Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network

📄 arXiv: 2504.10014v1 📥 PDF

作者: Hang Yin, Yan-Ming Zhang, Jian Xu, Jian-Long Chang, Yin Li, Cheng-Lin Liu

分类: cs.LG, cs.AI, cs.CV

发布日期: 2025-04-14

💡 一句话要点

提出MDSTNet，利用气象引导的解耦时空网络进行空气质量预测

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 空气质量预测 时空网络 多模态学习 气象数据 深度学习 编码器-解码器 大气污染

📋 核心要点

  1. 现有空气质量预测方法未能充分利用多层次气象数据，忽略了气象条件对空气质量的显著影响。
  2. MDSTNet将空气质量和气象条件建模为独立模态，利用编码器-解码器框架学习二者之间的动态依赖关系。
  3. 在ChinaAirNet数据集上的实验表明，MDSTNet在48小时预测中，误差相比现有最佳模型降低了17.54%。

📝 摘要（中文）

空气质量预测在公共健康和环境保护中起着至关重要的作用。准确的空气质量预测是一个复杂的多变量时空问题，涉及时间模式、污染物相关性、空间站点依赖性以及特别是控制污染物扩散和化学转化的气象影响之间的相互作用。现有工作低估了大气条件在空气质量预测中的关键作用，忽略了对综合气象数据的利用，从而损害了空气质量和气象数据之间动态相互依赖关系的建模。为了克服这些问题，我们提出了MDSTNet，一个编码器-解码器框架，它将空气质量观测和大气条件明确地建模为不同的模态，整合了多压力层气象数据和天气预报，以捕获用于预测的大气-污染依赖关系。同时，我们构建了ChinaAirNet，这是第一个将空气质量记录与多压力层气象观测相结合的全国性数据集。在ChinaAirNet上的实验结果表明了MDSTNet的优越性，与最先进的模型相比，显著降低了17.54%的48小时预测误差。源代码和数据集将在github上提供。

🔬 方法详解

问题定义：现有空气质量预测方法未能充分利用气象数据，特别是多压力层气象数据，导致无法准确建模大气条件与空气质量之间的复杂关系。现有方法通常将气象数据与空气质量数据混合处理，忽略了它们之间的差异性，限制了模型的预测能力。

核心思路：论文的核心思路是将空气质量观测和气象条件作为两种不同的模态进行建模，从而更好地捕捉它们之间的相互依赖关系。通过解耦这两种模态，模型可以更有效地学习各自的特征表示，并利用气象信息来指导空气质量的预测。

技术框架：MDSTNet采用编码器-解码器框架。编码器部分分别处理空气质量数据和多压力层气象数据，提取各自的时空特征。解码器部分融合两种模态的特征，并利用融合后的特征进行空气质量预测。该框架包含以下主要模块：空气质量编码器、气象条件编码器、模态融合模块和空气质量解码器。

关键创新：该论文的关键创新在于将空气质量预测问题建模为多模态学习问题，显式地考虑了气象条件对空气质量的影响。通过解耦空气质量和气象条件，模型可以更有效地学习它们之间的动态依赖关系。此外，该论文还构建了一个新的全国性数据集ChinaAirNet，为空气质量预测研究提供了新的资源。

关键设计：空气质量编码器和气象条件编码器可以使用不同的时空建模方法，例如卷积神经网络（CNN）或循环神经网络（RNN）。模态融合模块可以使用注意力机制或门控机制来动态地融合两种模态的特征。损失函数可以包括预测误差和正则化项，以提高模型的泛化能力。具体网络结构和参数设置未知，需要参考论文源码。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MDSTNet在ChinaAirNet数据集上取得了显著的性能提升。与最先进的模型相比，MDSTNet在48小时空气质量预测中，误差降低了17.54%。这一结果验证了该模型在利用气象信息进行空气质量预测方面的有效性，表明了模态解耦策略的优越性。具体指标和对比模型未知，需要参考论文。

🎯 应用场景

该研究成果可应用于城市空气质量预测、环境污染预警、公共健康风险评估等领域。准确的空气质量预测有助于政府制定更有效的环境政策，指导公众采取适当的防护措施，从而降低空气污染对健康的影响。未来，该模型可以进一步扩展到其他环境要素的预测，例如水质、土壤质量等。

📄 摘要（原文）

Air quality prediction plays a crucial role in public health and environmental protection. Accurate air quality prediction is a complex multivariate spatiotemporal problem, that involves interactions across temporal patterns, pollutant correlations, spatial station dependencies, and particularly meteorological influences that govern pollutant dispersion and chemical transformations. Existing works underestimate the critical role of atmospheric conditions in air quality prediction and neglect comprehensive meteorological data utilization, thereby impairing the modeling of dynamic interdependencies between air quality and meteorological data. To overcome this, we propose MDSTNet, an encoder-decoder framework that explicitly models air quality observations and atmospheric conditions as distinct modalities, integrating multi-pressure-level meteorological data and weather forecasts to capture atmosphere-pollution dependencies for prediction. Meantime, we construct ChinaAirNet, the first nationwide dataset combining air quality records with multi-pressure-level meteorological observations. Experimental results on ChinaAirNet demonstrate MDSTNet's superiority, substantially reducing 48-hour prediction errors by 17.54\% compared to the state-of-the-art model. The source code and dataset will be available on github.