ECMWF AIFS-COMPO 将污染预测延长至10天，但仍依赖物理模型

ECMWF AIFS-COMPO 已将实验性全球大气成分预测延长至10天，是其旨在补充的业务系统预测范围的两倍。然而，这一 AI 模型仍需要该基于物理的系统来建立初始条件。

欧洲中期天气预报中心于2026年10月16日推出该系统。它将 ECMWF 的 Artificial Intelligence Forecast System 调整为可同时预测气溶胶、反应性气体和天气变量。

这一变化意义重大，因为大气成分预测支撑着空气质量预警、健康规划、野火烟雾追踪，以及对南极臭氧空洞等事件的分析。目前，业务化的 Copernicus Atmosphere Monitoring Service 每天两次提供为期五天的全球预测。

AIFS-COMPO 提供了不同的计算路径。其开发者称，该模型在消耗大幅更少计算资源的同时，对多种污染物取得了具有竞争力的结果。不过，它仍处于实验阶段，覆盖的变量较少，且尚无法独立同化观测数据。

因此，核心竞争并非 AI 与大气科学之间的对抗，而是更快的学习型预测模型，与生成其训练数据、并持续为每次预测准备初始条件的物理体系之间的较量。

ECMWF AIFS-COMPO 将五天预测扩展为十天实验

眼下的变化是预测更长、更快，而非取代业务化的 CAMS 系统。

ECMWF 已发布 AIFS-COMPO 的公开预测图表。该系统是一项用于预测全球大气成分的实验性系统。图表覆盖长达10天的预测，并涵盖主要污染物、气体和气溶胶类别。

该模型可预测颗粒物，包括 PM2.5 和 PM10。它还可预测一氧化碳、二氧化氮、臭氧、二氧化硫以及多种气溶胶类型。

这些气溶胶包括沙尘、海盐、硫酸盐以及与生物质燃烧相关的物质。根据变量不同，输出结果可提供地表、气压层或整层大气柱的数值。

此次发布紧随于10月13日至15日在雅典举行的第十届 CAMS General Assembly。根据 CAMS 模型发布公告，ECMWF 在会议期间宣布图表已可使用。

业务化对照系统是 IFS-COMPO，它是 ECMWF Integrated Forecasting System 的一种配置。该系统通过物理和化学方程来表征大气过程。

IFS-COMPO 模拟物质如何移动、反应、进入大气和离开大气。它还会同化卫星观测数据，即结合测量结果与模型估计，以生成更好的初始条件。

该系统每天两次发布为期五天的预测。由于训练完成后所需计算量更少，AIFS-COMPO 将预测范围延长至10天。

更长的预测范围并不自动意味着在每个地点或每个预报时段都具有实用准确性。随着模型逐渐偏离初始状态，预测误差通常会不断累积。

ECMWF 表示，早期评估发现，该系统对若干重要大气变量的预测能力相当或有所提升。配套论文还报告称，它在部分气溶胶和颗粒物指标上取得了更好的结果。

其中一项比较考察了气溶胶光学厚度，该指标衡量颗粒物如何削弱穿过大气的光线。在报告所述测试期内，AIFS-COMPO 在两种模型均覆盖的五天内录得更低误差。

另一项案例考察了2024年南极臭氧空洞。该 AI 系统在第十天预测中仍能表征这一事件，超出了业务产品当前五天的预测范围。

这些结果使这项实验不止是一个可视化演示。它们表明，学习型模型能够在现有业务预测范围之外保留有用的大尺度大气信号。

不过，ECMWF 仍将 IFS-COMPO 描述为其准确性和可靠性的基准。AIFS-COMPO 尚未取代这一基准，也未承担同样的业务角色。

这一区别对卫生机构、环境分析人员和下游数据服务至关重要。业务产品需要可靠的发布计划、明确记录的故障处理机制，以及在多种条件下保持一致的性能。

新模型可能在某些特定指标上胜出，却未必满足所有这些要求。此次10天预测发布开启了更广泛的验证过程，而非宣告其结束。

为什么 AI 大气成分预测比天气预测更难

污染预测要求模型在追踪天气的同时，还要考虑排放、化学反应、输送和清除过程。

数据驱动的天气预测已催生出能够与传统数值模型竞争的系统。大气成分则带来了仅靠天气变量无法涵盖的额外难题。

污染物源自分布不均且不断变化的来源。野火、工业活动、交通、沙尘暴、植被和海浪飞沫都可能改变大气状态。

它们的影响会在不同的空间和时间尺度上展开。气体可能发生化学反应，而颗粒物可能聚合、沉降，或在降水过程中被清除。

风会将这些物质输送穿越国界。温度、阳光、湿度、云层和降水也会改变其浓度或化学行为。

全球观测仍分布不均。天气观测并不完美，但对某些化合物和地区而言，大气成分数据尤其稀缺。

现有的 CAMS 生产系统 通过详细的物理和化学计算处理这些相互作用。它表征输送、排放、化学转化、气溶胶物理、沉降和降水清除过程。

它还利用卫星反演数据获取气溶胶光学厚度、臭氧、一氧化碳、二氧化氮和二氧化硫信息。数据同化将这些观测结果纳入对当前大气状态的估计中。

AIFS-COMPO 从这一成熟系统的输出中学习统计关系。它使用覆盖2003年至2023年的 CAMS EAC4 再分析数据进行了预训练。

再分析将历史观测与一致的模型相结合，以重建过去的大气状况。当仅依靠直接观测无法获得完整图景时，它能提供长期、结构化的记录。

开发者随后使用2019年至2023年的业务 CAMS 分析和预测数据对 AIFS-COMPO 进行了微调。这一阶段让模型接触到更新的生产系统配置。

最终训练阶段采用了逐步延长的滚动预测。自回归滚动预测会反复将模型此前的预测结果输入下一步预测。

这一过程有助于应对误差累积问题。一个仅训练用于预测短时间间隔的模型，在被要求反复执行同一操作时可能变得不稳定。

根据 AIFS-COMPO 论文，该系统以三小时为增量推进预测。它可预测187个气象和大气成分变量。

该模型运行在约80公里分辨率的全球网格上。其输出能够捕捉大范围输送模式，但这一分辨率无法直接呈现每个社区尺度的污染源。

其架构包括编码器、处理器和解码器。图神经网络组件在输入网格与较低分辨率的内部表示之间传递场变量。

处理器采用基于 Transformer 的设计，以学习全球状态中的关系。随后，解码器将学习到的表示投影回预测网格。

气象和大气成分被联合预测。这一设计让系统能在同一预测过程中模拟风、温度、水汽、气体和颗粒物之间的联系。

这种联合方法十分重要。污染并不会独立于天气演变，天气也可能与气溶胶和大气化学发生相互作用。

该模型的广度使其区别于仅估算单一污染物或提升局部分辨率的较窄系统。ECMWF 的研究人员将其描述为首个可针对广泛大气成分变量集合提供全球逐三小时预测的 AI 模型。

这一描述来自研究团队，应在其所述范围内理解。其他机器学习系统已经能够预测气溶胶、区域化学过程和选定的全球环境变量。

例如，Microsoft 的 Aurora 已展示了基础模型方法在多项地球系统预测任务中的应用。区域系统也已将深度学习用于污染物输送和大气化学。

AIFS-COMPO 的差异化优势在于其与 ECMWF 成熟预报环境的整合。其训练数据、初始条件、对照模型和公开图表均与 CAMS 业务运行相连。

速度优势改变了预测方程

AIFS-COMPO 表明，在完成训练后，大气成分预测可以大幅降低成本，从而为更长预测范围和更大规模集合预报创造空间。

报告中的计算差异十分显著。研究团队称，AIFS-COMPO 可在单个图形处理器上约50秒内生成一次为期五天的全球预测。

论文称，IFS-COMPO 的对照运行约需在8,000个中央处理器上耗时1,000秒。这些数字描述的是不同计算架构，因此并非对硬件成本的直接比较。

即便存在这一限定，业务机会仍很明确。快速推理可支持更多次预测运行，而无需每次都重复完整的数值计算。

这种能力可能支持更大规模的集合预报。集合预报会以不同的初始条件或模型假设运行多次预测，以估计不确定性。

大气成分服务也可以更快测试替代配置。研究人员或许能在相同计算预算内研究更多案例、更长时限或针对性的极端事件。

这种效率也解释了为何预测范围从五天延长至10天。传统化学模型成本高昂，因为每次预测都必须计算全球范围内大量相互作用的过程。

学习型模型将大部分高成本优化工作放在训练期间完成。训练完成后，它可以更快地将学习到的关系应用于新的初始状态。

这一优势尤其适用于跨洲传播的烟雾和沙尘。更长的预测可让相关机构有更多时间研判大型烟羽的可能路径。

它也可能帮助研究人员追踪缓慢发展的平流层事件。报告中的南极臭氧空洞案例说明了这种更长时限的应用。

不过，该 AI 模型并非接收原始的当前观测集合后独立生成预测。它的初始状态来自业务化的 CAMS 分析。

该分析已通过基于物理系统的数据同化过程纳入卫星数据。因此，AIFS-COMPO 继承了经过精心准备的当前大气状态估计。

这种依赖改变了速度比较的含义。AI 预测在初始化后成本较低，但其输入需要一个庞大的业务系统来生成。

这种关系类似于一名快速跑者从一个较慢、更复杂的流程手中接过接力棒。移除第一阶段，会让这名跑者失去可靠的起跑位置。

因此，AIFS-COMPO 是一个预报模型，尚不是完整的预报系统。ECMWF 明确指出，它不执行数据同化。

运行中的模型还会生成更多变量，并以更高的空间分辨率工作。IFS-COMPO 的对比数据采用约 40 公里的网格，而 AIFS-COMPO 约为 80 公里。

分辨率会影响局地解读。宽泛的全球场可以呈现输送中的烟羽，却可能遗漏城市、道路或火场附近更明显的浓度差异。

该 AI 系统也缺少沉降通量，即描述物质从大气转移到地表的指标。它所表示的化学物种少于 IFS-COMPO。

这些缺失限制了直接替代的可能性。依赖某个缺失变量的用户，无法从对另一种量进行的更快预报中恢复该变量。

因此，近期具有实际意义的模型将是混合式的。基于物理的数据同化建立大气状态，而 AI 则进行快速前向预测。

这种分工可以在降低重复预报成本的同时，保留既有系统处理观测数据的优势。它也保留了可供比较的物理基准。

这种方法会促使传统预报项目说明，昂贵模拟在哪些方面增加了不可替代的价值。它并不会让这些模拟过时。

相反，它将性能问题从单一准确度评分转向更广泛的权衡。机构必须综合衡量速度、预报时效、分辨率、变量覆盖范围、可靠性以及异常事件表现。

CAMS AI 模型仍带有其“教师”的局限性

AIFS-COMPO 从基于物理的系统中学习，因此与该系统的匹配可能会复现其优势及部分误差。

在 CAMS 数据上训练，使 AIFS-COMPO 获得了二十年一致的全球场数据。但这也让模型依赖于嵌入该数据集中的各项决策。

再分析并非直接观测。它是通过将可用测量结果与物理假设结合而构建的、由模型引导的重建结果。

观测稀疏时，模型对重建状态的影响可能更大。对于覆盖有限或排放特征认知不足的污染物，这一问题尤为重要。

AI 系统可以学习这段重建历史中的重复关系。它无法自动判断每一种关系究竟反映自然规律、建模近似，还是持续存在的数据偏差。

独立观测为检验这种循环性提供了最有力的依据。研究团队利用多个针对气溶胶、颗粒物、反应性气体和臭氧的监测网络，评估了 2024 年的预报。

这种评估比仅衡量与 CAMS 分析结果的一致性更具信息价值。它检验的是预测是否与并未作为预报目标的仪器测量结果相符。

初步结果呈现出具有科学价值的混合态势。AIFS-COMPO 在某些变量上与 IFS-COMPO 持平或优于后者，同时在其他变量上仍具有竞争力。

气溶胶光学厚度和颗粒物是报告中表现较强的领域之一。但其在所有地点、季节、化学物种和极端事件中的表现，仍存在较大不确定性。

有限的评估周期值得关注。一年可以涵盖许多情况，但运行中的大气服务必须能够应对不断变化的气候和罕见事件。

随时间变化的排放构成了另一项缺口。当前的 AIFS-COMPO 配置并未将其作为强迫输入显式接收。

强迫输入提供直接推动未来变化的信息，例如更新后的野火排放数据。缺少这些输入时，模型必须根据初始状态和已学习的模式推断未来行为。

当事件演变方式与熟悉案例相似时，这种设计可以奏效。但若排放在初始化后突然变化，其可靠性便会下降。

野火可能加剧，火山可能喷发，工业事故也可能意外释放物质。仅靠历史模式无法完整刻画这些新的排放。

ECMWF 正在推进整合来自 Global Fire Assimilation System 的火情数据。该机构也在研究其他排放数据集和直接大气观测。

这些补充将使模型对正在发展的事件更具响应能力。但它们也会增加架构和验证要求的复杂性。

当前系统较低的空间分辨率带来了另一项限制。80 公里的网格能够支持全球预报，但无法解析每一处城市污染梯度。

区域预报系统通常需要更精细的网格和本地排放清单。它们还可能纳入监测站，而这些站点在不同城市之间的覆盖情况差异很大。

全球 AI 预报可以为这些系统提供边界条件。但不应将其视为街道尺度的暴露评估。

预报用户还需要不确定性信息。单一的确定性场即便在不同地区和预报时效下置信度不同，也可能显得十分精确。

公开的 预报图表 让实验性输出更易获取，但图表本身并不能建立运行层面的信任。

机构将需要持续根据独立仪器开展验证。它们也需要记录模型在沙尘暴、野火、臭氧污染过程和意外排放期间的表现。

因此，最重要的质疑点并不是 AI 忽视物理。该模型通过 CAMS 生成的训练数据和初始化分析结果，间接吸收了物理规律。

问题在于，这种间接表征在陌生条件下是否仍然可靠。罕见事件和源排放的快速变化提供了最清晰的检验。

ECMWF 自身的定位也反映出这种不确定性。CAMS 主任 Laurence Rouil 表示，运行系统仍是准确性和可靠性的基准。

这一表述避免将发布变成过早的替代声明。它将 AIFS-COMPO 置于一个存在明确已知缺口的评估计划中。

物理与 AI 正在形成一个预报技术栈

最可能的结果不是一场赢家通吃的竞赛，而是物理模型、观测与 AI 分别承担不同任务的分层系统。

基于物理的模型保留了若干结构性优势。它们的方程明确表示各种机制，能够接收变化中的排放数据，并可支持学习型系统中不存在的变量。

它们还提供用于初始化 AIFS-COMPO 的分析结果。在 AI 系统能够以相当的可靠性同化异构观测之前，这一角色仍将处于核心位置。

AI 模型提供了另一种优势。它们能够以足够快的速度执行预报，从而扩大预报范围、增加集合规模并缩短实验周期。

分层预报技术栈可以结合这些特性。物理系统将同化观测，并维持全面的大气状态。

随后，一个或多个 AI 模型可以基于该状态生成快速预报。数值预报将继续作为参考、后备方案，以及 AI 模型之外变量的来源。

专业化的区域模型可以补充本地细节。人工预报员和环境机构将为公共决策解读这些综合证据。

这种安排也会形成有益的竞争。如果 AI 模型反复匹配一项成本高昂的计算，研究人员便可检验该计算中哪些部分仍然必要。

如果它在异常事件期间失效，这种失败可能暴露缺失的输入或表征不足的过程。两种结果都有助于模型发展。

AIFS-COMPO 进入了一个不断扩大的学习型地球系统模型领域。以天气为重点的系统已经改变了人们对计算效率的预期。

大气成分将这一检验扩展到化学过程复杂、观测覆盖不完整的领域。在这里取得成功，将支持 AI 预报超越标准天气变量。

其影响可能延伸至气候监测、温室气体分析和应急响应。每个领域仍需要各自的验证和输入设计。

该系统也可能扩大参与大气预报研究的机会。可在一块 GPU 上运行的模型，比需要数千个处理器的全球化学模拟更容易测试。

不过，获取权限仍不完整。ECMWF 表示，AIFS-COMPO 的底层数据将在经过进一步验证和成熟后提供。

公开图表使用户能够查看输出，但研究人员需要可下载的场数据来开展独立评估。他们还需要涵盖模型版本、训练数据和已知局限性的文档。

使用 Anemoi forecasting tools 为可复现性提供了一条路径。Anemoi 是由 ECMWF 与国家气象服务机构共同开发的开源框架。

开放工具并不会自动使训练后的模型或其完整数据集变得可用。不过，它可以帮助其他机构研究更广泛的架构。

因此，竞争压力落在双方身上。传统模型必须证明其额外计算在哪些方面改善了决策。

AI 开发者则必须展示超越特定基准测试的可靠性。他们还必须解释那些很容易被快速推理数据掩盖的依赖关系。

对于公共机构而言，只有当质量可衡量时，更便宜的预报才有价值。只有当用户了解置信度如何随时间变化时，更长的预报时效才有意义。

AIFS-COMPO 将这些问题从理论层面带入运行实践。其图表如今为预报员和研究人员提供了一项可持续关注的实时实验性产品。

随着 AIFS-COMPO 走出演示阶段，值得关注什么

三项信号将决定 AIFS-COMPO 是否成为运行组件：独立验证、实时排放数据和可用的数据访问。

第一项信号是针对特定大气事件开展持续验证。ECMWF 已在初步评估中引用了气溶胶、颗粒物和臭氧结果。

下一批证据应覆盖更多季节和异常过程。大型野火、火山烟羽、沙尘暴发、城市污染事件和快速平流层变化，都值得单独分析。

一个在常规条件下表现良好的模型，仍可能在新排放主导预报时失效。事件级验证将增强其运行使用的依据。

不佳或不一致的结果会削弱替代声明，但不会消除该模型的研究价值。它们可能揭示需要混合校正或专业化输入的环节。

第二项信号是整合随时间变化的火灾及其他排放数据。ECMWF 表示，正在开展工作，以加入其火灾同化系统的信息。

这一变化将解决当前模型最明显的局限之一。它将使未来排放能够影响预报，而非让模型只能根据先前状态推断排放。

关键检验在于，新输入能否改善快速演变事件，同时不降低常规表现。研究人员还应说明缺失或延迟的排放数据如何影响预报。

第三项信号是发布底层预报数据和更完整的评估工具。可下载的输出将使大学、机构和独立科学家能够检验区域表现。

外部验证可以发现全球平均值所掩盖的弱点。它还可以显示，10 天预报对于特定污染物和地点是否仍然有用。

运行状态所需的信息不止公开数据。用户应关注已公布的服务时间表、稳定的模型版本、不确定性产品，以及其是否已整合进成熟的 CAMS 工作流程。

预报时效本身并不是最终评分。一份可靠的第六天预警可能至关重要，而一张不稳定的第十天预报图则可能制造虚假的信心。

AIFS-COMPO 的真正贡献在于，它可信地证明了全球大气成分预测可以采用计算速度快得多的路径。其局限性也揭示了现有系统为何仍然重要。

研究人员、公共卫生机构和环境数据团队应将这些实验图表与本地观测数据及业务化 CAMS 预报进行对比。应重点关注困难事件，而非那些视觉上令人信服的常规地图。

这种比较将回答决定性的问题：当排放快速变化、且大气表现不同于其训练历史时，ECMWF AIFS-COMPO 能否保持有用的预测能力？