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。

超光谱卫星遥感,预测,人工智能