粒子状物質（PM10）濃度の予測には、観測点レベルの精度と連続的な空間場の両方が必要であり、特に激しい砂塵嵐の際に重要です。化学輸送モデル（CTM）はグリッド化された予測を提供しますが、局所的なバイアスが残ります。一方、グラフニューラルネットワーク（GNN）は短いリードタイムで観測地点を追跡するのに優れていますが、グリッド出力を生成できません。この問題を解決するために、研究チームはOmniPM-Netを提案しました。これは、畳み込み条件付きニューラルプロセス（ConvCNP）に基づく融合モデルで、これら2つの予測タイプを共有の空間表現内で調和させます。
OmniPM-Netの中心的な革新は、地形を考慮したガウス集合畳み込みで、不規則なGNN観測点予測を規則格子に引き上げる点にあります。次に、マルチスケール空間源注意（SSA）モジュールがこれらの予測をコペルニクス大気監視サービス（CAMS）の予測とブレンドします。最後に、共有の全問い合わせ読み出し部がこの表現を、108時間の予測期間にわたって観測点またはグリッドセルで一貫したPM10予測にデコードします。
2024年通年における中国全土の1,618の大気質監視観測点で評価した結果、OmniPM-Netは最強のGNNベースラインと同等の観測点精度（平均絶対誤差21.14 vs 22.00 μg/m³）を達成し、CAMSの平均絶対誤差を30%削減すると同時に、離散GNNでは不可能なグリッド場を提供しました。その最も明確な利点は高濃度テールに現れ、第90百分位のMAEはGNN比9%、CAMS比25%低下しました。砂塵嵐発生時には、空間的な軌跡を追跡しながらカテゴリカル検出スキルを向上させました。
本研究は、大気質予報分野に新たなアプローチを提供し、2つの相補的な予測手法を融合することで精度と空間カバレッジの両方を向上させました。OmniPM-Netの成功は、ニューラルプロセスフレームワークが環境モニタリングアプリケーションにおいて大きな可能性を秘めていることを示しており、将来的には他の汚染物質やより広範な予測シナリオに拡張される可能性があります。研究チームは、計算効率のさらなる最適化とリアルタイム予報システムへの応用を計画しています。