基于跨分辨率注意力的高分辨率 PM2.5 预测网络
计算机视觉与模式识别
2026-03-13 v1 机器学习
摘要
Vision Transformer 在时空预测中取得了显著的成功，但其在面向实际环境监测所需的超高分辨率、大尺度域时，扩展性仍受限。单个欧洲空气质量图以 1 km 分辨率包含 2900 万像素，远超朴素自注意力的承载极限。我们引入 CRAN-PM，一种双支路 Vision Transformer，利用跨分辨率注意力高效地融合全球气象数据（25 km）与当前时间（1 km）的局部高分辨率 PM2.5。除包含温度和地形等物理驱动因素外，我们进一步引入 elevation-aware self-attention 和 wind-guided cross-attention，以迫使网络学习 PM2.5 预测的物理一致特征表示。CRAN-PM 完全可训练且内存高效，在单张 GPU 上仅用 1.8 秒即可生成完整的 2900 万像素欧洲图。其在 2022 年欧洲日 PM2.5 预测（362 天、2971 个欧洲环境署（EEA）站点）上的评估显示，与最佳单尺度基线相比，T+1 降低 RMSE 4.7%，T+3 降低 10.7%，同时在复杂地形区域降低偏差 36%。
引用
@article{arxiv.2603.11725,
title = {Cross-Resolution Attention Network for High-Resolution PM2.5 Prediction},
author = {Ammar Kheder and Helmi Toropainen and Wenqing Peng and Samuel Antão and Zhi-Song Liu and Michael Boy},
journal= {arXiv preprint arXiv:2603.11725},
year = {2026}
}