一种广域大气污染物浓度概率性预报方法、设备及介质与流程

本发明涉及大气环境预测，特别是涉及一种广域大气污染物浓度概率性预报方法、设备及介质。

背景技术：

1、大气环境预测是环境保护与公共健康领域的关键技术。传统方法主要依赖基于物理机理的数值模拟（如wrf-chem、cmaq），通过求解复杂的偏微分方程组来模拟污染物的生成、扩散和传输过程。尽管这类方法具备坚实的物理基础，但其计算开销巨大，一次高分辨率预报往往需要数小时，难以满足实时应急响应的需求；同时，模型优化依赖人工调参，难以从海量历史观测数据中自适应学习，导致优化瓶颈。近年来，数据驱动的深度学习方法（如lstm、transformer、cnn等）在时间序列预测和图像处理领域取得了突破，为大气环境预测带来了新思路。然而，现有深度学习方法仍面临诸多挑战：多源异质数据融合困难、空间关联建模静态化、时序预测模块紧耦合、不确定性量化缺失等问题，限制了其在实际业务中的应用。

2、广域预报中不确定性来源复杂，包括气象输入误差、模型近似误差和大气混沌特性。现有主流方法（如graphcast、盘古气象大模型）主要聚焦于确定性预报，输出单一数值，无法量化预测结果的可信度，对于风险决策支撑不足。此外，不同空间位置的预测误差往往存在相关性（例如一片区域可能系统性偏高），但现有技术难以对这种空间相关的不确定性进行建模。直接输出完整的协方差矩阵计算量过大，无法工程实现。因此，需要一种高效的概率性预报方法，既能输出每个位置的不确定性，又能刻画空间相关性，同时保证计算可行性。

技术实现思路

1、针对上述技术问题，本发明采用的技术方案为：

2、根据本发明第一方面，提供了一种广域大气污染物浓度概率性预报方法，所述方法通过预先构建的神经网络模型实施，所述神经网络模型包括三维时空注意力编码器、均值预测头和协方差预测头，所述方法包括以下步骤：

3、获取历史时间步的输入时空立方体，所述输入时空立方体包含多个时间步、多个空间位置及多种大气参数。

4、将所述输入时空立方体输入至基于三维时空注意力机制的编码器，提取时空特征图。

5、基于所述时空特征图，通过均值预测头生成未来时刻的确定性预报均值场。

6、基于所述时空特征图，通过协方差预测头生成预报不确定性的协方差矩阵。

7、其中，所述确定性预报均值场和所述协方差矩阵共同定义未来时刻大气状态的多元高斯分布。

8、根据本发明第二方面，提供了一种电子设备，包括处理器和存储器；所述处理器通过调用所述存储器存储的程序或指令，用于执行本发明第一方面所述方法的步骤。

9、根据本发明第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机用于执行本发明第一方面所述方法的步骤。

10、本发明至少具有以下有益效果：

11、本发明在广域确定性预报的基础上，增设协方差预测头，采用分块对角与低秩全局相关相结合的协方差建模方法，实现对广域尺度大气环境因子预测不确定性的量化，弥补了现有广域预报模型仅输出单一数值、缺乏预测可信度评估的不足。通过垂直场动态投影模块实现地面观测与垂直观测数据的联合建模，并引入物理约束增强优化，提升了预报结果的物理一致性。所输出的广域均值预报场及协方差矩阵，为后续本地站点概率性降尺度提供了不确定性先验信息，支撑了广域预报从确定性向概率性的扩展，增强了预报结果的物理可信度。

12、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

1.一种广域大气污染物浓度概率性预报方法，其特征在于，所述方法通过预先构建的神经网络模型实施，所述神经网络模型包括三维时空注意力编码器、均值预测头和协方差预测头，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述基于三维时空注意力机制的编码器采用三维窗口注意力机制，将二维空间窗口扩展为包含时间维度的三维窗口，在不重叠的三维窗口内进行自注意力计算，同时捕捉水平空间、垂直分层与时间维度的大气动态关联。

3.根据权利要求2所述的方法，其特征在于，所述三维窗口的尺寸包括时间窗口大小、空间高度窗口大小和空间宽度窗口大小，通过在不同层级的特征图上滑动所述三维窗口，实现多尺度时空特征的层级化提取。

4.根据权利要求1所述的方法，其特征在于，所述协方差矩阵采用分块对角与低秩全局相关相结合的约束方式进行建模：

5.根据权利要求4所述的方法，其特征在于，所述低秩全局相关部分通过可学习的低秩矩阵与可学习的低秩矩阵的转置的乘积实现，所述低秩矩阵的秩远小于空间位置总数。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括物理约束增强优化步骤：在所述神经网络模型的参数优化过程中引入质量守恒约束项，通过计算污染物平流通量的散度，惩罚不符合物理规律的预测结果。

7.根据权利要求6所述的方法，其特征在于，所述质量守恒约束项基于预测的均值场与输入风场数据计算得到，用于在训练过程中引导预测结果遵循大气污染物传输的物理规律。

8.根据权利要求1所述的方法，其特征在于，所述方法采用渐进式多任务训练框架对所述神经网络模型进行分阶段优化：第一阶段仅训练均值预测头，优化确定性预报精度；第二阶段冻结均值预测头，训练协方差预测头，学习不确定性建模；第三阶段联合微调所有模块，并在需要时添加辅助预测任务。

9.一种电子设备，其特征在于，包括处理器和存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。