观潮 · 模式预报与气象 AI 观察
解耦气象与污染物：13 种污染物、0.4 度格距，5 天内约 90% 指标超过 CAMS
> 空气质量预报长期是「数值模式太贵、深度学习把气象和污染物搅在一起」的两难。AirMPA 换了个切法：不把气象和污染物放进同一个预测框架，而是先把污染物预测当成一个独立的下游任务，用外部气象场去驱动它。产物是 0.4 度格距、12 小时步长、13 种污染物的 5 天全球预报。训练时气象强迫用 ERA5 再分析，推理时直接换成外部气象模式的预报场（本文用 FuXi-2.0），因此是一个「训练吃分析、上线吃预报」的干净迁移路径。结果是：13 个变量上全部优于 Aurora，5 天时效内约 90% 的变量—时效组合优于 CAMS，48 小时之后是 100%；对极端污染事件的 RMSE90 有 83% 的组合低于 CAMS。作者明确交代的一处边界是：与同期的另一套离线气象—污染模型对比虽然时段和变量都对上了，但两套模型的训练与预处理流程各自独立，所以这个对比衡量的是预报性能，并没有隔离出「解耦」本身的作用。
缺的是哪一块
大气污染物的演化由气象、化学、排放三者高度非线性的相互作用决定，要在准确率、算力效率和长时效稳定性之间同时拿到好结果很难。
数值模式这一侧，WRF-Chem、CMAQ 能显式模拟物理化学过程，但实时预报里有两个硬约束：算力成本高；排放清单和化学参数化本身不确定。
数据驱动这一侧，效率上去了，近年也有工作把污染预测并进统一的气象预报框架，性能已经能跟 CAMS 打。但这类做法通常是在数据层面把气象变量和污染物变量耦合在一起，代价是建模灵活性下降，污染物自身的动力学表征被削弱，于是准确率和「换一套气象系统还能不能用」这两件事都受限。
与此同时，气象基础模型这一侧进展很快：IFS，以及 AIFS、FuXi、Pangu-Weather、GraphCast 这些数据驱动模型，已经能给出高分辨率、高保真的大气场。而在数值模式里，污染物预测本来就是被气象过程驱动的。这两件事凑在一起，指向一个想法：直接拿气象预报去驱动下游的污染物预测。
方法怎么搭的
AirMPA 的输入分三块：污染物浓度、气象场、排放先验。此外还加了两个时间编码——年内第几天、日内第几小时。
自回归的条件设定。第 t 步的预测，条件于前两步的污染物状态、t 与 t−1 时刻的气象和排放输入、以及目标时刻的时间编码。用两步历史是为了压住误差累积、保住短期记忆。
架构。主体是改进的 Swin-Transformer，加了两个东西：
组件 · 作用
纬向释放注意力（zonal release attention） · 用掩膜约束注意力可见范围（见上图 (b) 中「允许/禁止」两种连接），贴合全球大气污染物输送沿纬向连续的特征
双分支历史融合（dual-branch fusion） · 一路 3×3 卷积、一路 MLP，再融合进主干，用来吸收历史浓度信息
立方体嵌入 + 补丁扩展 · 输入先重排、按二维核嵌入，主干 20 个 AirMPA 块，末尾补丁扩展回格点
输出。13 个量：地面 PM1、PM2.5、PM10、CO、NO、NO2、SO2、O3（1000 hPa），以及柱总量 CO、NO、NO2、SO2、O3。
解耦带来的接口。这是全文的关键设计：训练阶段气象输入来自 ERA5；推理阶段替换为 FuXi-2.0 的预报场。模型本身不知道气象来自哪一侧，于是它成了一个可插拔的污染预报模块——上游气象模式变好，下游直接受益。
分三阶段训练，每一阶段的损失组合不同：
阶段 · 数据 · 损失
① · 再分析（2010.01—2021.12） · 1.0 × Charbonnier + 0.25 × SSIM
② · 预报场（2017.10—2022.05） · 1.0 × Charbonnier + 0.75 × SSIM
③ · 预报场（2017.10—2022.05） · 原始损失 + 极端事件损失
阶段②把 SSIM 权重从 0.25 提到 0.75，是从「学再分析的平滑场」过渡到「学预报场里的结构」；阶段③单独加极端损失，针对的正是后文那个 RMSE90 指标。
参照对象有两个：ECMWF 的 CAMS（每天两次全球预报，输出 50 多种化学组分与 7 类气溶胶，标准水平分辨率约 0.4 度，5 天时效），以及 Aurora。
结果数字
检验维度 · 结果
对 Aurora · 13 个污染物全部优于 Aurora
对 CAMS（5 天时效内） · 约 90% 的变量—时效组合 RMSE 更低
对 CAMS（48 小时之后） · 100% 组合更低
极端事件 RMSE90 · 83% 的组合低于 CAMS，CSI90 与之相当
对同期离线模型（8 个共享变量 × 1/3/5 天 = 24 组） · 23 组 RMSE 更低，平均相对降幅 16.65%
唯一例外 · 柱总量 O3 第 5 天，RMSE 上升 3.88%
几个值得单拎的点：
- 误差随时效的增长更慢。图 2 的 RMSE—时效曲线里，AirMPA 在长时效上的优势更大，作者把这归因于解耦设计对误差累积的抑制。
- 用 ERA5 驱动会更好。同一模型换成再分析气象强迫（离线参考）后 RMSE 更低——这直接说明「下游的上限取决于气象场质量」，也侧面验证了解耦接口是通的。
- 改进集中在人口密集、污染重的地区：东亚、印度次大陆、中非。这些地方暴露风险与健康风险更高，所以这一条被作者当作实用价值的证据。
- 站点观测也能对上。用中国、美国、欧洲的地面监测站资料检验，PM10 和 PM2.5 上 AirMPA 与 Aurora 都优于 CAMS，AirMPA 最好，且随时效的误差累积最慢；O3 上 AirMPA 与 Aurora 相当，两者都明显好于 CAMS。
原文图
上：(a) 特征输入、模型主干与输出。输入是 t−24、t−12、t0 三个时次的浓度，加排放场、气象场和两个时间编码；主干为立方体嵌入 + 20 个 AirMPA 块 + 补丁扩展，末端通过双分支（3×3 卷积与 MLP）融合历史浓度后经 SoftMax 与 1×1 卷积输出 13 个污染物的锥形场。右上角三行是三个训练阶段各自的损失组合。左下 (b) 是 AirMPA 块与纬向释放掩膜：绿线为允许的注意力连接，红线为禁止的连接。右下 (c) 是解耦预报流程：排放与气象（t0 起每 12 小时一个 FuXi 预报场）逐时次喂入 AirMPA，初始场取 CAMS 的 t−1、t0，滚出 12 小时到 120 小时共 5 天预报。
绿线为用 FuXi 预报场驱动的 AirMPA（即上线口径），紫虚线为用 ERA5 驱动的 AirMPA（离线参考），蓝色为 Aurora，红色为 CAMS；横轴是 1 到 5 天。多数变量上红线（CAMS）最高、紫虚线最低；柱总量 O3 的形态最特殊，Aurora 的误差明显高于其他三者。
相对 RMSE 变化，红为更好、蓝为更差，色标从 −30% 到 +30%。左两栏对比 CAMS（全球/陆地），右两栏对比 Aurora。对着 CAMS 的第 1 天，多数污染物还是蓝的——相对误差最大可差 30% 以上；随时效拉长，整片迅速转红。对 Aurora 的对比则从第 1 天起就是一片红。
作者承认的限制
- 与同期离线模型的对比不能证明解耦本身有用。作者把这一点写得很直白：虽然评估时段和污染物变量都对齐了，但那两套模型用的是各自独立开发的训练与预处理流程，所以这个对比衡量的是预报性能，而不是把「解耦」这个设计的贡献单独隔离出来。
- 训练用分析场、推理用预报场，两者不是同一分布。论文的处理方式是在训练里显式引入预报场数据（阶段②③）来吸收这个差异，并用 ERA5 驱动的版本作为「离线参考上限」；但两个口径的差距本身也说明，线上性能受制于上游气象场质量，而不是模型单方面能决定的。
- 分辨率与时效的取舍。0.4 度、12 小时步长、5 天，这是本工作的设定；论文没有给出更细格距或更长时效的结果。
- 极端事件的评价范围有限。极端指标只报了 RMSE90 与 CSI90 两项，且 CSI90 相对 CAMS 只是「相当」，优势主要体现在 PM2.5、PM10、O3 的长时效上。
一句话判断
把污染物预测从气象预测里摘出来当独立下游任务，换来了一个能插在任意气象基础模型后面的模块，代价是要多喂一份高质量气象强迫；90% 指标超 CAMS 是真进步，但论文自己也承认，最关键的那句「解耦到底贡献了多少」还没有被单独隔离出来验证。