1181 / 2026-03-29 16:49:28

基于超光谱卫星遥感与人工智能的近地面多组分大气污染物近实时预测

超光谱卫星遥感,预测,人工智能

主题2 大气物理、化学、环境 > 专题2.16 大气环境多尺度监测与智慧决策

精准的近地面空气质量监测和预报对公共卫生与环境管理至关重要，但由于地面监测站点分布稀疏，实时的监测和预报仍面临巨大挑战。研究提出一种新型的 ConvCNP‑ViT（卷积条件神经过程‑视觉 Transformer）混合深度学习框架，通过融合多源卫星遥感数据、稀疏地面监测数据以及气象参数、人口密度、精细土地利用分类和数字高程模型等多类辅助数据，实现中国境内主要大气污染物24小时监测无缝隙监测和短临预报。该框架包含两大核心模块：同化网络与预报网络，二者均由 ConvCNP 编码器与 ViT 处理器构成。ConvCNP 编码器用于处理稀疏、不规则采样的地面观测以及存在缺失值的卫星观测；ViT 处理器则从多源输入中提取多尺度空间特征，实现全局范围的上下文感知。通过对污染物阈值进行独热编码，结合交叉熵损失优化，模型可实现概率预报。模型基于 2015–2020 年数据训练，并在 2021–2022 年观测数据上验证，结果与再分析产品具有高度一致性（相关系数 r = 0.88）。以 2021–2022 年全国 1400 余个中国环境监测总站（CNEMC）站点数据为基准，模型 24 小时预报的平均皮尔逊相关系数达 0.72，显著优于 CAMS 全球预报系统（r = 0.41）。特别地，模型在臭氧（O3）预报上表现突出（r = 0.86），可精准捕捉其日变化规律与污染事件。