每年春天，北京居民都会关心同一个问题：沙尘暴什么时候来、能持续多久。加州居民面对的是山火烟雾会扩散到哪里。这类问题的答案，都依赖气溶胶预报——而这恰恰是气象预报中最难、计算成本最高的领域之一。
2026 年 3 月 5 日，中国气象科学研究院联合多家国内外机构在 Nature 上发表论文，推出了全球首个基于人工智能的气溶胶-气象预报系统 AI-GAMFS（AI-driven Global Aerosol-Meteorology Forecasting System）。这套系统能在 不到 1 分钟内 生成全球 5 天气溶胶预报，时间分辨率 3 小时、空间分辨率 50 公里——传统数值模式完成同样的工作需要数小时的超算时间。
世界气象组织（WMO）随即发文报道，称其为”首个 AI 驱动的全球气溶胶-气象业务预报系统”。
AI-GAMFS 系统的观测与预报场景示意图：卫星遥感与地面站网提供气溶胶观测数据，系统融合沙尘传输、人为排放、生物质燃烧等多源气溶胶信息，生成覆盖全球的预报产品。来源：WMO / 中国气象局
气溶胶预报为什么这么难
气溶胶是悬浮在大气中的微小颗粒——沙尘、硫酸盐、黑碳、有机碳、海盐等等。它们直接影响空气质量和人体健康（PM2.5 的主要来源），同时通过散射和吸收太阳辐射、改变云的形成过程来影响气候。
但气溶胶预报比天气预报更难。原因在于气溶胶的物理化学过程（排放、传输、化学转化、沉降）与大气动力过程高度耦合，两者之间存在复杂的非线性相互作用。传统的数值预报模式（如欧洲的 CAMS、美国的 GEOS-FP）需要显式求解这些过程的方程，计算成本极高，且不确定性很大。
AI-GAMFS 怎么做到的
技术上，AI-GAMFS 用一种能同时”看全局”和”抓细节”的深度学习架构（Vision Transformer + U-Net），从 42 年的历史数据中学习气溶胶与气象之间的耦合规律，不再需要显式求解物理方程。
AI-GAMFS 架构。(a) 模型由三个模块组成：立方体嵌入（cube embedding）将气溶胶和气象要素编码为时空特征矩阵，14 层 Vision Transformer 通过全局自注意力捕捉变量间的复杂关系，立方体反嵌入（cube unembedding）通过反卷积和上采样恢复到原始空间分辨率，并加入跳跃连接保持预报精度。(b) 接力预报策略：四个分别针对 3h、6h、9h、12h 预报时效训练的基础模型依次接力，减少长时效预报中的误差累积。来源：Gui et al., Nature (2026)
| 项目 | 规格 |
|---|---|
| 训练数据 | 42 年全球气溶胶再分析数据（MERRA-2），约 12 万个时间点 |
| 初始化 | NASA GEOS-FP 分析场 |
| 预报时长 | 5 天 |
| 时间分辨率 | 3 小时 |
| 空间分辨率 | 50 公里 |
| 每日更新 | 8 次 |
| 预报变量 | 54 个（覆盖 5 类气溶胶的光学性质和地面浓度） |
| 生成一次全球预报 | 不到 1 分钟 |
效果如何：对比现有最优系统
论文用全球 AERONET 和中国 CARSNET 两大独立观测网络进行了验证，结果显示 AI-GAMFS 在多个关键指标上优于目前最先进的业务预报系统：
与 GEOS-FP（NASA 当前业务系统）对比：
- 全球气溶胶光学厚度（AOD）预报精度更高
- 沙尘预报能力相当
- 美国和中国的关键地面气溶胶浓度预报显著改善
- 计算成本降低一个数量级
与 CAMS（欧洲哥白尼大气监测服务）和区域沙尘模式对比：
- AOD 和沙尘分量预报均优于对标系统
地面浓度预报的具体改进：
- 黑碳、有机碳和硫酸盐的地面浓度预报，RMSE 降低了 42% 到 88%
- 在美国西部野火频发区域和东部人为污染区域表现尤为突出
通俗地说，传统模式预报某地明天的黑碳浓度，误差可能偏离实际值一半以上，AI-GAMFS 能把误差压缩到原来的十分之一左右——这个精度差异足以影响是否发布空气质量预警。
AI-GAMFS 在 AOD 和沙尘预报中的表现优于 CAMS 和多个区域沙尘模式。(a) 东亚地区沙尘光学厚度（DUAOD）和沙尘地面浓度（DUSMC）的 5 天预报精度对比——AI-GAMFS（红色）在相关系数和 RMSE 上均优于 CAMS（浅蓝）、CMA-CUACE/Dust、KMA-ADAM 和 FMI-SILAM 等业务系统。(b) 全球 AOD 预报与 CAMS 的对比。(c) 全球 AERONET 站点验证的 AOD 预报误差空间分布——蓝色区域表示 AI-GAMFS 优于 CAMS。来源：Gui et al., Nature (2026)
核心突破： 不是”AI 比传统模式好一点”，而是”在精度相当甚至更优的同时，计算成本降低了一个数量级”。这使得高频更新的全球气溶胶预报在业务上成为可能。
已经投入业务运行
与很多”发了 Nature 但还在实验室”的 AI 系统不同，AI-GAMFS 已经在实际业务中运行：
- 国家级：中国国家气象中心已部署运行，支撑沙尘暴预报和环境气象咨询服务
- 省级：10 余个区域气象部门已接入，部分地区将输出降尺度到 5 公里分辨率用于本地化应用
- 全球：通过世界气象中心北京平台向全球各国提供预报产品
从 2024 年 5 月启动开发到 2026 年 3 月登上 Nature，这套系统用不到两年时间完成了从研发到实际业务运行的全过程。
这意味着什么
气溶胶预报一直是大气科学中”计算最贵、不确定性最大”的领域之一。AI-GAMFS 的意义不仅在于它”快了很多”，更在于它证明了一条路径：用机器学习从 42 年的再分析数据中学到气溶胶-气象耦合的规律，可以在保持甚至提升精度的同时，把计算成本压缩到传统方法的十分之一以下。
对于公众来说，这意味着更及时、更精确的空气质量预报。沙尘暴什么时候来、PM2.5 未来几天的走势、山火烟雾的扩散方向，都能以更高的频率和分辨率推送。
对于气象 AI 领域来说，这也是一个重要信号：继天气预报（盘古、风乌、GraphCast）之后，AI 正在向更复杂的大气成分预报领域扩展，且已经跨过了从论文到业务部署的门槛。
参考来源
- Gui, K., Zhang, X., Che, H. et al. Advancing operational global aerosol forecasting with machine learning. Nature 651, 658–665 (2026). DOI: 10.1038/s41586-026-10234-y
- World Meteorological Organization — World’s First AI-driven Global Aerosol-Meteorology Forecasting System launched
- China Meteorological Administration — World’s First AI-driven Global Aerosol-Meteorology Forecasting System launched