图 全球气溶胶-气象耦合人工智能预报模型架构及预报策略

　　在国家自然科学基金项目（批准号：42588301、42522509、42090033、42175153）等资助下，中国气象科学研究院车慧正研究员和张小曳院士团队在全球气溶胶-气象耦合人工智能预报模型研究方面取得进展。相关成果以“利用机器学习推动全球气溶胶业务化预报（Advancing operational global aerosol forecasting with machine learning）”为题，于2026年3月5日在线发表于《自然》（Nature）。论文链接：https://www.nature.com/articles/s41586-026-10234-y。

　　随着人类活动与气候变化加剧，沙尘、野火等导致的大气气溶胶污染问题日益突出，精准预报其分布与变化至关重要。然而，气溶胶预报的高复杂度与计算成本远超传统天气预报，需同时解析多种来源、化学转化及其与天气系统的多尺度相互作用。传统数值模型通过耦合大气化学传输与天气模拟，需求解数以万计的大气动力学与化学反应方程，计算负担巨大，且对非线性过程刻画不足，导致预报偏差。近年来，机器学习在提升天气预报效率与精度上展现出潜力；但从气象预报迈向气溶胶-气象耦合预报，变量维度与过程复杂性显著跃升，人工智能能否精准模拟这一高度复杂的耦合系统，仍是亟待探索的前沿科学问题。

　　针对这一难题，研究团队基于42年全球12万时次的气溶胶再分析资料训练，通过集成全局注意力机制、时空编码模块及接力预报策略等关键技术，研制了全球首个气溶胶-气象耦合预报人工智能模型“AI-GAMFS”，实现了全球气溶胶智能预报的高效业务化运行。AI-GAMFS可在1分钟内实现全球范围5天、逐3小时的业务化预报，空间分辨率达50公里，每日滚动预报8次。预报输出涵盖54个变量，包括沙尘、硫酸盐、黑碳、有机碳、海盐等5类关键气溶胶组分的光学特性、地面浓度及相关气象要素。

　　独立评估结果表明，AI-GAMFS在气溶胶光学厚度（AOD）及沙尘组分预报等评估指标上，表现性能优于欧洲中期天气预报中心的哥白尼大气监测服务模型（CAMS）及多个国际先进的区域沙尘物理预报模型；与美国国家航空航天局的戈达德地球观测系统前向处理模型（GEOS-FP）相比，其在全球AOD预报中的平均误差更低，在沙尘预报方面能力相近，并在美国和中国近地面关键气溶胶组分浓度预报中展现出更精准的刻画。

　　当前AI-GAMFS已完成从科研攻关到业务落地的全链条闭环。在国内，该模型已在中央气象台及陕西、宁夏等10余个省（自治区）气象部门实现业务应用，并通过中国气象局天气预报科技成果中试基地业务准入，在多次沙尘天气过程预报业务会商中发挥了关键支撑作用。在国际层面，该模型已正式接入“妈祖（MAZU）”全民早期预警云平台，面向全球提供预报服务。

　　本研究为机器学习应用于全球气溶胶预报提供了成功范例，标志着该方向迈向业务化应用的新阶段，也为沙尘暴、野火、雾-霾等全球气溶胶污染事件的精准预警提供了有力支撑。