PCDCNet：一种融合物理化学动力学与约束的空气质量预测代理模型
机器学习
2025-05-28 v2 人工智能
摘要
空气质量预测（AQF）对公共健康和环境管理至关重要，但由于排放、气象和化学转化之间的复杂相互作用而仍具挑战性。传统数值模型（如 CMAQ 和 WRF-Chem）提供基于物理的模拟，但计算成本高昂且依赖不确定的排放清单。深度学习模型虽然计算效率高，但由于缺乏物理约束，往往在泛化方面存在困难。为了弥合这一差距，我们提出了 PCDCNet，一种将数值建模原理与深度学习相结合的代理模型。PCDCNet 显式地纳入了排放、气象影响和领域知识约束，以对污染物的形成、传输和消散进行建模。通过结合基于图的空间传输建模、用于时间累积的循环结构以及用于局部交互的表示增强，PCDCNet 在 72 小时站点级 PM2.5 和 O3 预测中实现了最先进的（SOTA）性能，同时显著降低了计算成本。此外，我们的模型已部署在在线平台上，提供免费的实时空气质量预报，展示了其可扩展性和社会影响。通过将深度学习与物理一致性相结合，PCDCNet 为 AQF 提供了一个实用且可解释的解决方案，为个人和监管应用实现知情决策。
引用
@article{arxiv.2505.19842,
title = {PCDCNet: A Surrogate Model for Air Quality Forecasting with Physical-Chemical Dynamics and Constraints},
author = {Shuo Wang and Yun Cheng and Qingye Meng and Olga Saukh and Jiang Zhang and Jingfang Fan and Yuanting Zhang and Xingyuan Yuan and Lothar Thiele},
journal= {arXiv preprint arXiv:2505.19842},
year = {2025}
}