切尔诺贝利和福岛灾难清楚地表明，预测空气中的放射性物质如何扩散对于核应急响应至关重要（Steinhauser等人，2014年）。特别是，必须在几分钟内获得空间浓度场数据，以支持关键决策——其中最重要的是疏散分区和避难措施（IAEA，2018年）。因此，任何有用的预测工具都必须满足双重要求：足够的物理真实性以捕捉大气传输的基本特征，以及足够快的速度以跟上紧急情况的发展。
在任何真实的核应急情况下，气象条件都不是恒定的。风速和风向会在几十分钟到几小时内发生变化，稳定性在白天对流状态和夜间稳定状态之间波动，混合层高度也会相应调整。在这种非静止条件下，污染物羽流会弯曲、分叉和扩散，这与稳态行为有很大不同。因此，我们面临的物理问题是预测在50公里范围内的地面放射性核素浓度场，且速度要适合实时应急响应。
大气扩散模型在处理气象变化的方式上存在根本差异。稳态高斯模型——从经典的高斯羽流模型（GPM）（Stockie，2011年；Holmes和Morawska，2006年；Leel?ssy等人，2018年）到监管级别的工具如AERMOD（Cimorelli等人，2005年）——假设每个建模时间段内的气象条件是恒定的来计算浓度场。当条件发生变化时，只需将新的稳态解叠加在之前的解上。这种顺序叠加在计算上是高效的，并且在其目标条件下有大量证据支持：例如，AERMOD在接近静止的气象条件下适用范围约为50公里（Perry等人，2005年）。问题在于，在释放过程中风向发生显著变化时。由于每个时间段都被独立处理，这种方法会忽略之前释放物质的平流历史。实际上，羽流的连续部分遵循自己的轨迹，羽流会弯曲和曲折——这是任何一系列直线高斯快照都无法再现的行为。我们在第4.2节中使用基于Briggs参数化（Briggs，1973年）的高斯模型和顺序叠加来量化这种失效。
拉格朗日随机粒子模型（LSPM）采取了根本不同的方法：它通过由Langevin随机微分方程控制的时变湍流速度场来追踪单个粒子（Pisso等人，2019年；Thomson，1987年）。LSPM基于Thomson的混合层理论（Thomson，1987年），能够准确捕捉风变条件下的羽流弯曲——但代价是在标准工作站上每个情景需要数百秒的计算时间，这使得它无法用于实时应用。
这种真实性与速度之间的差距促使人们开发了一系列基于机器学习（ML）的物理基础扩散模型替代方法。早期的努力主要基于稳态或准稳态假设。Qiu等人（2018年）将人工神经网络与粒子群优化和期望最大化相结合，用于有害气体扩散预测和源估计。Zerrouk等人（2026年）评估了基于TAPM（Hurley等人，2005年）输出的基于树的和循环神经网络替代方法，用于工业污染物的受体位置预测。Mendil等人（2022年）为城市应急环境中的PMSS拉格朗日模拟器构建了深度学习替代方法，每个情景限制为单一的恒定风速和风向。
越来越多的研究针对非静止条件。Fillola等人（2023年）训练了梯度提升回归树，以模拟多年真实大气变化的气象输入下的NAME拉格朗日足迹。Gunawardena等人（2021年）使用1196个成员的多物理天气集合模拟了FLEXPART-WRF Cs-137沉积场，用于核释放情景。Marcos Filho等人（2024年）应用长短期记忆（LSTM）网络预测时变气象条件下的放射性羽流轨迹。Shao等人（2024年）使用图神经网络处理瞬态城市污染物扩散。Ayoub等人（2024年）开发了一种U形傅里叶神经运算符（U-FNO），绕过了WRF天气预报和GEARN拉格朗日传输，在日本的WSPEEDI系统中实现了4000倍的加速。Dadheech等人（2025年）构建了STILT拉格朗日模型的深度学习模拟器，在实时变化的风条件下将大气传输足迹计算速度提高了650倍。
这些研究表明，ML替代方法可以显著加速大气扩散预测，包括在时变气象条件下的预测。深度学习架构是这一领域的主流方法，尽管它们通常需要大量的训练数据（数百到数千次模拟）和非平凡的计算资源进行模型开发。同时，非静止扩散也允许另一种策略：将连续释放分成时间队列，以便由物理过程解决大尺度平流，而轻量级替代方法处理每个队列内的准稳态局部扩散。这种分解避免了端到端深度学习的需求，但在ML替代方法的背景下尚未得到探索。
本文提出了一种两阶段梯度提升（TS-GB）框架，结合拉格朗日粒子追踪技术，旨在缩小这一差距：在非静止气象条件下实现高斯级别的速度（毫秒级），同时保持LSPM级别的准确性，并且训练成本远低于深度学习方法。本文做出了四项贡献：
(1)为大气扩散场的极端稀疏性设计的两阶段预测架构。第一阶段使用双重物理标准将网格点分类为零浓度区域和非零浓度区域；第二阶段通过梯度提升回归器预测非零区域内的对数浓度。这种分解解决了单阶段方法面临的严重类别不平衡问题（零到非零的比例超过10:1）。
(2)基于物理的信息特征工程：从Monin–Obukhov相似性理论（Foken，2006年；Yano和Wac?awczyk，2022年；Optis等人，2014年）和Hanna湍流参数化（Hanna等人，1984年）中提取的16个输入特征，直接将边界层物理特性编码到模型输入中。
(3)基于队列的时间分解技术，通过将连续释放分成时间队列并跟踪每个队列在变化风下的传输中心，将框架扩展到非静止条件。
(4)使用Briggs σ参数化（Briggs，1973年）与高斯羽流和Puff基线进行对照比较，从而明确了改进的来源：因为Puff基线与所提出的方法共享相同的队列平流，观察到的性能差距（R2_Puff ≤0.80 vs. R2_TS-GB > 0.93）归因于学习到的局部扩散模型，而不是传输方案。
