Гибридная нейросеть OmniPM-Net улучшила прогнозирование пылевых бурь и PM10 в Китае
Точное прогнозирование концентрации взвешенных частиц PM10 необходимо для оценки качества воздуха, особенно во время пылевых бурь. Существующие методы делятся на два типа: химико-транспортные модели дают непрерывные поля, но содержат локальные систематические ошибки, а графовые нейросети хорошо работают на станциях, но не могут предсказывать в произвольных точках.
В новой работе на arXiv представлена гибридная модель OmniPM-Net, которая объединяет достоинства обоих подходов. Разработка базируется на архитектуре Convolutional Conditional Neural Process (ConvCNP) и использует механизм внимания для слияния прогнозов.
Сначала terrain-aware Gaussian set convolution преобразует нерегулярные прогнозы от станций (полученные с помощью графовой нейросети) в непрерывное представление на регулярной сетке. Затем multi-scale Spatial Source Attention смешивает это представление с прогнозами европейской службы Copernicus Atmosphere Monitoring Service (CAMS). Финальный этап — omni-query readout, который из единого представления генерирует прогнозы как для точек станций, так и для ячеек сетки на горизонте до 108 часов.
Модель протестировали на данных 1618 станций мониторинга качества воздуха по всему Китаю за полный 2024 год. OmniPM-Net сохранила точность исходной графовой нейросети на станциях (средняя абсолютная ошибка 21,14 против 22,00 мкг/м3) и одновременно снизила ошибку CAMS на 30%. Особенно заметен выигрыш в области высоких концентраций: для 90-го перцентиля ошибка уменьшилась на 9% относительно графовой сети и на 25% относительно CAMS.
Во время пылевых бурь модель не только улучшила категорийное обнаружение, но и точнее отслеживала пространственную эволюцию шлейфа пыли. По словам авторов, OmniPM-Net демонстрирует, что гибридный подход может эффективно объединять дискретные и сеточные источники данных.
Разработка важна для регионов, где сеть станций мониторинга разрежена: модель способна выдавать непрерывные поля прогнозов, опираясь на данные соседних станций и спутниковые продукты. Метод потенциально применим и для других загрязнителей.
