張鋼鋒、王碩等：圖神經網絡解碼華北未來大氣污染“蹺蹺板”效應

導語

空氣污染預測是一個經典的復雜系統問題——污染物的積累與消散受到排放源、氣象條件、大氣化學反應等多重因素的交織影響，呈現出高度非線性的時空演化特征。傳統物理化學模式雖能模擬這些過程，卻面臨計算成本高、極端事件偏差大等瓶頸。能否借助深度學習技術，在保持預測精度的同時大幅提升計算效率？更進一步，當我們將預測視野延伸至未來數十年，空氣質量會如何演變？答案或許并不像“減排即改善”那樣簡單。

本文解讀這篇2026年2月發表于 Urban Climate 的最新研究。研究團隊開發了一種集成圖神經網絡（IGNN）模型，系統預測了2025-2050年華北城市群的PM?.?和O?濃度變化趨勢，揭示了一個值得關注的現象：在多種未來情景下，PM?.?顯著下降，而O?卻呈現上升態勢。這一“蹺蹺板”效應背后的物理化學機制，為我們理解大氣系統的復雜性提供了新的視角。

關鍵詞：圖神經網絡、空氣質量預測、PM?.?、臭氧、時空建模、深度學習

張鋼鋒、王碩丨作者

趙思怡丨審校

論文題目：A deep learning approach predicts O? increase and PM?.? declines under high emission scenario across the Northern China urban agglomeration 論文鏈接：https://doi.org/10.1016/j.uclim.2025.102752 發表時間：2026年2月 論文來源：Urban Climate

作者簡介

1. 研究背景：復雜系統視角下的空氣質量預測

空氣污染的形成與演變是一個典型的復雜系統問題。以華北城市群為例，該區域涵蓋28個城市（“2+26”大氣污染傳輸通道城市），呈現出顯著的季節性污染特征：冬季弱風少雨，細顆粒物（PM?.?）容易積累；夏季高溫強輻射，氮氧化物和揮發性有機物發生光化學反應，生成近地面臭氧（O?）。這兩種污染物的形成機制截然不同，卻又通過大氣化學過程相互耦合，構成了一個多變量、非線性、時空交織的動力學系統。

準確預測這樣一個系統的演化，面臨多重挑戰。傳統方法大致分為兩類：一是基于物理化學機制的數值模式（如CMAQ、WRF-Chem），能夠顯式模擬大氣化學過程，但計算成本高昂，且對輸入數據和參數化方案高度敏感；二是數據驅動的機器學習方法，計算效率高，但傳統模型在處理具有網絡結構的時空數據時能力有限。

近年來興起的圖神經網絡（Graph Neural Network, GNN）為解決這一問題提供了新思路。GNN的核心優勢在于，它能夠在圖結構上進行信息傳遞和聚合，天然適合建模城市群中污染物傳輸的網絡化特征。本研究正是基于這一思路，將空氣質量預測問題轉化為圖結構上的時空建模任務。

2. 方法創新：將城市群建模為“圖”

2.1 圖結構的構建

研究團隊提出的集成圖神經網絡（Integrated Graph Neural Network, IGNN）模型，核心設計理念是將華北城市群的28個監測城市構建為一個圖（Graph）：城市作為節點（nodes），城市間的空間關聯作為邊（edges），而氣象要素（溫度、風速、輻射、濕度等）、排放數據（PM?.?、NOx、VOCs等）和歷史觀測則作為節點與邊的屬性特征。

這種圖結構的設計契合了污染物傳輸的物理本質——一個城市的空氣質量不僅取決于本地排放和氣象條件，還受到周邊城市的顯著影響。通過圖結構，模型能夠顯式地建模這種城市間的“信息傳遞”過程。

圖1：IGNN模型架構框架圖

2.2 時空特征的融合

模型架構包含三個核心模塊：

譜圖卷積模塊：通過圖拉普拉斯變換實現相鄰城市信息的高效聚合。模型能夠自適應地學習城市間的污染物傳輸關系——既包括基于地理距離的靜態空間知識（如200公里閾值），也包括由風場驅動的動態傳輸路徑。這一設計類似于在圖上進行“消息傳遞”，讓每個節點能夠“感知”其鄰域的狀態。

時間卷積模塊：采用膨脹卷積（dilated convolution）提取氣象和排放數據的時序特征。膨脹卷積通過引入空洞因子擴大感受野，能夠在不增加參數量的情況下捕捉更長時間尺度的依賴關系，對應真實場景中污染氣體的生成與傳輸過程。

雙通道并行處理：使用兩個相同的時間卷積模塊分別建模污染物的積累與擴散，通過殘差連接保證梯度穩定傳播。

2.3 避免誤差累積的設計

與傳統序列到序列的預測方法不同，IGNN采用“一對一映射”策略——直接基于當前時刻的氣象和排放信息輸出預測結果，而非逐步累積至目標時刻。這一設計有效避免了長期預測中的誤差累積問題，對于延伸至2050年的長期預測尤為重要。最終模型參數量僅為119KB，訓練時間不超過3小時，展現出良好的計算效率。

3、模型驗證：歷史數據與極端事件測試

研究團隊使用2014-2020年的歷史數據對IGNN進行了系統驗證，并與多種主流方法進行對比，包括XGBoost、LightGBM、STGCN等機器學習方法，以及CMAQ、WRF-Chem等物理化學模式。

圖2：2019年北京PM?.?和O?觀測值與IGNN預測值的散點圖

整體而言，IGNN在PM?.?和O?預測的主要評估指標上均取得最優表現。值得注意的是，所有方法對O?的預測效果普遍優于PM?.?，這反映了O?濃度具有更強的日周期規律性，而PM?.?的變化則受到更多隨機因素的影響。

為進一步檢驗模型對極端天氣的適應性，研究選取了2019年1月北京PM?.?重污染事件和7月O?重污染事件作為典型案例，將IGNN與CMAQ、WRF-Chem兩種物理化學數值模式進行對比。

圖3：2019年重污染事件期間觀測值與三種模型預測值的時間序列對比

從時間序列可以直觀看出，IGNN（紅線）能夠較好地跟蹤觀測值（藍線）的波動節律，尤其是峰值的出現時刻和幅度。相比之下，CMAQ（綠線）和WRF-Chem（黃線）在污染物濃度快速變化的時段出現明顯偏離。

這種差異源于兩類方法的本質不同。CMAQ和WRF-Chem作為機理驅動的數值模式，需顯式求解大氣化學和氣象動力學方程，其預測質量高度依賴于邊界條件設定、排放清單分辨率及參數化方案選擇，在極端事件中這些不確定性會被放大。而IGNN作為數據驅動方法，直接從歷史觀測中學習非線性映射關系，能夠隱式捕捉那些難以顯式表達的復雜相互作用。

當然，數值模式在機理解釋和過程診斷方面具有不可替代的優勢。本研究表明，在以預測精度為首要目標的應用場景中，數據驅動方法展現出顯著的性能優勢和計算效率提升。這些驗證結果為IGNN應用于長期預測奠定了方法學基礎。

4. 未來預測：PM?.?與O?的“蹺蹺板”

4.1 差異化的變化趨勢

利用驗證后的IGNN模型，研究團隊結合CMIP6氣候情景和多種排放策略，對2025-2050年華北城市群的空氣質量進行了系統預測。

圖4：不同排放策略下2025-2050年PM?.?和O?年均濃度變化趨勢

預測結果揭示了一個核心發現：在多種情景下，PM?.?呈現下降趨勢，而O?卻呈現上升趨勢。這種“蹺蹺板”效應在不同排放策略下普遍存在，且減排力度越大的策略，這種差異化趨勢越明顯。

PM?.?的下降符合直覺——它直接反映了排放控制的效果。然而，O?的上升則揭示了大氣化學系統的復雜性：減少一種污染物，并不必然導致另一種污染物同步改善。

4.2 機制解釋：三重效應的疊加

這一看似矛盾的結果，可以從三個相互關聯的物理化學機制來理解：

輻射效應：PM?.?是大氣氣溶膠的重要組成部分，對太陽短波輻射具有散射和吸收作用。PM?.?濃度下降使到達地表的短波輻射增強，而輻射正是驅動O?光化學生成的核心能量來源。

自由基清除效應：PM?.?顆粒物表面可作為多相化學反應的載體，能夠清除HO?和NOx等O?前體物。PM?.?濃度降低削弱了這種“匯”效應，使更多前體物參與光化學循環，最終轉化為O?。

氣候變化效應：在高碳排放情景下，全球升溫加速光化學反應速率，進一步促進O?生成。

三重效應的疊加，解釋了為何PM?.?與O?呈現差異化的變化趨勢，也揭示了大氣污染系統中存在的復雜非線性耦合關系。

4.3 重污染天數的演變

圖5：不同情景下PM?.?和O?重污染天數變化趨勢

重污染天數的分析進一步印證了上述發現：PM?.?重污染天數呈下降趨勢，部分情景下甚至有望完全消除；而O?重污染天數在多數情景下呈上升趨勢。這種差異化的演變模式，提示我們在理解和預測空氣質量變化時，需要充分考慮不同污染物之間的相互作用機制。

5. 科學啟示與研究展望

5.1 復雜系統視角的價值

本研究的核心發現——PM?.?與O?的差異化變化趨勢——為我們理解大氣污染的復雜性提供了一個生動案例。它表明，大氣化學系統并非簡單的線性疊加，而是存在多重反饋和耦合機制。這種復雜性意味著，“減排即改善”的線性思維在某些情況下可能過于簡化。

從更廣泛的復雜系統視角來看，這一發現也呼應了復雜系統研究中的一個核心主題：涌現性（emergence）。系統的整體行為不能簡單地從各部分的行為推斷，組分之間的相互作用可能產生意想不到的宏觀效應。

5.2 圖神經網絡的方法學潛力

從方法學角度，本研究展示了圖神經網絡在環境科學領域的應用潛力。通過將地理空間上分布的監測站點建模為圖結構，模型能夠有效捕捉污染物傳輸的網絡化特征。這一思路具有良好的可推廣性，可應用于其他具有類似空間結構的環境預測問題。

5.3 局限與未來方向

研究團隊也指出了若干局限性。當前模型中風向的標量編碼方式可能引入一定偏差，未來可采用正余弦分解等方法更嚴謹地處理周期性變量。此外，作為數據驅動方法，IGNN在物理機制解釋性方面存在固有局限。

未來研究的一個重要方向是探索物理引導的神經網絡（physics-guided neural networks），將深度學習的擬合能力與大氣物理的機制約束相結合，以兼顧預測精度與可解釋性。

結語

本研究為空氣質量預測提供了一種基于圖神經網絡的新方法，并通過長期預測揭示了PM?.?與O?在未來情景下的差異化演變趨勢。這一發現不僅具有科學意義——它深化了我們對大氣化學系統復雜性的認識，也具有方法學價值——它展示了深度學習技術在環境科學中的應用前景。

正如復雜系統研究所揭示的，理解一個系統的行為，往往需要超越對單一組分的分析，轉向對組分間相互作用的把握。大氣污染系統亦是如此：PM?.?與O?之間的非線性耦合，正是這種復雜性的具體體現。

論文信息

Zhang G, Wang S, et al. A deep learning approach predicts O? increase and PM?.? declines under high emission scenario across the Northern China urban agglomeration. *Urban Climate*, 2026, 65: 102752.

DOI: https://doi.org/10.1016/j.uclim.2025.102752

地球系統科學讀書會

世界氣象組織《2023年全球氣候狀況》報告確認2023年是有觀測記錄以來最暖的一年。氣候變化正在以高溫、干旱、洪水、野火和沙塵暴等極端天氣的形式吸引人們的廣泛關注。世界經濟論壇《2024全球風險報告》將氣候變化作為首要值得關注的風險。地球作為一個多要素、非線性的開放復雜系統，要素間相互作用關系復雜，往往牽一發而動全身。在人類活動深刻影響下，我們該如何理解并有效應對正在面臨的氣候變化以及其帶來的社會經濟等一系列議題，實現人類與地球的可持續發展？

為了能夠深入理解人類世背景下地球系統各要素之間復雜的相互作用與演化機制，并為人類應對未來的地球系統科學重大挑戰提供一套科學的認知框架，集智俱樂部聯合清華大學講席教授陳德亮、北京師范大學教授樊京芳、東莞理工學院特聘副研究員陳愛芳、南開大學副教授戴啟立老師和愛爾蘭都柏林大學博士生班嶄共同發起，將組織大家從新的研究范式出發梳理相關文獻，并深入研讀其中涉及的理論與模型。

詳情請見：

1.

2.

3.

4.

5.

6.

7.