[논문 리뷰] Diffusion-based Probabilistic Air Quality Forecasting with Mechanistic Insight

Ao Ding, Aoxing Zhang외 10명|arXiv (Cornell University)|2026. 03. 22.

Atmospheric chemistry and aerosols인용 수 0

한 줄 요약

AirFusion은 CTM에서 도출된 기계론적 통찰과 관측 주도 보정(fine-tuning)을 결합한 하이브리드 확산 기반 프레임워크로, 중국의 6일간 30-멤버 앙상블 표면 오존 예보를 생성하여 정확도를 개선하고 명시적인 기상 불확실성 진단을 제공합니다.

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.

연구 동기 및 목표

• 전통적인 CTM 기반 예보의 한계(비용, 물리적 오류, 기상 불확실성)를 기계론적 CTM 지식을 관측 제약과 통합하여 해결한다.
• CTM 시뮬레이션으로 사전 학습하고 최근 관측으로 미세 보정을 통해 정확도와 적응성을 얻는 확산 기반 프레임워크(AirFusion)를 개발한다.
• 운영 가능한 앙상블 기반 확률 예측을 가능하게 하여 기상 불확실성이 대기 질에 미치는 영향을 정량화한다.
• 제한된 최근 데이터로 표적화된 미세 보정을 통해 배출 변화에 신속하게 적응하는 것을 시연한다.

제안 방법

• 확산 모델 기반 백본을 사용하여 연속적인 2-D 오존 농도 필드를 생성한다.
• 세 개의 모듈식 구성요소(AirFusion-S, AirFusion-T, AirFusion-T-FT)가 확산 프레임워크를 공유하며 CTM 시뮬레이션(WRF-GC)과 관측으로부터 학습한다.
• AirFusion-S는 희박한 관측치를 보간하여 현재 시간의 농도 필드를 생성한다.
• AirFusion-T는 현재 및 미래의 기상 정보를 사용하여 다음 시간 스텝으로 농도를 진전시킨다.
• AirFusion-T-FT는 최근 관측 및 예측으로 AirFusion-T를 미세 조정하여 CTM 바이어스를 보정하고 현재 배출에 맞춘다.
• 예보 모드는 기상 앙상블 예측에 의해 N개의 앙상블 멤버를 시간에 따라 전파하며 확률적 예보와 앙상블 분산을 산출한다.

실험 결과

연구 질문

• RQ1 확산 기반 하이브리드 모델이 중국의 6일 간 오존 예보에서 기존 CTMs 및 기존 AI-AQ 모델을 능가할 수 있는가?
• RQ2 CTM 유래의 기계론적 지식을 관측 미세 보정과 얼마나 효과적으로 결합하여 정확도와 배출 변화에 대한 적응성을 향상시킬 수 있는가?
• RQ3 오존 예보 오차에서 기상 불확실성의 역할은 무엇이며, 확률적 진단으로 이 영향을 어떻게 정량화할 수 있는가?
• RQ4 제한된 최근 관측을 통해 AirFusion이 배출 변화에 얼마나 빨리 적응할 수 있는가?
• RQ5 CTMs와 비교하여 AirFusion의 운영 성능 및 계산 효율성은 어떠한가?

주요 결과

• 미세 보정이 적용된 AirFusion(AirFusion)은 Day 1 RMSE와 상관계에서 341개 중국 도시 전역에서 WRF-GC 및 AirFusion-noFT를 크게 능가한다.
• Day 1 RMSE for AirFusion: 26.9 ± 5.7 μg m-3; Day 6 RMSE: 32.8 μg m-3, 편향은 작고 시계열 상관도는 높다(r ≈ 0.7).
• AirFusion은 단일 RTX 4090에서 중국 전역에 대해 40초, 30-멤버 앙상블 예보를 달성하며 CPU에서의 단일 멤버 WRF-GC 실행보다 훨씬 빠르다.
• 단 5개월간의 관측으로 미세 보정을 수행하면 예보 기술이 현저히 향상되며, 기계론적 기반을 유지하면서 최근 배출 변화을 보정한다.
• AirFusion은 오존 초과예측(OEP)에 대한 앙상블 기반 확률 예보를 제공하며 Day 1 평균 보정 오류가 0.106으로, 기상 예보의 불확실성을 주요 오차 원인으로 인정한다.