图源：Unsplash 过去我们聊空气污染治理，似乎总在面临一个计算难题。 当我们决定关停某一个区域的工厂，或者限制某一种交通工具的出行时，我们其实非常迫切地想要知道，这到底能让空气里的细颗粒物浓度下降多少。 因为大气并不是一个简单的加减法容器。污染物排放到空气中后，会经历复杂的平流、扩散、沉降，以及最为棘手的非线性化学反应。为了算清楚这笔账，科学家们一直依赖化学传输模型。 如果你想用传统的化学传输模型跑完中国一整年36公里分辨率的空气质量模拟，你需要让超级计算机日夜不停地运算好几天。 如果决策者想要对比一百种不同的减排方案，或者想要在重污染天气来临时迅速制定应急预案，传统模型根本来不及给出答案。 为了提速，过去也有人开发过简化模型或者统计替代模型。但这些模型往往需要付出巨大的代价，要么牺牲空间分辨率，只输出区域平均值；要么牺牲时间分辨率，只能算出一个年均浓度；要么严重依赖特定的气象年份，一旦换了天气条件，模型就彻底失效。 就在近日，清华大学地球系统科学系团队 在 Science Advances 发表了一项破局之作。他们直接把人工智能引入了大气化学模拟的核心地带，构建了一个名为 CleanAir 的深度学习模型。 这个模型不仅能够在36公里的空间分辨率下，输出每日的细颗粒物及其化学组分浓度，更是将计算速度提升了三个到四个数量级。 原本需要超级计算机算上几天的任务，现在只需要单张显卡运行10秒钟 。 【俯瞰小档案】
论文题目 ：A deep learning model for predicting daily PM2.5 concentration in response to emission reduction任何一个深度学习模型，都离不开庞大且高质量的训练数据。大气化学尤其如此。因为细颗粒物的化学组成极其复杂，它的浓度受到多种前体物排放和非线性大气化学反应的共同影响。 为了让 AI 学会这种复杂的因果关系，研究团队做了一件极其耗时但必要的基础工作。 清华研究团队使用传统的化学传输模型，精心构造了一个包含 2416 个假想减排情景 的庞大数据库。 图1｜CleanAir 模型的架构与训练过程。 不仅展示了残差对称三维 U-Net 的网络结构，还详细拆解了用于训练的 2416 个减排情景是如何在国家、省份和网格三个空间尺度上生成的。
仔细看这张图的数据准备部分，你会发现研究团队在设计减排情景时极为考究。他们并没有简单地把所有排放量等比例缩小，而是引入了15个维度的减排比例。 这15个维度涵盖了五大类关键污染物 ，分别是二氧化硫、氮氧化物、一次细颗粒物、氨气和非甲烷挥发性有机化合物。同时，这五类污染物又被划分到三个不同的排放高度层 ，包括地表层、中层和高层。 这种三维立体的排放划分非常关键。因为贴地排放的汽车尾气，和高耸入云的火电厂烟囱排放，对地表空气质量的影响机制是完全不同的。 在空间尺度上，减排比例的扰动也被分为了三个层次。国家层面的统一减排，省级层面的独立减排，以及网格层面的完全异质性减排。减排比例从零到百分之百不等，通过复杂的采样算法保证了参数空间的均匀分布。 为了让模型适应不同的气象条件，这 2416 个情景分别设定在 2017 年的四个代表性月份，覆盖了春夏秋冬的典型气象特征。 仅仅是为了生成这个训练集，研究团队就动用了 50 个高性能计算节点，耗费了相当于近 30 天的计算时间。 有了这套数据，CleanAir 的核心网络才得以运转。 模型采用了一种名为残差对称三维 U-Net 的架构 。这种架构特别擅长捕捉多尺度的时空特征。 输入的变量包括基准年份的人为排放、生物源排放、气象场数据，以及预先模拟好的参考状态浓度。数据首先经过头部网络进行维度对齐，然后进入五层带有跳跃连接的残差模块。 在这个过程中，网络会不断下采样提取高维度的抽象特征，然后再通过上采样还原空间分辨率。最终在尾部网络输出减排后细颗粒物浓度的变化量。 那么，这个花了大力气训练出来的 AI，到底算得准不准？ 图2｜CleanAir 模型在测试集上的月均尺度评估结果。 横轴代表传统化学传输模型的计算结果，纵轴代表 AI 模型的预测结果。数据点越密集地贴合对角线，说明两者的拟合度越高。
可以看到，在网格级别的月均浓度变化上，CleanAir 与传统模型的皮尔逊相关系数达到了 0.999，均方根误差仅为每立方米 0.281 微克。 即便下沉到日均尺度，相关系数依然高达 0.998，均方根误差也控制在每立方米 0.582 微克。 这说明 AI 极其敏锐地捕捉到了细颗粒物浓度对减排的精细响应。 硫酸盐、硝酸盐、铵盐、有机物、黑碳等不同成分的响应特征，都被 CleanAir 准确还原。对于二次生成的污染物 ，其化学机制远比一次排放物复杂。但模型依然保持了高度的准确性。 无论是在每立方米低于 10 微克的清洁环境下，还是在高于 115 微克的重度污染条件下，模型的表现都没有出现明显衰退。这对于评估极端污染事件的健康风险来说，是一项极其重要的能力。 在现实世界中，每年的气象条件都在剧烈波动，排放清单也在随着产业结构的调整而不断重塑。CleanAir 能否在完全未知的年份里保持精准？ 图3｜2017年至2020年基于真实排放清单的模拟与地面观测对比。 展示了中国细颗粒物浓度的空间分布变化，以及人口加权年均浓度的下降趋势。
研究团队让 CleanAir 直接面对 2017 到 2020 年的真实气象场和排放清单。这四年间，随着一系列大气污染防治行动的深入，中国的各项污染物排放呈现出持续下降的态势。 结果显示，CleanAir 生成的日均浓度数据，与全国空气质量监测站的真实观测数据高度吻合。无论是相关系数、均方根误差，还是标准化平均偏差，都与极其耗时的传统模型处于同一水平线。 它不仅准确刻画了细北平原、四川盆地等重污染热点区域的空间分布特征，也完美复现了这四年间细颗粒物浓度逐年下降的宏观趋势。 模型估计，这四年间全国人口加权年均浓度下降了 19%，这与传统模型给出的 20% 几乎完全一致。 研究团队把 CleanAir 放进了两个高度贴合现实决策的典型应用场景中。 每年冬天，当不利气象条件笼罩时，华北平原往往会遭遇细颗粒物浓度的快速攀升。在这个时候，相关部门必须迅速采取行动，比如工业限产或者机动车限行。 但在按下应急按钮之前，最关键的问题是：我们需要限产到什么程度，才能把峰值浓度压下来？ 图4｜2017年2月短期应急减排情景评估。 在这张图中，研究人员设计了弱、中、强三种不同强度的应急控制方案，并对比了 AI 模型与传统模型在预测污染峰值削减上的表现。
研究团队将京津冀及周边六个省份的 57 个城市划为管控区。针对电力、工业、民用和交通部门，设定了三种不同烈度的减排方案。 CleanAir 极其精准地捕获了污染物的累积和消散过程。在未采取措施的基准情景下，模型预测的两次峰值浓度分别达到了 174 和 149 微克每立方米，这不仅与传统模型完全一致，也与地面实际观测值极其接近。 随着管控强度的增加，浓度峰值开始显著下降。在最严格的强管控情景下，CleanAir 预测两次污染峰值分别下降了 42 和 37 微克每立方米。它计算出的城市达标天数，与传统模型的计算结果误差极小。 为了算出这一个月的管控效果，如果使用传统模型，需要在高性能计算节点上跑27 个小时 。 而使用 CleanAir，在单张显卡上只需要3 秒钟 。 这种近乎实时的响应速度，意味着决策部门在收到污染预警后，可以立刻输入成百上千种不同的限产方案，在一分钟内就能筛选出经济代价最小、环境收益最大的最优解。这彻底改变了重污染应急响应的决策流程。 短期应急看重的是速度，而长期规划看重的则是海量情景的遍历能力。 这就是研究团队展示的第二个场景：面向 2060 年的长期减排路径评估 。 我们都知道，气候变化和空气污染是同源的。未来的减排路径，必然是减污与降碳的深度协同。但不同的政策组合、不同的技术发展速度，会衍生出无数种未来的可能性。 图5｜2020年至2060年长期减排路径评估。 展示了在不同政策力度下，全国人口加权细颗粒物暴露水平的变化轨迹，以及由此避免的过早死亡人数。
这五条路径，从没有任何额外干预的参考情景，一直延伸到同时实现尽早碳达峰与净零排放的最激进情景。 CleanAir 再次展现了极高的可靠性。在最宽松的情景下，到 2060 年细颗粒物暴露带来的健康负担依然沉重。而在最严格的协同减排路径下，空气质量将得到根本性改善，大量的过早死亡将被避免。 这里的核心依然是算力成本的断崖式下降。用传统模型跑完这五种情景、长达四十年的逐日模拟，需要耗费整整185 天 的时间。长达半年的计算周期，让宏观政策的反复迭代变得几乎不可能。 而 CleanAir 完成同样的任务，在单张显卡上只用了6 分钟 。 这 6 分钟的背后，是一个全新的科研与政策互动模式。它让科学家能够真正放开手脚，去探索极端气候叠加不同排放路径下的复杂后果，寻找最具韧性的长远发展蓝图。 读完这篇综述，我们不得不重新思考模型在地球科学中的定位。 过去，我们总是追求在模型里加入越来越多的物理化学机制，把网格切得越来越细，结果就是模型变得越来越像一头难以驾驭的巨兽。 CleanAir 并没有试图完全取代传统的化学传输模型。事实上，它正是站在传统模型的肩膀上，汲取了它们生成的规律与法则。 它的存在，更像是给庞大的地球系统模型装上了一个轻量级、超高速的思考引擎。 当然，目前的 CleanAir 也还有它的边界。比如它目前绑定在 36 公里的分辨率上，它主要关注地表的细颗粒物而尚未纳入臭氧等其他关键污染物 ，它也还不能完全脱离传统模型独立运行气象背景输入。 但随着人工智能时代的来临，“地学+AI”的方法论带来的意义是深远的。 当环境治理进入深水区，政策制定者面对的不再是简单的关闭落后产能，而是复杂的产业重构、能源转型与气候适应。每一次决策，都牵扯着巨大的经济与社会成本。 在这个时候，我们比任何时候都需要一种能够快速反馈、反复推演的工具。 为了让真实世界里的每一次减排决策，都能拥有看清未来的能力， 【由于微信更新了推送算法机制，大家一定要 星标 才能收到最新子刊内容哟!】
夜雨聆风
