預測顆粒物（PM10）濃度需要同時具備站點尺度的精度和連續的空間場，尤其是在嚴重的沙塵暴期間。化學傳輸模型（CTM）能夠提供網格化預報，但存在局部偏差；而圖神經網絡（GNN）在短提前期能很好地跟蹤監測站點，卻無法生成網格化輸出。為了解決這一問題，研究人員提出了OmniPM-Net，這是一種基於卷積條件神經過程（ConvCNP）的融合模型，能夠在共享的空間表示中協調這兩種預報類型。
OmniPM-Net的核心創新在於其地形感知的高斯集合卷積，該技術將不規則的GNN站點預報提升到規則網格上。隨後，多尺度空間源注意力（SSA）模塊將這些預報與哥白尼大氣監測服務（CAMS）的預報進行融合。最後，一個共享的全查詢讀取器將該表示解碼為在站點或網格單元上一致的PM10預測，覆蓋108小時的時間範圍。這種設計使得模型既能保持站點級的高精度，又能提供連續的網格化場。
在2024年全年中國1,618個空氣質量監測站點的評估中，OmniPM-Net達到了與最強GNN基線相當的站點精度（平均絕對誤差21.14 vs 22.00 μg/m³），並將CAMS的平均絕對誤差降低了30%，同時提供了離散GNN無法實現的網格化場。其最顯著的改進體現在高濃度尾部，第90百分位平均絕對誤差相比GNN下降了9%，相比CAMS下降了25%。在沙塵暴期間，該模型在跟蹤空間演變軌跡的同時，提高了分類檢測能力。
這項研究為空氣質量預報領域提供了一種新的思路，通過融合兩種互補的預報方法，實現了精度和空間覆蓋率的雙重提升。OmniPM-Net的成功表明，神經過程框架在環境監測應用中具有巨大潛力，未來可能推廣到其他污染物和更廣泛的預報場景。此外，該模型的可擴展性意味着它能夠適應不同地區的監測網絡配置，為全球空氣質量監測提供了一種新的工具。研究團隊計劃進一步優化模型的計算效率，並探索其在實時預報系統中的應用。