空气质量预报对公众健康防护与科学精准治污至关重要。然而，传统数值预报模式受制于排放清单和微观物理化学机制的不确定性，易产生系统性偏差；而纯数据驱动的通用AI模型虽具拟合优势，却缺乏物理常识约束，不仅容易出现非物理浓度噪点，且深陷“黑箱”不可解释的瓶颈。如何在遵循大气物理化学动力学规律的前提下深度引入AI修正偏差，是当前地球系统模拟领域的国际前沿难题。
近日，中国科学院大气物理研究所王自发研究员团队联合北京大学、中国环境监测总站等科研机构，在AI与大气数值模拟深度融合领域取得突破，提出物理—人工智能紧耦合空气质量预报新框架ProNet。该框架推导建立了大气化学传输误差传输模型（ETM），将观测约束的神经校正器嵌入化学传输模型的误差方程，在保持物理动力学的同时实现了过程级误差修正。
针对AI模型在多日递推预报中易出现“误差累积”难题，团队引入参数扰动集合预报新思路，动态消除了递推中的系统性漂移，保障了1~7天长时间预报的平稳准确。与纯AI基准模型相比，嵌入物理方程的ProNet展现出色的泛化性：在一次突发沙尘暴天气过程中，ProNet精准捕捉到污染演变并预报了北京PM2.5峰值，误差较纯AI降低62%，并在全国91.4%的站点更准确地预测了污染变化趋势；即使在故意剔除冬季训练数据的严苛测试下，仍能凭借物理规律成功预测出冬季重污染，有效弥补了纯AI在未见极端场景下的泛化短板。
基于我国自主研发的嵌套网格空气质量预报模式（NAQPMS），ProNet在全国338个地级及以上城市进行一年的预报效果检验，预报性能超越一线专家的人工综合订正水平：全国PM2.5均方根误差降低18.4%，空气质量达标准确率由81.9%提升至88.0%，臭氧预报准确率同步提升3.0个百分点，第7天的预报表现甚至优于专家人工订正第1天的水平。针对秋冬季“防漏报”紧迫需求，优化高污染样本权重后，重污染日预报准确率可进一步提升12.6%，具备突出的实战应用价值。
除了卓越的预报精度，该研究首创预报“误差账本”，赋予系统深层次的物理可解释性。模型不仅能清晰还原随风场输送和局地生成的误差时空来源，更实现了仅凭地面常规PM2.5总浓度观测，反向诊断颗粒物微观组分的化学反应机理偏差，揭示出当前主流模式中硝酸盐高估与硫酸盐低估的系统性问题，为改进数值模式底层参数化方案提供了直接线索，为改进数值模式和深入认识大气过程提供了全新工具。
相关成果以"Fusing physics and AI enhances accuracy and diagnostic capabilities in air quality forecasting"为题发表在National Science Review上。中国科学院大气物理研究所吴煌坚高级工程师为第一作者，王自发研究员为通讯作者。该研究得到京津冀环境综合治理国家科技重大专项（2025ZD1201702）、中国科学院战略性先导科技专项（XDB0760100）和国家自然科学基金（42407148）联合资助，依托国家重大科技基础设施“地球系统数值模拟装置”（寰）提供算力支撑。
图1 ProNet物理—AI紧耦合预报框架的工作原理
文章信息：
Wu, H.J., Wang, Z.F.*, Zhang, Y.H., Lin, W., Li, X.W., Gao, M., Sun, H., Zhang, D.W., Wang, W., Tang, X., Zhu, J., Wang, Y.S., Su, H., Sun, Y.L., Chen, H.S., Hu, M., Carmichael, G.R., 2026: Fusing physics and AI enhances accuracy and diagnostic capabilities in air quality forecasting, National Science Review, nwag570. https://doi.org/10.1093/nsr/nwag570.
