西湖大学工学院宫先达团队成果：基于多个深度学习模型重建高精度海洋气溶胶粒径分布
大气气溶胶粒径分布与人体健康及气候变化密切相关。由于气溶胶在输送过程中受排放源、大气环流和化学转化等多因素共同影响，其粒径分布具有显著的时空异质性，对粒径分布的精准预测仍是大气科学领域的重要挑战。针对这一问题，西湖大学工学院宫先达团队提出了一种融合气团历史信息与深度学习模型的新框架，并实现了高精度的气溶胶粒径分布预测。该成果以“Reconstructing particle number size distributions via aerosol history–informed multiple deep learning models”为题发表于npj Climate and Atmospheric Science
。
图1：论文上线截图
论文链接：https://www.nature.com/articles/s41612-026-01447-z
创新方法：融合气团历史信息与深度学习模型的新框架
气溶胶-云相互作用是人为气候强迫评估中最大的不确定性来源，而准确描述气溶胶粒子数粒径分布（PNSD）是降低这一不确定性的关键。不同粒径的气溶胶具有不同的形成机制、寿命、传输行为及健康和化学效应，因此PNSD呈现显著的时空异质性。远洋环境受人为影响有限，精确重建远洋环境中的气溶胶背景值对于准确量化与人为排放有关的气候强迫以及区分人为引起的扰动具有重要意义。传统数值模式在模拟PNSD时仍存在较大不确定性。
研究团队针对PNSD显著的时空异质性开发了一个全新的框架，该框架使用HYSPLIT模型计算出的气团过去10天逐小时的后向轨迹坐标，结合MERRA-2等再分析数据组成气团历史信息，即气团在传输过程中所经历的理化性质变化，并结合多个深度学习（DL）模型来重建PNSD。与现有代表性数值模拟方案（如GEOS-Chem-TOMAS
）及数据驱动方案（如Random Forest）相比，本模型的预测精度显著更优。该框架为精确量化人为气候强迫提供了新的思路。
图2：研究方法示意图
十年海岛数据：让模型学会北大西洋中部海岛气溶胶的变化节律
研究团队以北大西洋中部佛得角大气观测站（CVAO）长达10年的公开PNSD观测数据作为DL模型的输出数据，通过计算气团的历史信息作为DL模型的输入数据，同时训练了两个LSTM模型和一个BiLSTM模型进行预测。结果显示，三个深度学习模型均能较好重建PNSD，总体平均分数误差（MFE）为0.13–0.16，显著优于传统数值模拟中MFE低于0.50的可接受标准。其中，BiLSTM模型表现最优，MFE达到0.13，优于已有代表性远洋环境PNSD模拟结果。此外，模型还能够有效捕捉PNSD的月变化特征，LSTM模型1在测试集中各月MFE均不超过0.18，说明融合气团历史信息的深度学习框架可以在远洋大气环境中实现高质量的气溶胶粒径分布预测。
图3：LSTM模型1在CVAO
数据测试集上的逐月预测表现
跨岛迁移：少量新数据即可让模型适应新环境
研究团队进一步把在CVAO训练好的模型迁移到南大西洋的阿森松岛（ASI）。与CVAO不同的是ASI的PNSD会受到来自非洲中部的生物质燃烧气溶胶的影响，气溶胶来源和季节性差异都发生了明显变化。
针对新数据集与原数据集在PNSD粒径上的差异，团队构建了全新的模型输出层，并用ASI数据集的小部分数据对已训练好的模型进行微调。结果显示，仅使用ASI站点占总量25%的数据进行迁移学习，模型表现就能接近使用50%数据从头训练的新模型。在最终测试中，三种迁移后的模型总MFE为0.13-0.15，并能捕捉到PNSD在6月至10月积聚模态数浓度升高这一季节性特征，该特征主要受非洲生物质燃烧气溶胶输送影响。对于观测稀疏的远洋区域而言，这种迁移能力意味着一种更高效的PNSD重建路径，也为未来扩展到其他海洋站点提供了可能。
图4：LSTM模型1在ASI数据测试集上的逐月预测表现
预测准确不等于真正“懂机理”：可解释AI方法带来的提醒
为了进一步分析不同输入特征对PNSD预测的贡献，研究团队采用SHAP方法，对一个常见的PNSD案例和一个沙尘
案例进行了特征贡献分析。在常见案例中，三个模型都识别出相对湿度与20-40 nm粒子数浓度之间存在稳定的负贡献关系，这与传统物理认知中水汽增加促进小粒径颗粒物的生成过程存在差异；在沙尘案例中，模型学习到的风速与粗粒径颗粒物浓度之间呈现与传统物理认知不同的关系，反映出深度学习模型可能仅仅捕捉统计相关性，而非真实物理机制。此外，三个模型给出的前五大贡献特征排序不仅差异显著，重合特征仅有1-2个。这些结果说明三个模型对特征贡献的解释仍存在差异，部分结果也与传统物理认知不一致。
模型解释结果的不确定性来源复杂。一方面，训练数据随机抽样和SHAP背景数据选择可能导致特征重要性排序不稳定；另一方面，本研究输入数据维度较高，即需要在240小时时间维度和19个特征维度上同时进行解释；同时深度学习模型结构复杂、神经元数量超过14万个，这些因素共同增加了SHAP解释的不确定性。因此，尽管基于气团历史信息的深度学习框架能够实现较高精度的PNSD预测，但其对复杂大气机制的过程
理解仍不够稳定和一致。这也提醒未来在利用深度学习模型进行复杂大气机理分析时，应结合多个深度学习模型进行交叉验证，以保证结果的稳定性和可重复性。
论文作者与致谢
论文第一作者为浙江大学-西湖大学联合培养博士生程宇涵，通讯作者为西湖大学工学院宫先达研究员。本研究得到了国家自然科学基金(42505070, 22576164, 42405106)、西湖大学-牧原联合研究院(WU2024MY002, WU2025MY008)、英国NERC QR-CODE项目(NE/Z503800/1)等支持，并感谢西湖大学未来产业研究中心、西湖教育基金会等平台的支持。
西湖大学气溶胶-云-气候相互作用实验室简介
气溶胶-云的相互作用对评估全球气候变化贡献了最大的不确定性。PI宫先达研究员长期致力于通过外场观测、实验室实验和模型模拟等手段研究气溶胶来源及其对云凝结核和冰核贡献，对云的微观物理性质和气候变化的影响。相关研究成果发表在Nature Geoscience (封面文章), AGU Advances (编辑亮点点评), Geophysical Research Letters, npj Climate and Atmospheric Science, Atmospheric Chemistry and Physics, Atmospheric Measurement Techniques等期刊。课题组研究方向包括但不限于：（1）生物气溶胶、微塑料、工厂排放颗粒物等冰核活性及气候影响。（2）远洋-极地-高空等特殊极端环境中的气溶胶来源、理化性质对气候变化的影响。（3）极地风吹雪及其对气候变化的影响；（4）运用可解释的机器学习算法解释气溶胶-云-气候的复杂机制。
课题组依托国内外一流的科研平台，拥有完备且先进的实验条件。秉持开放包容的科研理念，拥抱一切可能性，鼎力支持并鼓励组内成员自由探索个人感兴趣的创新研究方向。诚邀对地球科学、大气科学及交叉领域充满热情的青年才俊加入我们。课题组现长期招收博士后、博士研究生及访问学生。期待您的加入，共同探索未知！
声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。
