OmniPMNet：通过全查询神经过程桥接离散和网格化PM10预报
OmniPM-Net是一种新型融合模型，利用卷积条件神经过程框架，将图神经网络站点预报与化学传输模型网格预报相结合。在2024年中国1,618个站点的评估中，它匹配了最佳GNN的精度，同时将CAMS平均绝对误差降低了30%，并提供了连续的空间场。该模型在沙尘暴和高浓度事件中表现尤为出色。
预测颗粒物（PM10）浓度需要同时具备站点尺度的精度和连续的空间场，尤其是在严重的沙尘暴期间。化学传输模型（CTM）能够提供网格化预报，但存在局部偏差；而图神经网络（GNN）在短提前期能很好地跟踪监测站点，却无法生成网格化输出。为了解决这一问题，研究人员提出了OmniPM-Net，这是一种基于卷积条件神经过程（ConvCNP）的融合模型，能够在共享的空间表示中协调这两种预报类型。
OmniPM-Net的核心创新在于其地形感知的高斯集合卷积，该技术将不规则的GNN站点预报提升到规则网格上。随后，多尺度空间源注意力（SSA）模块将这些预报与哥白尼大气监测服务（CAMS）的预报进行融合。最后，一个共享的全查询读取器将该表示解码为在站点或网格单元上一致的PM10预测，覆盖108小时的时间范围。这种设计使得模型既能保持站点级的高精度，又能提供连续的网格化场。
在2024年全年中国1,618个空气质量监测站点的评估中，OmniPM-Net达到了与最强GNN基线相当的站点精度（平均绝对误差21.14 vs 22.00 μg/m³），并将CAMS的平均绝对误差降低了30%，同时提供了离散GNN无法实现的网格化场。其最显著的改进体现在高浓度尾部，第90百分位平均绝对误差相比GNN下降了9%，相比CAMS下降了25%。在沙尘暴期间，该模型在跟踪空间演变轨迹的同时，提高了分类检测能力。
这项研究为空气质量预报领域提供了一种新的思路，通过融合两种互补的预报方法，实现了精度和空间覆盖率的双重提升。OmniPM-Net的成功表明，神经过程框架在环境监测应用中具有巨大潜力，未来可能推广到其他污染物和更广泛的预报场景。此外，该模型的可扩展性意味着它能够适应不同地区的监测网络配置，为全球空气质量监测提供了一种新的工具。研究团队计划进一步优化模型的计算效率，并探索其在实时预报系统中的应用。