OmniPMNet：通过全查询神经过程桥接离散和网格 PM10 预测

arXiv:2607.11896v1 发布类型：新 摘要：预测颗粒物 (PM10) 需要站级精度和连续空间场，特别是在严重沙尘暴期间。化学品运输模型 (CTM) 提供网格预测，但保留局部偏差，而图神经网络 (GNN) 在短时间内很好地跟踪监测站点，但不产生网格输出。在这里，我们提出了 OmniPM-Net，这是一种基于卷积条件神经过程 (ConvCNP) 的融合模型，可在共享空间表示中协调这两种预测类型。地形感知高斯集卷积将不规则的 GNN 站预测提升到规则网格上，其中多尺度空间源注意 (SSA) 模块将它们与哥白尼大气监测服务 (CAMS) 预测相混合；然后，共享的全方位查询读数将这种表示形式解码为 108 小时范围内站点或网格单元上一致的 PM10 预测。通过对 2024 年全年中国 1,618 个空气质量监测站进行评估，OmniPM-Net 与更强的 GNN 基线的站级精度相匹配（平均绝对误差为 21.14 与 22.00 ug/m3），并将 CAMS 平均绝对误差降低了 30%，同时提供离散 GNN 无法提供的网格场。其最明显的收益是在高浓度尾部，其中 90% 的 MAE 相对于 GNN 下降了 9%，相对于 CAMS 下降了 25%，并且在灰尘事件期间，它在跟踪不断变化的空间轨迹的同时提高了分类检测技能。