[论文解读] 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 0

一句话总结

AirFusion 是一个基于扩散的混合框架，将 CTM 洞见与观测驱动的微调相结合，提供覆盖中国的6天、30成员地表臭氧预测，提升准确性并给出明确的天气不确定性诊断。

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.

研究动机与目标

• 通过将机械性 CTM 知识与观测约束相结合，解决传统 CTM 基于预测的成本、物理误差与天气不确定性等局限性。
• 开发基于扩散的框架（AirFusion），在 CTM 模拟上进行预训练并用近期观测进行微调，以实现准确性与适应性。
• 使得能够进行运营的、基于集合的概率预报，以量化天气不确定性对空气质量的影响。
• 通过有限的近期数据进行定向微调， demonstrating 对排放变化的快速适应能力。

提出的方法

• 使用扩散模型骨干生成连续的二维臭氧浓度场。
• 三个模块化组件（AirFusion-S、AirFusion-T、AirFusion-T-FT）共用扩散框架，并从 CTM 模拟（WRF-GC）与观测中学习。
• AirFusion-S 将稀疏观测插值，生成当前时刻的浓度场。
• AirFusion-T 利用当前及未来气象将浓度推进至下一个时刻。
• AirFusion-T-FT 仅用最近观测与预报对 AirFusion-T 进行微调，以纠正 CTM 的偏差并与当前排放保持一致。
• 预报模式在 N 个集合成员下通过集合天气预报驱动，沿时间传播，得到概率预报及集合离差。

实验结果

研究问题

• RQ1 扩散基混合模型在6天中国臭氧预报中是否可显著优于传统 CTM 与先前的 AI-AQ 模型？
• RQ2 CTM 洞见的机械知识如何与观测微调结合，以提升准确性并对排放变化的适应性？
• RQ3 气象不确定性在臭氧预报误差中的作用为何，概率诊断如何量化这一影响？
• RQ4 AirFusion 如何通过有限的近期观测快速适应排放变化？
• RQ5 与 CTMs 相比，AirFusion 的运营表现与计算效率如何？

主要发现

• 对 AirFusion 进行微调的版本（AirFusion）在 Day 1 的 RMSE 与相关性方面，优于 WRF-GC 与 AirFusion-noFT，在 341 个中国城市中总体表现突出。
• AirFusion 的 Day 1 RMSE：26.9 ± 5.7 μg m-3；Day 6 RMSE：32.8 μg m-3，存在轻微偏差且时间相关性高（r ≈ 0.7）。
• AirFusion 在单个 RTX 4090 上实现覆盖中国的 40 秒、30 个成员的集合预报，远快于在 CPU 上运行的单一成员 WRF-GC。
• 仅用五个月的观测进行微调即可显著提升预报技能，在保持机械基础的同时纠正了近期排放变化。
• AirFusion 提供基于集合的臭氧超标概率预报（OEP），Day 1 的平均校准误差为 0.106，承认天气预报的不确定性是主要误差来源。