【
仪表网 研发快讯】近日，《科学进展》(Science Advances)发表了武汉大学地球与空间科学技术学院教授周晨课题组的最新研究成果。研究团队利用化学信息引导的人工智能(AI)模型，成功填补了平流层羟基(OH)自由基的全球数据空白。
论文题目为“A chemistry-informed deep learning network for mitigating the stratospheric OH data gap”。武汉大学地球与空间科学技术学院博士生尹文杰为第一作者，周晨、英国利兹大学Martyn Chipperfield教授为通讯作者，英国利兹大学冯伍虎(Wuhu Feng)研究员等多位国际学者共同参与了该项研究。
羟基(OH)自由基在平流层化学中扮演着核心角色，它不仅驱动着臭氧的损耗，还主导着其他化学物种的相互转换。然而，全球OH的观测数据极为稀缺，特别是自2009年微波临边探测器(MLS)相关子系统故障后，OH的卫星观测存在严重的空白。
为破解数据断层难题，研究团队创新提出了基于化学信息引导的深度学习网络DRCAT。该工作展示了“AI for Science”在地球科学领域的巨大潜力。在缺乏直接观测的情况下，DRCAT通过结合化学先验知识与AI模型，不仅为填补OH全球观测空白提供了一条可行的途径，深化了对平流层大气化学状态的理解，也为评估大气层在极端扰动期间的化学响应提供了新工具。
该模型深度融合了图神经网络和Transformer架构，能高效挖掘相关化学物种的卫星观测数据，精准预测平流层OH垂直廓线。通过“预训练-微调”范式，模型先在模式数据集上进行预训练以学习化学规律，再用有限的真实卫星数据微调。DRCAT仅用2年实测数据，便成功重建了自2004年至今连续、高精度的全球平流层OH数据集。结果显示，DRCAT在各项指标上均显著优于传统方法。
更重要的是，该AI模型在应对极端自然事件时展现出较强的泛化能力。在2022年汤加(Hunga)火山爆发后，大量水汽注入平流层，引发了罕见的极端水汽扰动，导致OH浓度激增。对此类极端场景，传统的纯数据驱动AI模型往往会产生误判。然而，DRCAT得益于化学信息引导的“预训练-微调”机制，成功学习了由水汽等要素驱动OH生成的化学规律，精准预测了此次异常的OH浓度激增。本研究开发的可扩展架构，也为其他关键短寿命大气物种的历史数据重建和气象灾害评估提供了一个通用AI框架。
该研究由武汉大学联合了英国利兹大学等多所国际顶尖科研机构共同完成，并得到了国家自然科学基金等项目的联合资助。
本站客户服务
仪表网官微
仪表APP
仪表手机版
仪表小程序
