摘要

本文系统综述了深度学习在空气污染预测中的研究进展，重点分析其在短期预测中的优势及在极端事件、泛化能力、可解释性和不确定性刻画方面的不足。论文总结了多源数据融合、物理约束建模和生成式方法等研究方向，并提出将深度学习与地球系统模型相结合，作为提升空气污染预测可靠性和决策价值的未来发展路径。

Abstract

This paper systematically reviews the research progress of deep learning in air pollution prediction, with a focus on analyzing its advantages in short-term forecasting and limitations in extreme event prediction, generalization capability, interpretability, and uncertainty characterization. The study summarizes key research directions such as multi-source data fusion, physics-constrained modeling, and generative methods, while proposing the integration of deep learning with Earth system models as a future development pathway to enhance the reliability and decision-making value of air pollution predictions.

文献阅读：《Deep learning for air pollutant forecasting: opportunities,challenges, and future directions》

研究背景

1.空气污染已成为全球性公共健康与环境问题，空气污染（如 PM₂.₅、O₃、NO₂）每年导致数百万例过早死亡，严重威胁人类健康与生态系统稳定。这使得准确、及时的空气污染预测成为污染预警、政策制定和减排管理的核心支撑。
2.传统物理模型（CTMs）面临瓶颈，以化学传输模型（CTMs）为代表的传统方法虽然具有物理机理清晰、可解释性强的优势，但存在明显局限，如强烈依赖排放清单的准确性、计算成本极高，难以支撑高时空分辨率和快速更新、在极端污染事件和快速变化情景下响应能力有限
3.随着多源观测数据爆炸式增长和GPU 与新型网络结构的技术成熟，深度学习在非线性、多尺度、复杂时空系统建模方面展现出巨大潜力，成为突破传统预测瓶颈的重要方向。

现有研究不不足之处：

1. 深度学习方法在空气污染预测中显著提升了数值精度，但现有研究仍存在关键不足，限制了其在实际预警中的应用。由于极端污染事件在历史数据中样本稀缺，模型往往偏向中等污染水平，在重污染峰值及跨区域、跨季节情景下泛化能力不足
2. 多数深度学习模型仍属于“黑箱”，缺乏对污染形成与输送等物理过程的清晰解释，预测结果可能与基本物理规律不一致。
3. 现有研究多以确定性预测为主，缺乏对预测不确定性的量化，难以为风险决策提供可信依据
   综上，深度学习空气污染预测在可靠性、可解释性和决策适用性方面仍有明显提升空间

创新点

1. 提出面向实际决策的空气污染深度学习预测新范式
   论文突破了以预测精度为核心的传统评价思路，强调空气污染预测模型应同时具备对极端污染事件的可靠性、对预测结果不确定性的刻画能力以及对环境管理决策的支撑价值，从而推动深度学习空气污染预测从“学术性能优化”向“可信预警系统”转变。
2. 引入生成式与物理约束相结合的深度学习建模思想
   完全靠数据训练模型，很容易变成黑箱，结果也不一定符合大气中的实际过程，因此更合理的做法是把深度学习和传统物理模型或者一些物理约束结合起来，提升实验效果
3. 明确深度学习在短期与季节尺度空气污染预测中的不同定位
   短期空气污染预测主要跟当前状态有关，而季节尺度的预测受气候背景和多圈层相互作用影响更大，只用历史数据训练的模型很难应付中长期问题，需要把深度学习放在更大的地球系统框架里一起考虑。

方法论

一、数据同化与多源数据融合

通过深度学习整合多源观测数据（如卫星遥感、地面监测站、气象再分析数据等），构建高时空分辨率的污染场。生成式模型（如掩码自编码器、扩散模型）被用于填补数据缺失区域，生成连续的三维污染分布。集成建模可以通过结合多个模型的动作来进一步增强极端情况下的鲁棒性，每个模型都有不同的影响范围或基于不同的数据子集进行训练，集成模型可以捕捉更广泛的行为模式。

二、深度学习中的陷阱及解决办法

极端事件泛化：通过迁移学习、集成模型和数据增强提升对罕见污染事件的预测能力。
物理一致性嵌入：将大气化学方程（如平流-扩散方程）作为网络损失函数，避免违背科学规律。
不确定性量化：采用贝叶斯神经网络、蒙特卡洛Dropout生成概率化预测结果。
自回归误差控制：通过多步预测训练、正则化技术抑制误差累积。

三、季节尺度预测与跨圈层耦合方法

在研究方法的前瞻性讨论中，论文进一步将视角拓展至季节尺度空气污染预测。作者指出，该尺度预测不能仅依赖历史回归，而需要引入气候模式、海洋–陆面–大气相互作用等边界条件信息，并提出利用深度学习构建跨圈层耦合模型，作为未来方法发展的重要方向。

总结

这篇论文回顾了深度学习用于空气污染预测的主要方法，认为现有研究虽然在精度上有提升，但在重污染情景、可解释性和不确定性表达方面仍存在不足。作者强调预测不能只追求“准”，而应服务实际预警需求，并提出通过引入物理约束、多源数据融合和地球系统视角来改进未来的预测模型。