曼彻斯特大学利用 NVIDIA Earth‑2 预测英国空气污染

背景与目标

由 David Topping 和 Hao Zhang 领衔的曼彻斯特大学研究团队，借助 NVIDIA Earth‑2 平台上开放的 CorrDiff 与 StormCast 模型，尝试将空气质量预测的空间尺度细化到街道层面。项目的核心动机在于利用已有的英国气候化学模拟数据，提供更及时、更高分辨率的污染预报，从而为公共健康监测和政策制定提供更具操作性的工具。

数据来源与训练过程

研究团队收集了一整年的英国空气质量观测与对应的数值模拟数据，数据的时间分辨率为每小时，空间分辨率约在 2 到 3 公里之间。随后，这批数据被用于训练 CorrDiff 模型。模型的训练在布里斯托尔的 Isambard‑AI 超算上完成，仅使用一节点的八块 GPU，耗时大约两天。Isambard‑AI 配备了 5 448 块 GH200 超级芯片，峰值算力可达 21 exaflops，为大规模深度学习提供了强大的计算支撑。

推理平台与实时预测

在模型推理阶段，团队选用了配备 GB10 Grace Blackwell 加速卡的 DGX Spark 系统，以实现快速的模型推断并支持小规模的再训练。该平台能够实时接入最新的观测数据，将 StormCast 与天气数值模型相结合，生成基于当前气象条件的空气质量预报。实时性和高效的计算能力让预报结果能够在数分钟内完成更新，满足了城市管理者对即时信息的需求。

• 为哮喘患者提供个性化的健康警报
• 支持政府制定更精准的污染治理政策
• 为城市外围的低成本传感器网络提供校准参考
• 预测野火产生的烟雾传播路径
• 辅助交通管理部门优化车辆排放控制

开放计划与未来路线图

团队计划在后续阶段公开训练所使用的数据集和完整工作流，以推动科研社区共同改进模型。下一步的目标是将空间分辨率进一步提升至街道级别，并引入更多开放的数据源，例如城市级别的交通流量和工业排放数据，从而实现更细致的局部污染监测。虽然这些工作仍处于研发阶段，尚未在实际运营中部署，但已经为后续的产业化奠定了技术基础。

风险评估与监管考量

根据英国皇家内科医师学院的评估，空气污染在 2025 年导致约 30 000 人死亡，经济损失超过 270 亿英镑。项目团队强调，在模型用于公共服务前必须进行独立验证，重点审查数据偏差、模型漂移以及观测覆盖率等关键因素。同时，需要制定透明的治理框架，确保预测结果的可靠性和公平性，避免因技术误差导致的不公平资源分配。

对企业与机构的启示

对于在华的企业和科研机构而言，曼彻斯特大学的案例展示了跨国合作与高性能计算在环境监测中的巨大潜力。借助类似 Earth‑2 的平台，企业可以构建针对本地城市的空气质量预警系统，从而提升员工健康管理水平；政府部门则可以利用高分辨率模型优化城市规划和应急响应。随着数据开放程度的提升和模型的成熟，这类技术有望在中国的大气治理中发挥关键作用。

在中国，相关组织在采用此类高分辨率空气质量预测模型时，应重点核查模型训练所使用的数据是否覆盖本地区域的观测站点，评估模型输出的空间一致性，并确保算法的透明度和可解释性，以满足国内监管部门对环境数据可信度的要求。