曼彻斯特大学用 NVIDIA Earth-2 生成式模型做全英空气污染预报：2–3 公里逐小时

方案背景：空气质量直接影响公众健康，但传统基于化学机理的模型计算成本高昂。一旦把大气化学过程纳入天气模型，运行速度就会显著变慢，这限制了模型的精细程度和更新频率，也限制了地方政府和医疗机构按需开展情景分析的能力。曼彻斯特大学物理学家 David Topping 与 Hao Zhang 希望用生成式 AI 替代部分昂贵的化学计算，获得更高分辨率、更高频的污染预报。

解决方案与架构：团队与 NVIDIA Earth-2 团队合作，先用现有化学—气候模拟生成训练数据，在英国布里斯托的 AI 超级计算机 Isambard-AI 上训练生成式降尺度模型 CorrDiff；随后引入 Earth-2 StormCast 模型，使其可以直接使用空气质量观测结果，输出随时间演变的污染预测。最终模型覆盖英国全境，空间分辨率达到 2–3 平方公里，时间分辨率为逐小时。

核心技术组件：Earth-2 提供面向天气与气候的生成式模型框架，CorrDiff 负责从粗分辨率场生成高分辨率细节，StormCast 负责基于观测的时间序列预测。训练使用英国一整年的污染数据，按小时模拟。团队还在探索把空气污染模型与边缘 AI 设备采集的实时数据结合，以支持野火等突发场景下的实时决策。

实施成果：该模型在 Isambard-AI 上训练两天完成，现在甚至可以在一台办公桌上的 NVIDIA DGX Spark 上运行，大幅降低了开展这类科学工作的算力门槛。模型可对未来污染情景进行建模，例如评估不同减排政策的效果；也可为医疗机构提供前瞻性空气质量洞察，提前提醒哮喘等患者所在地区未来一天或一周的污染风险。

未来展望：团队正在探索将模型与实时传感器网络、边缘计算结合，把预报从“事后分析”推进到“实时预警”。随着模型在英国以外地区迁移，生成式降尺度方法有望成为空气质量、气候适应和公共卫生决策的通用工具，让高分辨率环境预报不再依赖超算中心。