沙尘暴、雾霾、野火烟羽…… 这些牵动亿万人呼吸的大气污染事件，能不能提前 5 天精准 “剧透”？
近日，中国气象科学研究院车慧正研究员、张小曳院士团队给出了惊艳全球的答案 —— 他们研制出全球首个气溶胶 - 气象耦合预报人工智能模型 AI-GAMFS，相关成果于 2026 年 3 月 5 日在线发表于国际顶级期刊《自然》（Nature），为全球气溶胶污染的精准预警提供了全新的中国方案。
随着人类活动与气候变化的加剧，沙尘、野火等引发的大气气溶胶污染问题越来越突出。想要精准预报这些污染物的分布与变化，难度远超普通的天气预报 —— 它需要同时解析污染物的多种来源、化学转化过程，以及它们和天气系统之间的多尺度相互作用。
传统的数值预报模型，需要耦合大气化学传输与天气模拟，求解数以万计的大气动力学与化学反应方程，不仅计算负担巨大，对复杂非线性过程的刻画也不够充分，很容易出现预报偏差。
全球气溶胶-气象耦合人工智能预报模型架构及预报策略
近年来，人工智能在提升天气预报的效率和精度上展现出了巨大潜力，但想要把它用到气溶胶 - 气象耦合预报上，难度却跃升了好几个量级：变量更多、过程更复杂，AI 到底能不能模拟好这个高度复杂的耦合系统？这一直是领域内的前沿难题。
为了攻克这个难题，研究团队首先搭建了海量的训练数据库：他们整理了 42 年的全球 MERRA-2 气溶胶再分析资料，涵盖了 12 万时次的观测与模拟融合数据，这些资料同化了全球卫星与地面观测的结果，为模型学习气溶胶的演化规律提供了充足的 “养料”。
在数据验证阶段，为了确保模型的精度可靠，研究团队还调用了全球 AERONET 气溶胶观测网络、中国 CARSNET 气溶胶遥感网络的观测数据 —— 这两个网络的数百个站点，都部署了高精度的全自动太阳光度计（CE318），这类仪器是气溶胶观测领域的 “金标准”，可以精准测量气溶胶光学厚度（AOD）等关键参数，为模型的验证提供了最可靠的真值参考。
除此之外，为了验证模型对近地面气溶胶组分的预报能力，团队还收集了美国 IMPROVE、EPA-CSN 观测网络，以及中国 CAWNET 大气成分观测网络的原位测量数据，这些网络部署的气溶胶组分原位观测仪器，可以精准测量黑碳、有机碳、硫酸盐等关键污染物的近地面浓度，帮团队校验模型在近地面的预报效果。
搞定了数据，接下来就是模型的训练与搭建。团队集成了全局注意力机制、时空编码模块及接力预报策略等关键技术，打造了 AI-GAMFS 模型。为了支撑这个包含 12 亿参数的大模型的训练，研究团队使用了 8 台 L40 高性能图形处理器（GPU），仅用 10 天就完成了模型的训练，效率远超传统的模型训练方式。
最终，这个模型实现了全球气溶胶智能预报的高效业务化运行：它可以在 1 分钟内，完成全球范围 5 天、逐 3 小时的业务化预报，空间分辨率达到 50 公里，每日可以滚动预报 8 次。预报输出更是涵盖了 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，以及相关的气象要素。
而在运行阶段，这个模型的效率更是惊人：仅用单台 L40 GPU，就可以在 39 秒内完成一次完整的全球 5 天预报，比传统的 GEOS-FP 模型快了足足 360 倍！
那么，这个 AI 模型到底准不准？
独立评估结果给出了肯定的答案：AI-GAMFS 在气溶胶光学厚度（AOD）及沙尘组分预报等指标上，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），以及多个国际先进的区域沙尘物理预报模型。
和美国 NASA 的 GEOS-FP 模型相比，AI-GAMFS 在全球 AOD 预报中的平均误差更低，沙尘预报能力不相上下，而且在中美两国的近地面关键气溶胶组分浓度预报中，展现出了更精准的刻画能力。
比如在沙尘天气的预报中，这个模型的优势尤为明显，它可以提前 5 天精准追踪大范围沙尘的传输路径：
更重要的是，这个模型已经完成了从科研攻关到业务落地的全链条闭环。
在国内，AI-GAMFS 已经在中央气象台，以及陕西、宁夏等 10 余个省（自治区）的气象部门实现了业务应用，还通过了中国气象局天气预报科技成果中试基地的业务准入。在多次沙尘天气过程的预报业务会商中，这个模型都发挥了关键的支撑作用，帮预报员提前精准预判污染的影响范围和时间。
在国际层面，这个模型已经正式接入 “妈祖（MAZU）” 全民早期预警云平台，面向全球用户提供免费的气溶胶预报服务，让全球的用户都能享受到中国 AI 技术带来的精准预警。
这项研究，是机器学习应用于全球气溶胶预报的成功范例，标志着这个领域正式迈向了业务化应用的新阶段。未来，AI-GAMFS 将为沙尘暴、野火、雾 - 霾等全球气溶胶污染事件的精准预警提供更有力的支撑，守护全球民众的呼吸健康。
本研究得到国家自然科学基金项目（批准号：42588301、42522509、42090033、42175153）等资助，论文链接：https://www.nature.com/articles/s41586-026-10234-y
