[論文レビュー] Diffusion-based Probabilistic Air Quality Forecasting with Mechanistic Insight

Ao Ding, Aoxing Zhang+10 more|arXiv (Cornell University)|Mar 22, 2026

Atmospheric chemistry and aerosols被引用数 0

ひとこと要約

AirFusion は CTM由来の機械的知識と観測駆動のファインチューニングを組み合わせるハイブリッド拡散フレームワークで、中国上空6日間・30メンバー集合の表面オゾン予報を提供。精度の向上と明示的な天気不確実性診断を実現。

ABSTRACT

Current operational air quality forecasts are computationally expensive, sensitive to errors in physics and emissions, and often neglect weather-related uncertainty. To address these limitations, we present AirFusion, a hybrid, diffusion-based framework that synergistically integrates knowledge from chemical transport models with real-world observational constraints to enable accurate and efficient probabilistic regional air quality prediction. We apply AirFusion to generate operational 6-day, 30-member ensemble forecasts of surface ozone across China, initialized with observations and driven by ensemble weather forecasts. AirFusion outperforms existing operational benchmarks, achieving substantially lower forecast errors against surface measurements, while also providing ensemble-based diagnostics that explicitly quantify the impacts of weather uncertainty on air quality predictability. Moreover, AirFusion can rapidly adapt to evolving emissions through fine-tuning with only one month of recent observations. These attributes establish AirFusion as a powerful and extensible framework for next-generation probabilistic air quality forecasting, with clear potential for application to other pollutants and regions.

研究の動機と目的

• 従来のCTMベース予報のコスト・物理誤差・天気不確実性といった制約を、機械的なCTM知識と観測制約の統合で克服する。
• CTMシミュレーションで事前学習し、最近の観測でファインチューニングして精度と適応性を高める拡散ベースの枠組み（AirFusion）を開発する。
• 運用上の集合ベース確率予測を実現し、天気予報の不確実性が大気品質に及ぼす影響を定量化する。
• 限られた最近データを用いたターゲット型ファインチューニングを通じて排出変化への rapidly rapid adaptation をデモンストレーションする。

提案手法

• 拡散モデル本体を用いて連続的な2次元オゾン濃度場を生成する。
• 3つのモジュール構成（AirFusion-S, AirFusion-T, AirFusion-T-FT）は拡散フレームワークを共有し、CTMシミュレーション（WRF-GC）と観測から学ぶ。
• AirFusion-S は希薄な観測を補間して現時点の濃度場を作成する。
• AirFusion-T は現在および未来の気象条件を用いて濃度を次の時刻へ進める。
• AirFusion-T-FT は最近の観測と予報で AirFusion-T をファインチューニングし、CTMの偏りを修正して現在の排出に合わせる。
• 予報モードは集合天気予報に駆動されて時間を通じて伝播し、確率予報と集合分散を生み出す。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのハイブリッドモデルは、中国の6日間オゾン予報において伝統的なCTMや従来のAI-AQモデルを上回ることができるのか。
• RQ2 CTM由来の機械知識を観測適合と組み合わせることで、精度と排出変化への適応性をどの程度改善できるか。
• RQ3 天気不確実性がオゾン予報誤差に与える役割は何であり、確率的診断でこの影響をどのように定量化できるか。
• RQ4 最近の限定データでAirFusionは排出変動へどの程度迅速に適応できるか。
• RQ5 CTMsと比較した場合のAirFusion の運用性能と計算効率はどの程度か。

主な発見

• ファインチューニングを行った AirFusion は、AirFusion-noFT や WRF-GC と比較してDay 1 の RMSE および相関で中国341市全体において大幅に優れている。
• AirFusionの Day 1 RMSE は 26.9 ± 5.7 μg m-3、Day 6 RMSE は 32.8 μg m-3、バイアスは控えめ、時系列相関は高い（r ≈ 0.7）。
• AirFusion は RTX 4090 上で中国全体の30メンバー集合予報を約40秒で実行でき、CPU上の単一メンバーWRF-GCよりもはるかに速い。
• 観測データわずか5か月分のファインチューニングで予測精度が顕著に向上し、機械的な基盤を維持しつつ最近の排出変動を修正する。
• AirFusion はオゾン超過の集合ベース確率予報（OEP）を提供し、Day 1 の平均キャリブレーション誤差は0.106、天気予報の不確実性を主要な誤差源として認識している。