当前业务化空气质量预报模型通常计算成本高昂，对物理过程和排放误差高度敏感，并且往往忽略气象不确定性对预报结果的影响。为克服这些局限性，我们提出 AirFusion ——一种基于扩散模型的混合框架，通过协同融合化学传输模型（CTM）的机理知识与真实观测约束，实现准确且高效的区域空气质量概率预报。
我们将 AirFusion 应用于中国区域地表臭氧的业务化预报。模型利用近实时地面观测构建初始场，并由集合气象预报驱动，在五分钟内生成 6 天、30 成员、27 km 空间分辨率、3 小时时间分辨率的集合预报。结果表明，与现有业务化基准系统相比，AirFusion 在地面观测评估中显著降低预报误差；同时，基于集合的概率诊断能够显式量化气象不确定性对空气质量可预报性的影响，并提供臭氧超标概率预警，从而提升预报结果的业务应用价值。
此外，AirFusion 仅需少量最新观测数据进行微调即可快速适应排放变化。本研究中，仅使用一个月观测数据便成功捕捉到 COVID-19 期间显著的排放变化并提升预报性能。上述结果表明，AirFusion 是一种高效、可扩展的下一代概率空气质量预报框架，具备推广至其他污染物及不同区域的潜力。
 

空气质量预报,臭氧预报,深度学习,denoising diffusion model