7月19日，北京城市气象研究院联合北京市气象台、南京信息工程大学科研人员，开发出一款名为PPN的时空深度学习大气环境预报模型，用于预报区域PM2.5浓度的时空分布。该模型能够为区域和城市污染防控及快速预警提供支持，在算力资源充足的情况下，还可以进一步扩展预测时空范围和污染物种类，对相关部门提前制定有效对策、保护公众健康等具有重要意义。

       PPN模型克服了气溶胶浓度预报最常用工具——大气化学传输模式（CTM）计算慢、准确度欠佳的缺点，可基于深度学习和数值天气预报直接提供区域气溶胶预报。它仿照CTM模式计算构架，将输入特征根据其对PM2.5的影响分为本地生成类（影响化学和湍流过程）和输送影响类（影响污染物输送过程），并分别输入深度学习算法的不同层中。在时间序列上，该模型采用编码器-解码器结构，起报时间之前是编码阶段，模仿CTM的spin-up过程；解码阶段则模仿CTM的预报过程，并加入数值预报模式预报特征作为约束。

       该研究在编码阶段借鉴了传统模式中四维同化的思路，将spin-up阶段的多时间观测信息加入，以构建更好的预报初始场。此外，还设计了加权损失函数以改进对极端事件的预测。

       研究者针对京津冀地区2022年1月的PM2.5浓度进行了预报试验，结果显示，PPN模型能在1秒内给出整个区域0至72小时的PM2.5浓度预报（水平网格分辨率为9公里），且准确度明显优于传统CTM的预报结果。

       相关研究已经在《自然》合作期刊《npj-气候与大气科学》上发表。