氮氧化物是近地面臭氧和细颗粒物的重要前体物,而华北平原是全球工业排放最密集的区域之一,准确掌握其排放的空间分布,对空气质量预报和减排成效评估十分重要。卫星观测的对流层二氧化氮柱浓度可以为排放的空间分布提供约束。在现有反演方法中,基于化学传输模式的资料同化对输送和化学过程的描述完整,计算量相对较大;通量散度法计算简便,更适用于风场均匀、背景较清洁、排放源相对孤立的情形;有监督的深度学习方法推断速度快,其训练需要以已有清单或反演产品作为标签。针对华北平原排放源密集、背景浓度较高的特点,发展计算高效且无需排放标签的反演方法,是对现有方法的有益补充。
针对这一问题,研究团队提出了物理约束的神经网络逆估计方法(PINE),并用于华北平原NOx排放反演(图1)。该方法由神经网络编码器把欧洲哨兵5P卫星搭载的对流层监测仪(TROPOMI)观测的NO2柱浓度映射为排放场,再由一个固定的、可微分的大气输送-化学算子作为解码器,把排放场正演为柱浓度。网络训练以重构卫星观测为目标,输送和化学衰减过程作为硬约束嵌入模型结构,与把物理方程作为损失函数软约束的经典物理信息神经网络(PINN)不同,该方法把输送和化学衰减过程作为硬约束嵌入模型结构,神经网络只负责由观测到排放的逆映射。在此类反演中,相比PINN该模型架构具有更好的泛化能力,训练完成后,单日反演可在毫秒级完成。该研究得到了2023年华北平原分辨率为0.1°×0.1°的NOx日尺度排放空间分布,卫星观测调整的是排放的相对空间分布,在未参与网络权重训练的验证日上,由反演排放驱动的模拟柱浓度与卫星观测的空间相关系数由0.33提高到0.85,这一指标衡量的是模型架构对卫星观测的重构能力。为区分卫星观测的贡献与方法自身的影响,研究设计了排放真值已知的模拟观测试验:用区域大气化学传输模式WRF-Chem由EDGAR清单模拟NO₂柱浓度,代替卫星观测输入同一套反演流程,反演结果相对先验的偏离即反映方法自身的贡献。以未参与反演的中国多尺度排放清单模型(MEIC)为独立参照,采用真实卫星观测的反演结果中,被分配到不同网格的排放量占比为13.5%,低于模拟观测试验的18.5%和EDGAR的20.5%,表明卫星观测使该月的反演结果与独立清单更为一致。
该研究表明把可微分的物理过程作为硬约束嵌入神经网络,可以在不依赖排放标签的条件下,由卫星观测快速反演排放的空间分布,为臭氧前体物NOx等大气污染物排放的准实时卫星反演提供了一种可行途径,而反演结果相对先验清单的变化,则可用模拟观测试验和独立观测等加以检验。
该成果近期发表于Atmospheric Chemistry and Physics。论文第一作者为中国科学院大气物理研究所王一楠,该研究得到国家自然科学基金(42293321)和国家子午工程二期项目资助。
Wang, Y., Pan, Y.*, and Lyu, D., 2026: Physics-constrained inverse neural estimation (PINE) of NOx emission spatial patterns from TROPOMI NO2 columns over the North China Plain, Atmos. Chem. Phys., 26, 16125–16149, https://doi.org/10.5194/acp-26-16125-2026.

图1 PINE-NOx方法框架示意图。






