摘要
预测颗粒物（PM10）需要在站点级别的准确性和连续的空间字段，特别是在严重的沙尘暴期间。化学运输模型（CTMs）提供了网格化的预测，但保留了局部偏差，而图神经网络（GNNs）在短期内能够很好地跟踪监测站，但无法产生网格输出。本文提出了 OmniPM-Net，这是一种基于卷积条件神经过程（ConvCNP）的融合模型，旨在在共享的空间表示中调和这两种预测类型。
一个地形感知的高斯集卷积将不规则的 GNN 站点预测提升到规则网格上，其中多尺度空间源注意力（SSA）模块将其与哥白尼大气监测服务（CAMS）预测相结合；共享的全查询读出随后将这种表示解码为一致的 PM10 预测，覆盖 108 小时的时间范围，无论是在监测站还是网格单元上。
在 2024 年全年的评估中，OmniPM-Net 在中国的 1,618 个空气质量监测站点上匹配了更强 GNN 基线的站点级准确性（平均绝对误差为 21.14 vs 22.00 ug/m3），同时将 CAMS 的平均绝对误差降低了 30%，并提供了离散 GNN 无法实现的网格化场。在高浓度尾部，其最明显的收益是，90 百分位 MAE 相比 GNN 降低了 9%，相比 CAMS 降低了 25%；在沙尘事件期间，它在追踪不断演变的空间轨迹时提高了分类检测技能。
博主点评： OmniPM-Net通过创新的模型架构有效地结合了传统的化学运输模型与先进的图神经网络，展示了在高浓度情况下的显著改进。这种融合不仅提高了预测的准确度，还提升了对复杂气象条件的适应能力，具有重要的实际应用潜力。