关于清风大模型

随着大气污染治理进程持续推进，我国的大气污染减排已进入深水区，迫切需要构建精准、高效污染防治策略，支撑空气质量持续改善。大气化学传输模型是刻画污染物在大气中物理传输与化学演变过程的核心工具，在污染来源解析、减排路径模拟等领域得到广泛应用。然而，大气化学传输模型需解析复杂的物理化学过程，计算耗时长、对计算资源依赖高，难以满足多维度、多方案、大规模减排情景的模拟需求。

针对这一问题，CNCAP团队依托国家自然科学基金和国家重点研发计划，开发了人工智能大气化学大模型：“清风大模型（CleanAir）”。清风大模型面向大气PM_2.5污染减排调控问题研发，实现了PM_2.5浓度对前体物排放变化的快速响应。模型采用残差三维U-Net深度神经网络架构，在三维空间中融合残差连接与对称编解码结构，构建面向多组分的自适应加权多任务损失函数，能够高效捕捉排放、气象与污染物浓度之间复杂高维非线性关系。模型以WRF/CMAQ模型生成的日尺度减排情景数据集为训练样本构建，覆盖中国全域，水平分辨率36公里。模型支持在网格和行业尺度对一次颗粒物（包含PM_2.5、PM₁₀、BC和OC）、SO₂、NO_x、NH₃和VOCs排放进行独立调控，模型输出逐日逐网格的PM_2.5及六种化学成分浓度：硫酸盐（SO₄²⁻）、硝酸盐（NO₃⁻）、铵盐（NH₄⁺）、黑碳（BC）、有机碳（OM）和其他组分。清风大模型模拟一整年的PM_2.5及化学组分浓度仅需9秒，运行效率相较传统模型提升5个数量级，在模拟精度上逼近CMAQ模型。模型大幅降低了计算成本，为大规模、多样化的减排模拟任务提供了可能，突破了物理模式成本高、效率低的局限。

目前，清风大模型第1版已上线CNCAP平台，支持用户以2017-2020年MEIC排放清单为基准，基于2017-2024年气象场自定义污染调控任务并开展模拟。用户可在全国34个省级行政区层面设置电力、工业、民用、交通和农业五个部门的一次颗粒物、SO₂、NO_x、NH₃和VOC减排比例（0-100%），通过在线模拟获得全年逐日PM_2.5及组分浓度模拟结果。CNCAP平台提供了便捷、友好的在线下载和绘图服务，用户可根据需要下载不同减排任务下的PM_2.5浓度模拟数据，也可在线查看和下载PM_2.5浓度时间序列和空间分布专题图。

未来，团队将持续在模型架构、物种覆盖、空间分辨率和调控维度等方面进行迭代升级，进一步拓展清风大模型在大气化学与大气污染研究及管理应用中的适用场景。同时，平台秉承开放共享的理念，推动模型工具、数据产品与研究成果在科研和管理中的深度应用。欢迎使用清风大模型并提出宝贵意见，如有任何意见建议，欢迎随时与团队联系（邮箱：cncap@tsinghua.edu.cn）。

模型特色 >

• 利用人工智能加速计算，实现了相较于传统大气化学传输模型超过4万倍的运行效率提升，大幅降低计算资源需求，可支撑大规模减排模拟任务。
• 支持多行业、多前体物的网格差异化减排方案，支持任意年份气象场，灵活性高，适用场景广泛。
• 模拟网格化逐日PM_2.5及组分浓度，可同时支持短期与中长期减排任务模拟。

支持机构 >

清风大模型的开发和维护受到以下项目和机构的支持：

• 国家自然科学基金
• 国家重点研发计划
• 地球系统数值模拟教育部重点实验室
• 区域环境安全全国重点实验室

参考文献 >

• Liu, S., Geng, G., Xiang, Y., Hu, H., Liu, X., Huang, X., Zhang, Q. A deep-learning model for predicting daily PM_2.5 concentration in response to emission reduction. arXiv:2506.18018. [链接]