TopoFlow：基于地形感知的污染物流学习用于高分辨率空气质量预测
机器学习
2026-04-13 v2
摘要
我们提出TopoFlow（Topography-aware pollutant Flow learning），一种面向高分辨率空气质量预测的physics-guided神经网络。为在学习框架中显式嵌入物理过程，我们识别了支配污染物动力学的两个关键因素：地形与风向。复杂地形可引导、阻挡和囚泄污染物，而风向是其运输与扩散的主要驱动力。基于这些认识，TopoFlow采用视觉Transformer架构，引入两种新机制：地形感知注意力显式建模地形诱导的流动模式，风向引导分块重排序将空间表征与主导风向对齐。在中国1400多座地表监测站点的观测数据被 assimilate 的六年高分辨率再分析数据上进行训练，TopoFlow实现PM2.5 RMSE 9.71 ug/m3，相较于operational预报系统提升71-80%，相较于最先进AI基线提升13%。预测误差均远低于中国24小时空气质量阈值75 ug/m3（GB 3095-2012），可靠区分清洁与污染条件。该性能提升在所有四种主要污染物及12-96小时预报时段均保持一致，表明在神经网络中原则性地整合物理知识可从根本上推动空气质量预测。
引用
@article{arxiv.2602.16821,
title = {TopoFlow: Topography-aware Pollutant Flow Learning for High-Resolution Air Quality Prediction},
author = {Ammar Kheder and Helmi Toropainen and Wenqing Peng and Samuel Antão and Jia Chen and Michael Boy and Zhi-Song Liu},
journal= {arXiv preprint arXiv:2602.16821},
year = {2026}
}
备注
Accepted in npj Climate and Atmospheric Science