# 空气质量预报

区域空气质量预报长期依赖在线耦合的数值化学天气模式，其技巧受气象初值、排放清单和侧边界条件牵制。CWAI把气象、颗粒物与反应性气体当作一个联合大气状态，用连续两个时刻的状态、排放和地表描述符驱动分层Swin Transformer，递归40个6小时步长得到10天预报。在2020年1月和7月共62个起报的WRF-Chem对照中，CWAI对六种地面污染物的初始化加权RMSE全部更低，降幅从PM2.5的15.8%到NO2的25.8%。

区域空气质量预报长期依赖在线耦合的数值化学天气模式，其技巧受气象初值、排放清单和侧边界条件牵制。CWAI把气象、颗粒物与反应性气体当作一个联合大气状态，用连续两个时刻的状态、排放和地表描述符驱动分层Swin Transformer，递归40个6小时步长得到10天预报。在2020年1月和7月共62个起报的WRF-Chem对照中，CWAI对六种地面污染物的初始化加权RMSE全部更低，降幅从PM2.5的15.8%到NO2的25.8%。

氨排放反演依赖集合来刻画随气象变化的误差协方差，但每生成一次集合都要反复运行GEM-MACH化学模式。EnsAI改用U-Net卷积网络，从氨排放扰动和温度、风场直接映射出地表氨浓度扰动，生成一周模拟数据每个成员只需7秒，而GEM-MACH在720个计算节点上需约6.5小时。用EnsAI集合做排放反演，全年总排放比GEM-MACH集合反演低2.6%，月度总量差异均在10%以内。

氨排放反演依赖集合来刻画随气象变化的误差协方差，但每生成一次集合都要反复运行GEM-MACH化学模式。EnsAI改用U-Net卷积网络，从氨排放扰动和温度、风场直接映射出地表氨浓度扰动，生成一周模拟数据每个成员只需7秒，而GEM-MACH在720个计算节点上需约6.5小时。用EnsAI集合做排放反演，全年总排放比GEM-MACH集合反演低2.6%，月度总量差异均在10%以内。

臭氧浓度预报改用两级分解与两尺度特征选择。原始序列先经ICEEMDAN分解，复杂度最高的IMF1再由VMD二次分解，其余子序列按模糊熵重构；随后用偏自相关函数与随机森林两级筛选输入维度，最后交给时间卷积网络预测。北京与上海日臭氧数据上，该组合模型的MAE、RMSE、SMAPE分别为0.53509、0.73346、0.8433%，在四组对比实验中指标最优。

臭氧浓度预报改用两级分解与两尺度特征选择。原始序列先经ICEEMDAN分解，复杂度最高的IMF1再由VMD二次分解，其余子序列按模糊熵重构；随后用偏自相关函数与随机森林两级筛选输入维度，最后交给时间卷积网络预测。北京与上海日臭氧数据上，该组合模型的MAE、RMSE、SMAPE分别为0.53509、0.73346、0.8433%，在四组对比实验中指标最优。

英国吉尔福德两座路边监测站的PM2.5小时数据上，量子神经网络在未经处理的原始序列上明显优于经典MLP与LSTM基线，深度4模型把皮尔逊相关从约0.29–0.31提高到0.599。加入五级离散小波分解后，172量子比特、深度4的模型在完整6小时预报窗口取得最高平均相关0.729与最低NMSE 0.488，但此时经典MLP已接近同一水平。该结果来自Dynex神经形态量子退火仿真平台，尚未在物理量子硬件上验证。

英国吉尔福德两座路边监测站的PM2.5小时数据上，量子神经网络在未经处理的原始序列上明显优于经典MLP与LSTM基线，深度4模型把皮尔逊相关从约0.29–0.31提高到0.599。加入五级离散小波分解后，172量子比特、深度4的模型在完整6小时预报窗口取得最高平均相关0.729与最低NMSE 0.488，但此时经典MLP已接近同一水平。该结果来自Dynex神经形态量子退火仿真平台，尚未在物理量子硬件上验证。