物理启发的图神经网络大气污染预报模型｜周二直播 · 地球系统科学读书会

导语

为了能够深入理解人类世背景下地球系统各要素之间复杂的相互作用与演化机制，并为人类应对未来的地球系统科学重大挑战提供一套科学的认知框架，集智俱乐部联合清华大学讲席教授陈德亮、北京师范大学教授樊京芳、东莞理工学院特聘副研究员陈爱芳、南开大学副教授戴启立老师和爱尔兰都柏林大学博士生班崭共同发起，将组织大家从新的研究范式出发梳理相关文献，并深入研读其中涉及的理论与模型。

从2025年3月4日开始，每周二晚上19:00-21:00，读书会将以线上形式进行，持续时间预计8-10周。读书会详情及参与方式见后文。

分享背景

大气污染是全球面临的严峻挑战，在部分发展中国家尤为严重。近年来，通过严格的空气质量管理措施，虽然有效降低了PM2.5浓度，但整体空气质量仍有较大提升空间；与此同时，PM2.5浓度的降低在一定程度上引发了臭氧（O₃）污染问题，反映出污染物之间复杂且非线性的相互作用。鉴于污染事件可能在极短时间内急剧恶化，如突发森林火灾引发的大范围烟雾扩散，更突显了对高准确性、实时空气污染预测的迫切需求，以保障公众健康和出行安全。传统空气质量预测主要依赖于基于物理和化学机理的数值模型（如CMAQ、WRF-Chem等），这些模型虽然具备较强的解释能力，但在实时性、初始条件依赖性以及观测数据同化方面存在明显不足。与此同时，基于人工智能和大数据的地球系统模型在气象预测领域取得了突破，开启了利用AI解决大气污染预报、模拟和控制的新思路。但如何提高这类方法的泛化性与物理一致性，是要面临的新挑战。

分享简介

本次分享将探讨大气污染研究的背景及其面临的复杂挑战，重点介绍利用图神经网络等AI技术在污染代理模型构建中的应用。将详细解析我们新开发的PCDCNet，一种融合物理约束的深度学习模型。通过整合排放数据、气象条件及长时空依赖性，实现对局部监测与区域传输规律的精准捕捉，并借助门控循环单元（GRU）、图模型及领域知识约束，有效提升模型的可解释性和预测准确性。此外，我们还将探讨大气污染模拟和遥感数据同化等技术在实际应用中的成效与不足，并展望AI与大数据时代为地球系统科学带来的新机遇与挑战。此外，PCDCNet已作为实时空气质量预测服务上线，提供72小时的站点级预报，可以在应用市场搜索 （彩云天气 APP），或者点击 （https://caiyunapp.com/map/）获取数据服务。

分享大纲

1. 大气污染研究背景、图神经网络简介

2. PCDCNet: 融入物理约束的大气污染代理模型

3. 大气污染污染模拟、遥感数据同化

4. AI 大数据时代地球系统科学面临的机遇与挑战

核心概念

• 图神经网络 (Graph Neural Network, GNN)

• 时空预测 (Spatio-temporal Prediction)

• 时序预测 (Time Series Prediction)

• 社区多尺度空气质量 (Community Multiscale Air Quality, CMAQ)

• 大气污染模拟 (Atmospheric Pollution Simulation)

• AOD 气溶胶光学厚度 (AOD Aerosol Optical Depth)

主讲人简介

王硕，北京师范大学与瑞士苏黎世联邦理工联合培养博士生，彩云天气算法工程师。研究方向为大气污染预测、气象大模型、图神经网络等，Google Scholar引用1000+。工作发表于ACM SIGSPATIAL、IJCAI、AAAI、CVPR、Science of The Total Environment 等。研究成果PM2.5-GNN（引用量160+），被收录于《图神经网络：基础、前沿与应用》教科书中。研发的空气质量预报算法和系统每日服务千万用户，应用于小米（包括小米手机自带天气APP、小爱同学、小米汽车等）、滴滴、大众等企业，以及多家省市环境监管部门。并在阿里云天池AI气象比赛、广东省环境监测中心大湾区空气质量比赛中取得优异成绩。

报名参与

直播信息

2025年3月11日19:00-21:00

报名加入社群（可开发票）

斑图链接：https://pattern.swarma.org/study_group_issue/867

扫码参与，加入群聊，获取系列读书会回看权限，共建共享地球系统科学社区，与一线科研工作者沟通交流，共同推动这一前沿领域的发展。

1. Shuo Wang, et al.. 2025. PCDCNet: A Surrogate Model for Air Quality Forecasting with Physical-Chemical Dynamics and Constraints. In Submission.

2. Shuo Wang, et al.. 2020. PM2.5-GNN: A domain knowledge enhanced graph neural network for pm2.5 forecasting. ACM SIGSPATIAL.

3. George Em Karniadakis, et al.. 2021. Physics-informed machine learning. Nature Reviews Physics.

4. Thomas Kipf, et al.. 2017. Semi-supervised classification with graph convolutional networks. ICLR.

5. Zhaoqi Gao, et al.. 2024. A review of the CAMx, CMAQ, WRF-Chem and NAQPMS models: Application, evaluation and uncertainty factors. Environmental Pollution.

6. Jinghai Li, et al.. 2019. Paradigm shift in science with tackling global challenges. National Science Review.

7. Markus reichstein, et al.. 2019. Deep learning and process understanding for data-driven Earth system science. Nature

8. Jindong Tian, et al.. 2025. Air Quality Prediction with Physics-Informed Dual Neural ODEs in Open Systems. ICLR.

地球系统科学读书会

世界气象组织《2023年全球气候状况》报告确认2023年是有观测记录以来最暖的一年。气候变化正在以高温、干旱、洪水、野火和沙尘暴等极端天气的形式吸引人们的广泛关注。世界经济论坛《2024全球风险报告》将气候变化作为首要值得关注的风险。地球作为一个多要素、非线性的开放复杂系统，要素间相互作用关系复杂，往往牵一发而动全身。在人类活动深刻影响下，我们该如何理解并有效应对正在面临的气候变化以及其带来的社会经济等一系列议题，实现人类与地球的可持续发展？

为了能够深入理解人类世背景下地球系统各要素之间复杂的相互作用与演化机制，并为人类应对未来的地球系统科学重大挑战提供一套科学的认知框架，集智俱乐部联合清华大学讲席教授陈德亮、北京师范大学教授樊京芳、东莞理工学院特聘副研究员陈爱芳、南开大学副教授戴启立老师和爱尔兰都柏林大学博士生班崭共同发起，将组织大家从新的研究范式出发梳理相关文献，并深入研读其中涉及的理论与模型。

详情请见：