大气成分受到排放、气象、输送和化学转化等多过程的共同影响，不同过程之间存在复杂的非线性相互作用，使污染物来源识别、形成机制解析以及排放与气象影响的定量区分面临较大挑战。传统化学传输模型能够显式描述排放、输送、化学反应和沉降过程，但受到排放清单、气象输入、化学机制和计算成本等限制；受体模型可从观测中解析污染来源，但依赖一定假设，并受到观测数据代表性的制约。近年来，机器学习和深度学习快速发展，为融合卫星、地面观测、再分析和数值模式等多源数据，以及解析复杂的大气化学关系提供了新的技术手段。

中国科学院大气物理研究所联合多家科研机构，系统撰写了人工智能（AI）在大气化学研究中应用与发展的综述论文。该论文系统总结了AI在大气化学反演与时空重建、可解释性分析、因果推断以及气象-排放归因等方面的研究进展。在污染物反演与时空重建方面，AI能够融合多源观测与模式数据，捕捉复杂的非线性关系，提高污染物浓度估算的时空覆盖度，但模型性能仍受到训练数据代表性和跨区域泛化能力的限制。在可解释性分析方面，SHAP等方法能够识别与污染物变化相关的重要变量、非线性响应及相互作用，为污染来源和二次生成过程研究提供新的分析手段，但其揭示的统计关联并不能直接证明物理化学机制。此外，气象归一化和固定排放近似等方法可用于评估气象变化和人为排放对空气质量变化的相对贡献，但其结果依赖于模型结构、基准时期及相关假设，尚不能实现两类影响的完全物理解耦。

论文同时指出，AI识别出的统计关系不能直接等同于物理化学机制或因果关系，还需要结合大气物理化学知识、经过稳健性评估，并获得来自独立观测、实验、受体模型或数值模拟等方面的证据支持。

论文最后提出了面向大气化学过程理解的AI综合研究框架，指出未来可进一步提升模型的适应性与泛化能力，加强物理化学约束，发展融合多模态观测与过程知识的大气化学大模型，以及探索人类监督下的AI智能体在大气科学研究中的应用。

研究成果发表于npj Climate and Atmospheric Science。本文第一作者为中国科学院大气物理研究所博士生王楠，共同通讯作者为中国科学院大气物理研究所孙业乐研究员和南京信息工程大学王玉莹教授，论文合作者还包括南京信息工程大学张运江教授和北京大学韦晶研究员。研究得到国家自然科学基金及大气环境与极端气象全国重点实验室开放基金等项目资助。

文章信息：

Wang, N., Zhang, Y., Wei, J., Wang, Y. Y., and Sun, Y.L., 2026: Artificial intelligence for atmospheric chemistry: from observation to process understanding. npj Clim Atmos Sci. https://doi.org/10.1038/s41612-026-01559-6.

图1. 大气污染物时空重建与反演中常见AI工作流程的示意图。

图2. 可解释性AI在大气化学领域中的典型工作流程及应用场景。

图3. 大气化学中AI的综合框架及未来发展方向。