目前，城市大气污染以PM2.5污染型与O3为主，这类空气污染物及产生的衍生物会对生态环境造成不利影响，如植被等被破坏、大气能见度下降等[1-2]。对于农业生产而言，Sampedro等[3]和Zhang等[4]研究表明，O3浓度高于植株解毒阈值上限会引起植株早衰甚至死亡，导致农作物减产。为改善、缓解环境空气污染情况，相关研究人员积极开展环境空气污染防治工作，其中利用监测数据，合理、准确预测空气质量，已成为大气污染研究领域的重要课题之一[5-6]。环境空气质量预报以及短临预测通过解析污染物时空分布规律，可为现代农业构建起从风险预警到生产优化的全链条服务。例如，O3是光化学烟雾的主要成分，会破坏植物叶片气孔功能，抑制光合作用，结合其浓度短临预报，通过动态调整设施密闭系统运行时段，可有效阻隔高浓度O3对作物的胁迫，助力单产提升。环境空气质量短临预报通过预警污染事件、可优化农事操作窗口、减少灾害损失，已成为现代农业风险管理的重要工具。
1 环境空气质量预测预报分类
环境空气质量预测按照具体的预测方法可分为潜势预测、数值预测和统计模型预测3类；按照具体的预测要素可分为污染潜势预测和污染物浓度预测，其中数值方法和统计方法均属于污染物浓度预测。
1.1 潜势预测
环境空气质量潜势预测是根据预报的气象因子预测未来出现污染天气的可能性。潜势预测仅由天气形势以及风速、大气压和相对湿度等基本气象参数决定，暂未考虑当地污染源实际的污染物排放量。其预测准确度与未来天气形势的预报精度直接相关，即当未来气象条件符合强污染天气的形成判据时，便会预报污染天气的发生。相关研究人员对空气质量潜势预测展开研究，并取得一定成果，主要为通过选取地面气象参数建立潜势预测模式，对城市的空气质量进行定性预测[8-9]。然而，潜势预测中仅考虑气象参数，导致预测结果准确度、精度较低；且潜势预测无法预测污染物定量化的数值浓度，其参考价值有限。随着电子计算机算力的快速增长，数值模式和统计模型预测预报能够弥补潜势预测的不足。
1.2 数值预测
数值预测是以大气动力学理论为基础，将大气物理与化学过程相结合，以确定未来几天污染物浓度的定量化预测方法。数值模式经历了烟流扩散模型、拉格朗日轨迹模型和欧拉网格模型，再到第三代区域多尺度空气质量模型系统Models-3/CMAQ，以及气象与污染耦合的在线空气质量模型系统模式WRF-Chem，其技术日渐成熟并广泛应用于空气质量预报、污染成因分析等多个领域。数值预报采用大气污染物输送扩散模型，利用计算机进行物质守恒方程求解，以预测污染物在时间上和空间上的浓度分布[10]。该模式同时考虑了污染物排放量、气象条件、下垫面地理特征以及污染物在大气中物理和化学行为过程，对预测对象的分析较为全面具体。数值模式在空气质量预测中应用较为广泛，可以实现大范围时空覆盖。Li等[11]利用NAQPMS系统，对极端灰霾天气进行了预测模拟研究，并对污染物进行了溯源，结果表明，该模式具有较好的预测效果。此外，该模式可以通过参数敏感性分析评估减排措施效果，助力污染治理措施优化。
数值模式的缺点主要是对数据的依赖性较强，排放清单（VOCs、NOx 源）的不确定性、气象预报误差（边界层高度）等因素会影响结果准确性，且长时间（1 h）与高空间分辨率模拟（1 km网格）需要高性能计算集群，时间与经济成本较高，限制了实时更新的频率。
1.3 统计模型预测
统计模型的缺点是过度依赖高质量标注数据，在数据稀缺地区预测中表现受限。同时，其物理可解释性较差，难以解释臭氧生成的化学机制（NOx-VOCs敏感性）或污染传输路径；且泛化能力不足，导致在极端气象条件（罕见高温、静稳天气）或排放突变时易失效，需重新训练。
综合表明，空气质量潜势预测预报在现实工作中研究与应用价值较低；而统计模型预报方法适用于污染情况较为单一或污染规律性明显的场景；数值模式预报系统是空气质量预报业务系统的核心，尤其是在中长期预测情况下准确率、稳定性高。
2 短临情况下精细化预报服务与农业生产实践路径
长期预测中数值模式具有相对较大的优势，但对于具体的污染过程中，数值模式实时更新速度慢（24 h更新1次），而统计模型更新速度快，能够做到1 h更新1次。实际应用过程中，高时间更新度的统计模型在应对污染事件中具有较高的应用价值，能够就污染过程的峰值、结束时间等关键节点向管理部门提供及时反馈。因此，如何在污染过程中及时更新未来数小时的预测结果，并提升统计模型预报的准确度与可解释性，已成为一个较为新颖的研究热点。本研究考虑将统计模型与数值模型相融合，主要涉及以下3种情况。
2.1 基于实时监测数据的统计模型动态更新
利用统计模型计算速度快的优势，将最新监测数据及时更新进模型，提高预测精度。具体而言，当数值模式预报出未来48～72 h内的污染过程后，系统将及时调用统计模型中具有本地化优势的方法，并输入最新监测数据进行实时计算与动态调整，从而有效结合最新监测数据的时效性与统计模型的快速预报能力[14]。同时，采用贝叶斯深度学习（MC Dropout、深度集成）对预测结果的置信区间进行量化，可辅助开展风险评估，并及时反馈污染峰值、污染时长等关键指标。例如，当预报未来48 h内O3浓度接近冬小麦的损伤阈值时，可向种植户推送调整灌溉时段至清晨或傍晚、喷施抗逆防护剂等措施，减少作物产量损失。
2.2 融合物理方程的统计模型机理增强
该方案是在2.1的基础上进行进一步深化加工，将物理方程（大气扩散方程）嵌入到统计模型中的深度学习网络架构（PINNs物理信息神经网络）中[15]。在深度学习时，不仅要求模型能拟合数据，还要求其满足已知的物理方程（大气扩散方程）。该方法能够弥补统计模型中的可解释性低的缺点，使得统计模型具有了一定的可解释性。这种方法既能利用统计模型的速度快与更新快等特点，又能避免违背科学常识的荒谬预测，尤其适合污染过程中的短临场景。例如，当污染物向农田扩散时，模型可通过物理方程约束快速计算污染物到达作物种植区的时间、峰值浓度及持续时长，避免纯数据驱动模型可能出现的“污染物跨区域异常漂移”等不合理预测，为种植户提供可解释、可信赖的短临指导。
2.3 基于数值模式输出的统计模型再学习驱动
将数值模式预测的结果与环境污染物浓度实测值共同作为统计模型的一个输入量，训练后得到的新模型可用于短临污染过程中的预测预报[13-15]。具体而言，数值模式将预测结果作为一个输入参数应用于统计模型，并让其通过分析数据，如过去几年的空气质量、天气数据，找出规律。该模式主要基于现行人工智能的高速发展，使得智能融合具备了可行性与操作性。该方案的核心是数值模式提供“参考答案”，尽管该答案可能不够准确，但包含了物理规律（风速大时污染物扩散快）。统计模型用深度学习方法向“参考答案”尽量接近，但同时会比较预测和实际观测值，用权重参数决定更相信数值模式还是实测数据。该方案保留了统计模型的主要优势，使其在污染相关的短临预报场景中，能持续发挥应用价值。针对二氧化硫、氟化物等对作物危害显著的污染物，模型可结合数值模式蕴含的气象扩散规律（如风速、风向对污染物传输的影响），以及农田监测站的实时污染物浓度实测值，快速输出短临预报结果。
3 结语
空气质量预报结合风速、降水预测，对农业生产具有显著的指导作用，可指导农民避开高风速时段喷洒农药（减少飘移污染）或在降水前暂停施肥（防止养分流失）。3种预测预报模式中数值模式具有稳定、准确度高、可解释性强等优点；统计模型预报具有运算量少、硬件要求低、易于操作、简单实用等优点。在具体污染过程中，统计模型在快速、精准地提供高精度短临预测预报方面，具有较高的研究与应用价值。在实际应用过程中，通过融合数值模式的物理机理优势与统计模型的短临预报特长，可形成优势互补的预测预报方案。通过实时监测数据动态更新模型、物理方程融入增强机理、数值模式输出驱动再学习等路径，既保留了统计模型运算高效、短临预测精准的核心优势，又借助物理规律和动态优化提升了模型的稳定性与可解释性，能为实际污染过程中的精细化预报提供更可靠的技术支撑。以上方案在农业生产中，可实现生产精准服务与动态响应，为农业生产提供针对性的指导意见。