近日，南方科技大学环境科学与工程学院、深圳国家应用数学中心教授傅宗玫课题组在地球科学领域顶级期刊Geophysical Research Letters发表“Deep Learning-Based Ensemble Forecasts and Predictability Assessments for Surface Ozone Pollution”一文，介绍了基于深度学习的臭氧集合预报模型的研发思路，以及在深圳市臭氧污染可预报性分析中的应用。
图1.2DCNN臭氧集合预报模型的训练集选取方式和模型结构示意图。
我国地面臭氧浓度近年来振荡上升，对公众健康影响巨大。目前臭氧预报仍存在较大误差，其中一个重要误差来源是气象预报的不确定性。但是气象预报的不确定性对臭氧预报的贡献尚不能在业务预报中定量评估。
研究团队基于二维卷积神经网络（2DCNN）框架，由课题组自主研发的WRF-GC区域气象-化学耦合模式提供训练集，开发了深度学习臭氧集合预报模型2DCNN-SOEF（图1）。该模型以气象要素的空间分布为输入，预测深圳市臭氧浓度在不同中尺度至天气尺度气象条件下的变化。图2展示了2DCNN-SOEF模型对2019年、2021年夏季深圳臭氧的预报，24小时、72小时预报结果与观测值的相关系数均在0.7以上。
图2.2DCNN臭氧集合预报模型对2019、2021年夏季臭氧24-72小时预报结果与观测对比。
该研究进一步利用50个气象集合预报成员进行的臭氧集合预报，定量评估了气象预报不确定性对臭氧预报的影响。当深圳市地面臭氧浓度超标时，气象预报的不确定性导致了至少38%（9.7微克每立方米）的臭氧小时预报误差；气象预报成员间的气象场差异导致了至少24%（6.1微克每立方米）的臭氧小时预报误差。这些臭氧预报误差来自于气象预报的不确定性，无法通过改进数值模型中大气化学机制或排放清单而消除，是臭氧预报的可预报性极限。
图3.2019年夏季2DCNN臭氧集合预报误差随预报时长的变化。
2DCNN-SOEF预报准确度与目前业务使用的区域空气质量预报模型相当，并具有更高的时效性，可以在业务预报的时效范围内完成9天、30个集合成员的臭氧集合预报。同时，2DCNN-SOEF还可以提供臭氧预报不确定性、臭氧超标概率等更多信息。本研究开发的深度学习集合预报框架，可扩展应用于预报任何对气象敏感的环境风险，在全球任意地点实现具高时效性的环境风险概率预报。
南科大环境科学与工程学院博士后张傲星为论文第一作者，傅宗玫为论文通讯作者。南科大是论文第一单位。本研究得到了广东省基础和应用基础研究基金、深圳市城市环境健康风险精准测量与预警技术重点实验室等项目的大力支持。计算资源由南方科技大学计算科学与工程中心提供。
论文链接(复制链接至浏览器可访问）：https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2022GL102611
