我院研究生作为共同第一作者在《Nature》正刊发表成果

中国气象科学研究院博士研究生张栩滔以共同第一作者身份在国际顶级期刊《Nature》上发表题为“Advancing operational global aerosol forecasting with machine learning”的研究成果。

论文链接：https://www.nature.com/articles/s41586-026-10234-y

随着人类活动与气候变化加剧，沙尘、野火等导致的大气气溶胶污染问题日益突出，精准预报其分布与变化至关重要。然而，气溶胶预报的高复杂度与计算成本远超传统天气预报，需同时解析多种来源、化学转化及其与天气系统的多尺度相互作用。传统数值模型通过耦合大气化学传输与天气模拟，需求解数以万计的大气动力学与化学反应方程，计算负担巨大，且对非线性过程刻画不足，导致预报偏差。近年来，机器学习在提升天气预报效率与精度上展现出潜力；但从气象预报迈向气溶胶-气象耦合预报，变量维度与过程复杂性显著跃升，人工智能能否精准模拟这一高度复杂的耦合系统，仍是亟待探索的前沿科学问题。

图1. 模型架构及预报策略

针对这一关键挑战，研究团队基于42年全球12万时次的气溶胶再分析资料训练，通过集成全局注意力机制、时空编码模块及接力预报策略等关键技术，研制了全球首个气溶胶-气象耦合预报人工智能模型“AI-GAMFS”，实现了全球气溶胶智能预报的高效业务化运行。AI-GAMFS可在1分钟内实现全球范围5天、逐3小时的业务化预报，空间分辨率达50公里，每日滚动预报8次。预报输出涵盖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、地面浓度及相关气象要素。

图2. 全球气溶胶光学厚度及沙尘光学厚度5天业务化预报性能：AI-GAMFS与CAMS对比评估

图3. 全球气溶胶光学组分及区域近地面组分浓度5天业务化预报性能：AI-GAMFS与GEOS-FP对比评估

独立评估结果表明，AI-GAMFS在气溶胶光学厚度（AOD）及沙尘组分预报上，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）及多个国际先进的区域沙尘物理预报模型；与美国国家航空航天局的戈达德地球观测系统前向处理模型（GEOS-FP）相比，其对全球AOD预报误差更低，沙尘预报能力相当，并对美国和中国近地面关键气溶胶组分浓度的预报实现了更精准的刻画。

当前AI-GAMFS已完成从科研攻关到业务落地的全链条闭环。在国内，该模型已在中央气象台及陕西、宁夏等10余个省（自治区）气象部门实现业务应用，并通过中国气象局天气预报科技成果中试基地业务准入，在多次沙尘天气过程预报业务会商中发挥了关键支撑作用。在国际层面，该模型已正式接入“妈祖（MAZU）”全民早期预警云平台，面向全球提供预报服务。

气科院桂柯副研究员和博士生张栩滔为论文共同第一作者，气科院车慧正研究员和张小曳院士为共同通讯作者。合作作者包括气科院李雷副研究员、郑宇副研究员、缪育聪研究员、王宏研究员、王志立研究员、王亚强研究员，国家气象中心代刊正高工、安林昌高工，中国气象局沈阳大气环境研究所赵胡笳研究员，法国里尔大学Oleg Dubovik教授，美国国家航空航天局Brent Holben博士、Pawan Gupta博士、Elena S. Lind博士，美国爱荷华大学Jun Wang教授，西班牙巴利亚多利德大学Carlos Toledano教授，中科院大气所夏祥鳌研究员，清华大学黄小猛教授和中国气象局许小峰研究员。

张栩滔系我院2025级中国科学院大学与中国气象科学研究院联合培养博士研究生，师从车慧正研究员和桂柯副研究员，主要从事环境气象感知与智能预报研究，目前以第一作者（含共同）身份已在Nature、NSR、npj CAS等高水平期刊发表SCI论文4篇。