空气污染已成为制约人类健康与可持续发展的重要环境问题，细颗粒物（PM₂.₅）与臭氧（O₃）等污染物对心血管疾病及过早死亡具有显著影响。如何准确评估不同排放情景下空气质量的响应特征，是制定科学减排政策的关键。然而，传统化学传输模型（Chemical Transport Model, CTM）虽具备较为完善的物理化学机制，但其计算成本高、运行效率低，难以满足多情景快速响应的应用需求；现有CTM代理模型虽在一定程度上提升了计算效率，但在时间分辨率、多变量排放刻画、区域传输效应表征以及系统性偏差控制等方面仍存在明显不足。
针对上述问题，本研究围绕高效刻画“排放—浓度”非线性响应关系的科学需求，构建了基于Transformer框架的中国未来空气质量智慧预测模型TGEOS。该系统首先以GEOS-Chem模式为参照，构建了一个基于Transformer框架的高效代理模型TGEOS v1.0。该模型拥有约3000万级的模型参数，能够快速地对未来排放情景下PM_2.5和O₃浓度的概率分布进行在线预测，并有效识别极端污染事件的潜在风险。模型引入了26种污染物的分部门排放信息，同时耦合了区域排放与气象条件对污染物演变的综合影响，显著增强了模型的适应性与预测能力。验证结果显示，TGEOS v1.0对PM_2.5和O₃的空间分布与概率分布均与GEOS-Chem高度一致，相关系数分别超过0.97和0.96；在计算效率方面，完成一年期的全国模拟仅需约2.51秒，展现出极佳的时效性优势。
然而，由数据驱动的代理模型TGEOS v1.0在拥有速度优势的同时，也难以避免地继承了GEOS-Chem固有的系统性偏差，这在一定程度上削弱了其在未来情景预测中的可信度。为此，研究进一步提出了TGEOS v2.0，通过整合偏差校正模块（Bias Correction Module, BCM）实现对原始模拟结果的观测约束。BCM依托中国高分辨率大气污染物数据集（China High Air Pollutants, CHAP）进行训练，并用多源观测数据进行独立验证。基于Transformer架构的BCM能够有效刻画模拟偏差与输入变量之间的复杂非线性关系。校正后的结果表明，BCM显著降低了PM_2.5, O₃, NO₂及二次无机气溶胶组分等关键指标的平均绝对误差，降幅达30–70%，在浓度水平和年际趋势上均呈现出与观测更一致的演变特征。其中，校正后NO₂浓度平均提升约12 μg/m³，而硝酸盐浓度下降约7 μg/m³，反映出更为合理的NO_x化学分配过程。此外，TGEOS v2.0还成功捕捉了TGEOS v1.0未能识别的极端污染事件，例如SSP2-4.5情景下华北平原与长三角地区的持续性PM_2.5高污染过程，以及SSP3-7.0情景下华北地区潜在的NO₂暴露风险。
总体而言，TGEOS模型实现了从“快速模拟”向“可靠预测”的跨越，不仅为中国未来排放情景下的空气质量评估提供了兼具高效率与高可信度的模拟工具，也充分展示了Transformer架构在大气环境建模领域的广阔应用前景。

未来情景；深度学习；空气质量；观测驱动