2、O3和CO)的五天回顾性预报,并利用WRF-Chem(Weather Research and Forecasting Model with Chemistry,耦合化学的天气预报模型)模拟进一步分析了华东冬季污染事件。研究采用中国环境监测总站(CNEMC)小时观测数据和China High Air Pollutants(CHAP)网格化产品作为互补基准。评估指标包括平均偏差(MB)、平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)、空间相似度(SS)和误差密度分布。Aurora再现了主要的季节演变和广泛的区域梯度,包括冬季颗粒物增加和春季O3上升。对于PM2.5和PM10,相对于CNEMC和CHAP的区域RMSE分别为18.57–34.22 μg m?3和24.88–55.02 μg m?3。在华北和华中地区,PM2.5的SS达到0.67–0.69,PM10的SS达到0.58–0.66,表明对大尺度颗粒物结构的表征相对稳健。与CHAP的一致性通常强于地面观测,表明Aurora能更好地捕捉空间连贯的浓度场而非局地变率。然而,该模型系统性地平滑了高浓度事件,CO被低估约93.66–241.54 μg m?3,SO2被高估约28.86–40.46 μg m?3,而O3表现出强烈的基准依赖性。在2024年2月6日至12日的华东事件中,Aurora捕捉到了从累积到消散的广泛演变和主要南北颗粒物梯度,但低估了突发PM最大值和局地热点。与WRF-Chem相比,Aurora对O3(34.4对47.3 μg m?3)和NO2(20.1对45.4 μg m?3)的RMSE更低,而WRF-Chem产生了更尖锐的基于过程的变率。这些结果表明,Aurora为多污染物空气质量预报提供了一个高效且可扩展的基线,但在严重污染事件预报中,近地面校正、区域微调和混合WRF-Chem支持仍然是必要的。
论文解读:Aurora基础模型在中国多污染物空气质量预报中的评估
研究背景与意义
空气质量是核心的环境与公共卫生问题,也影响着城市生产力、能源转型和气候变化。在中国,尽管一次排放控制取得了显著进展,但当密集排放与不利气象条件及快速二次转化相互作用时,严重污染事件仍会发生。在此类条件下,气溶胶通过散射和吸收降低能见度,扰动地表和大气辐射收支,并可进一步抑制边界层发展,从而加剧污染累积。长期暴露于颗粒物和臭氧与心肺发病率、过早死亡和巨大的社会经济损失密切相关,这使得更早、更可靠的预测成为预防、应急响应和风险沟通的基本要求。传统的业务化空气质量预报仍以数值化学传输模型为主,代表性系统如CMAQ和WRF-Chem在统一的物理化学框架内明确解析平流、扩散、排放、沉降和化学转化,这种机理基础对于归因和政策分析仍然至关重要。然而,最先进的预报仍受到不确定排放、不完善参数化和高计算成本的制约,特别是在需要高空间分辨率、频繁更新和集合预报时。与此同时,数据驱动方法已成为大气和环境科学的重要组成部分。深度学习模型不是显式求解控制方程,而是直接从大型异构数据集中推断非线性关系,这可以在保留有用的时空结构的同时大幅降低推理成本。Aurora是一个最近开发的中期天气预报深度学习基础模型,它在多源气象数据集上预训练以学习三维大气动力学。由于其基础模型架构,Aurora可以针对广泛的地球系统预测任务进行微调,包括热带气旋路径预报、海面波和大气成分预测。然而,机器学习模型在空气质量预测中的应用仍存在重要的研究空白。首先,尽管Aurora已被微调用于全球空气质量预报,但其在中国及其子区域的表现尚未得到系统评估。其次,许多先前的研究集中在有限的污染物种类上,如PM2.5,导致机器学习模型的多污染物预报能力评估不足。因此,研究人员开展了这项研究,旨在系统评估Aurora在中国不同区域的六大多污染物预报能力,并探讨其在严重污染条件下的表现,为该基础模型的业务应用、研究使用和进一步模型开发提供有用信息。
主要关键技术方法
研究人员采用的主要关键技术方法包括:使用Aurora基础模型进行历史推理,未做任何额外重训练;构建了涵盖2023年10月至2024年4月的多源数据集,包括中国环境监测总站(CNEMC)监测网络的小时浓度数据和China High Air Pollutants(CHAP)数据集的日全覆盖浓度场作为基准;采用滚动五天设计生成预报,每5天用CAMS分析场初始化一次,随后自回归传播0至120小时;所有数据集在比较前均经过质量控制和时空协调,将12小时Aurora预报和CNEMC小时数据聚合为日均值,并将网格化Aurora和CHAP场通过双线性插值与地面监测站点共定位;评估框架结合了全国尺度分析和三个代表性区域子域(华北、华中、华南),使用平均偏差(MB)、平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)和空间相似度(SS)等指标;此外,配置WRF-Chem v4.7.1对2024年2月6日至13日华东高污染过程进行模拟,以提供基于物理过程的比较。
研究结果
华北、华中和华南的比较
区域评估在华北、华中和华南进行,以诊断Aurora在不同污染机制下的行为。在华北地区,Aurora再现了PM2.5和PM10波动的部分时间,但最强颗粒物峰值相对于CNEMC和CHAP被压缩,尤其是在1月至2月的污染期。CO持续低于两个参考值,NO2更平滑且未能重现最高CNEMC峰值,SO2则持续高于参考值,O3捕捉到冬春增长但仍低于CHAP。华中地区的时间序列显示明显的冬季污染变率,Aurora捕捉到颗粒物污染事件的主要升降,但最强峰值仍较低且较平滑,CO、NO2和SO2也存在类似偏差。华南地区颗粒物浓度较低,Aurora保留了区域尺度时间演变但抑制了高浓度事件,NO2和CO低估更明显,SO2高估,O3则表现出基准依赖性。总体而言,Aurora在代表广泛的颗粒物梯度和NO2方面更有效,但在重现SO2和CO的空间分布方面存在局限。
华东高污染事件与WRF-Chem比较
研究人员评估了2024年2月6日至12日的华东案例,重点关注受区域累积、传输和城市工业排放强烈影响的冬季污染过程。时间序列显示,对于PM2.5和PM10,观测表明在2月6日至8日逐渐累积,随后在2月9日至10日左右出现突发峰值,并在2月11日后下降。Aurora捕捉到了事件的广泛累积和消散,但平滑了观测到的尖锐峰值,特别是PM2.5。WRF-Chem也重现了一般累积阶段,但未能完全恢复最强的观测颗粒物最大值,并且比站点观测显示出更平滑的事件包络。气体物种揭示了更多物种依赖性行为。对于CO,WRF-Chem产生更强的高频变率和几个尖锐峰值,而Aurora保持较低且更平滑;对于SO2,WRF-Chem和Aurora在事件大部分时间内都显著高于CNEMC观测值;对于O3,WRF-Chem通常高于观测值,而Aurora捕捉到了部分日变化但仍平滑了振幅;对于NO2,两个模型都重现了污染期的出现,但未能完全捕捉到观测到的高频站点尺度变率。空间分布进一步证明了Aurora和WRF-Chem之间的互补性,Aurora提供更稳定但更平滑的区域气体污染物背景表示,而基于过程的模型可以产生更尖锐的羽流结构。
讨论与结论
正如上述结果显示,评估揭示了Aurora在尺度和区域上的一致模式。Aurora再现了中国主要污染物的大尺度空间梯度和季节时间,并且与CHAP的一致性优于站点观测。这表明该模型能有效代表由天气尺度传输、背景化学条件和广泛排放模式控制的平滑、网格化浓度结构。从业务角度来看,这是一项有意义的优势,因为许多早期预警任务首先依赖于正确的相位、区域范围和广泛强度等级,而不是完美复制每个局地热点。Aurora相对于化学传输模型的计算效率进一步增强了其作为快速基线预报引擎的实用价值。近期基于AI的气溶胶预报研究进一步支持了机器学习模型在业务化空气质量预测中的潜力。然而,对PM2.5、PM10、NO2尤其是CO的系统性低估表明,当模型最低层输出直接与地面观测比较时,近地面浓度梯度尚未得到充分代表。同时,在华北、华中、华南和华东重复的峰值平坦化行为表明,重度污染极端情况对于通用回归模型仍然难以恢复。为了更好检查垂直不匹配造成的系统误差,研究人员进一步比较了CAMS分析与CNEMC地面观测,发现CAMS分析在中国大部分地区对大多数污染物表现出负的平均偏差,而SO2表现出不同的正偏差模式。这种空间偏差模式与Aurora获得的结果大体一致。由于Aurora是使用CAMS分析数据微调的,CAMS与地面观测之间的系统差异可能被模型继承,从而部分解释了Aurora模拟中普遍存在的低估。华东WRF-Chem实验支持了一个重要的基于过程的视角。与Aurora相比,WRF-Chem可以产生更高频率的时间变率和更尖锐的城市工业羽流结构,因为它明确代表了排放、气象、传输、沉降和化学转化。然而,案例研究也表明,明确的物理过程表示并不自动保证与地面观测更一致。WRF-Chem在事件中高估了SO2和O3,加上其强烈的CO变率,表明排放清单准确性、垂直分配、边界条件、化学机制和边界层混合都可能给WRF-Chem带来特定误差。因此,Aurora和WRF-Chem具有互补优势:Aurora对于广泛浓度场快速且稳定,而WRF-Chem具有物理可解释性,更适合诊断分析,但对详细配置更敏感。
结论
总之,Aurora在中国多污染物空气质量预报中显示出明确的潜力。该模型成功再现了华北、华中和华南区域尺度上PM2.5、PM10、NO2、SO2、O3和CO的广泛空间分布和季节演变。它在捕捉时间连贯、空间连续的浓度场方面特别有效。它与CHAP和CNEMC观测显示出良好的一致性,表明了稳健的预测技能。华东地区的WRF-Chem模型模拟证实了事件尺度上的相同总体行为。在2024年2月6日至12日的高污染事件中,Aurora捕捉到了广泛的时间包络和主要颗粒物空间梯度,但它平滑了突发PM最大值和局地污染物热点。WRF-Chem提供了有用的基于过程的比较,并产生了更尖锐的时空结构,但也表现出物种特异性偏差,特别是SO2和O3。尽管Aurora可以作为AI赋能的空气质量预报和预警系统中高效且可扩展的组件,但仍存在一些值得注意的局限性。Aurora在强烈的冬季污染事件期间系统性地低估了大多数近地面污染物,并且误差结构表明垂直层不匹配和重度拖尾极值的平滑是主要原因。这些局限性表明了下一步改进的方向,包括近地面校正、使用高分辨率地面观测进行微调以及开发混合WRF-Chem系统。