综述：多尺度空气质量建模的最新进展、瓶颈与展望

《Atmospheric Environment: X》：Recent progress, bottlenecks, and outlook of multiscale air quality modelling: a review

本文全面审视了区域至局地耦合空气质量建模的最新进展与挑战。综述系统探讨了尺度感知区域化学传输模型（CTM）、局部扩散与街道网络模型、计算流体力学（CFD）及机器学习（ML）等不同尺度模型的耦合策略，涵盖离线单向耦合、在线双向耦合（如Plume-in-Grid PinG、Street-in-Grid SinG）与ML增强分辨率等方法。文章重点分析了界面湍流混合、化学机制一致性、排放重叠、输入数据协调等跨尺度耦合的关键科学瓶颈，并为未来研究指明了优先方向，对提升多尺度空气质量模拟的可靠性与政策支持能力具有重要参考价值。

　　

空气污染是一个严峻的全球性健康与环境挑战，每年导致数百万人过早死亡，超过90%的人口呼吸着不符合世界卫生组织（WHO）指南的空气。污染物如臭氧（O₃）和细颗粒物（PM_2.5）不仅影响健康，还作用于气候、生态系统和粮食安全。由于大气化学和二次气溶胶形成对前体物排放（如氮氧化物）呈现非线性响应，基于过程的建模成为研究污染路径和设计有效控制策略的重要工具。

空气质量建模的不同空间尺度

空气污染过程跨越了从米尺度的街道峡谷动力学到区域及洲际传输的广泛空间尺度。没有任何单一模型类别能可靠地同时表征主导人类暴露的远距离传输和陡峭的近源浓度梯度。因此，多尺度建模势在必行。

在区域尺度，欧拉化学传输模型（CTM）是多尺度空气质量模拟的支柱，它们提供了化学自洽的区域“背景”场，以及城市、街道尺度和热点模型的边界/初始条件。近年来，CTM在与耦合相关的能力上取得了重要发展，主要包括：尺度感知网格与耦合基础设施（如可变分辨率和非结构化网格框架）、用于重叠控制和跨尺度一致性的模块化排放与化学接口，以及改善耦合输入的输出和过程更新（如更灵活的高频输出选项、基于微尺度模型修正的垂直烟羽分布方案等）。拉格朗日粒子/烟团框架则在多尺度系统中，当耦合问题是源-受体导向或需要可靠的边界/背景归因时最为有用。

在局部尺度，模型解析了街区和街道尺度的污染物梯度，这些梯度强烈受源 proximity 和建筑引起的流动畸变控制。常用于区域-局地耦合框架的局部模型家族主要包括：高斯烟羽/烟团模型、街道峡谷与街道网络模型，以及计算流体动力学（CFD）模型。高斯模型因其计算成本低，在监管和业务应用中仍被广泛使用。街道峡谷和街道网络模型已从纯粹的扩散工具发展为更兼容CTM化学和气溶胶处理的多污染物框架。CFD（通常是雷诺平均RANS或大涡模拟LES）为城市扩散提供了最高的过程保真度，因为它显式解析了建筑诱导的流动和湍流，但计算成本也最高。

机器学习（ML）方法正日益成为空气质量建模系统中跨尺度的“粘合剂”，充当过程的统计模拟器以及确定性模型上的偏差校正/降尺度层。在耦合研究中，ML通常提供超分辨率场、基于观测的校正，或用于未解析过程的快速替代模型。

空气质量模型的不同尺度耦合

离线单向耦合方法

单向耦合是指较大尺度的空气质量模型为聚焦于城市或热点区域的更精细尺度模型提供边界和背景信息的方法。在实践中，这通常意味着运行区域CTM或中尺度模型来模拟污染物的广泛空间分布，然后使用其输出作为高分辨率城市或街道尺度模型的输入。两个模型顺序执行（即“离线”），区域模型通常在局部模型域的边界提供时间分辨的污染物浓度或通量。局部模型随后在街区、街道或建筑尺度细化浓度场，考虑粗尺度模型无法解析的精细尺度过程，如复杂地形、城市冠层效应和详细排放。

离线单向耦合因其模块化和计算高效，仍然是许多多尺度空气质量研究的实用选择。一个显著的发展是将街道网络模型或高斯扩散模型与区域CTM离线耦合，以混合随时间变化的城市背景与近道路梯度。另一个活跃领域是将城市冠层模型或CFD与中尺度气象/化学模型耦合。

然而，单向耦合存在一些局限性。由于内部域的解决方案不会反馈到父CTM网格，在街道/街区尺度解析的烟羽质量和快速的城市NO-O₃滴定无法动态调整区域背景。即使不需要反馈，离线耦合也可能在界面引入误差，因为父模型和子模型通常在表面层和湍流处理、城市冠层参数化以及化学机制上存在差异。一个更实际的缺陷是排放重叠。如果交通排放同时在区域清单和局部线源模块中表示，则导入的“背景”已经包含了部分局部信号，必须进行校正以避免重复计算。此外，许多局部CFD/高斯嵌套仍然将污染物视为被动标量或依赖高度简化的NO_x–O₃化学，限制了对二次形成的评估。

在线与网格内方法

与离线方法相反，在线（交互式）或网格内（嵌入式）耦合旨在通过实现嵌套网格之间的双向交换或将子网格过程模型直接嵌入宿主CTM中，来更一致地表示跨尺度相互作用。对于双向嵌套，精细分辨率域可以通过化学和（在完全耦合系统中）气象状态的逐步更新来影响较粗的域。这是双向耦合气象-化学框架（如具有气溶胶-辐射反馈的WRF-Chem/WRF-CMAQ配置）背后的核心理念，其中内部域的气溶胶负载可以改变辐射和边界层演化，输出的污染可以影响父域的组成。

除了嵌套，网格内集成将精细尺度的扩散/化学处理嵌入欧拉网格，以便在稀释到网格尺度之前表示近源演化。一个众所周知的例子是用于点源的烟羽入网格（PinG）方法。排放被注入到一个子网格烟羽模型（高斯/拉格朗日烟团）中，允许其演化和稀释，然后在烟羽尺寸变得与网格兼容时合并回宿主CTM，从而减少人为稀释并保持质量一致性。烟团概念的自然延伸是用于城市空气质量模拟的街道入网格（SinG）方法，其中街道网络模型嵌入区域CTM的最低层，并通过基于物理的垂直传输与屋顶上方网格交换质量（通量或浓度）。这种结构使得新鲜的NO排放和快速的峡谷内化学（如O₃滴定）能够动态地与屋顶上方的背景相互作用，而不是作为静态背景边界强加。

尽管双向和网格内模型能更合理地表示跨尺度相互作用，但它们也带来了守恒约束。耦合算子必须保守地将每个物种从烟团或街道链接重新映射到欧拉网格，保持质量和物种形态。另一个挑战是稳定性和数值收敛。双向耦合模型将快速、非线性的微尺度过程与较慢的网格尺度平流和化学联系起来，如果交换应用得突然，会产生刚度，从而可能产生振荡。

机器学习提高多尺度建模分辨率

机器学习在三种与耦合相关的方式中越来越多地用于多尺度空气质量工作流程：对CTM输出进行统计降尺度/偏差校正到更精细的网格、实现大型情景集合和不确定性分析的快速替代模型/模拟器，以及在RANS/LES模型上训练的学习参数化，以提供微尺度流动/扩散影响的快速估计。

对于降尺度，许多业务系统仍然使用在CTM场加上高分辨率协变量上训练的强大的“经典”学习器。深度学习提供了替代的归纳偏差。具体来说，可微分守恒强制层的实现，通过单个因子重新缩放每个粗网格单元内预测的高分辨率 patch，使得校正后的高分辨率像素的空间平均值精确地再现粗网格输入。当预测目标不是网格化场而是受体网络时，图神经网络提供了一种自然的方式来编码传输耦合。Transformer 通过注意力捕获更长距离的时空依赖性，进一步扩展了序列建模。

除了降尺度，ML还可以模拟昂贵的CTM组件，甚至近似CTM输出，以加速筛选和敏感性研究。最近，提出了“原理/物理信息”CTM模拟器，将网络结构化为特定于过程的模块，作为提高稳定性和可解释性的一条途径，这在替代模型嵌入耦合多尺度工作流时尤其重要。

跨尺度耦合的关注点与挑战

虽然区域到局地的多尺度空气质量模型耦合带来许多好处，但仍存在一些需要确保准确性和一致性的关注点和挑战。关键关注点包括：

• •
  尺度间的物理混合：湍流混合跨越区域-局地界面通常是多尺度城市空气质量建模的主要不确定性来源，因为它控制着稀释、化学老化以及反应性物种在子网格体积和网格解析空气之间的通量。
• •
  化学机制一致性与非线性：大气化学通过可包含数万个刚性常微分方程的系统控制反应性物种的产生和损失。在跨尺度耦合模型时，三个问题至关重要。首先，CTM假设每个欧拉网格单元内瞬时、均匀混合，但在街道峡谷中，滞流和高度不均匀的排放违反了这一前提。其次，寿命为秒-分钟的物种可能在到达屋顶高度之前就发生反应或光解。第三，化学机制在区域和局地尺度之间很少保持一致。
• •
  排放或效应的重复计算：在单向“区域背景 + 局地增量”耦合中，重复计算仍然是一个结构性风险。如果区域和局地浓度场简单地叠加，则已经嵌入区域解决方案的内部域排放可能被重新引入，从而偏离绝对浓度以及（更重要的）对局部控制的边际响应。
• •
  跨多空间尺度的模型输入处理：在耦合的区域-城市-街道建模链中，性能不仅受耦合算法限制，也受尺度间传递的最弱输入限制。排放清单决定了原生物的质量、物种形成和时间分布，而气象驱动因素控制着平流、湍流混合以及二次污染物形成的化学环境。因此，多尺度可信度的关键要求不仅是“更高分辨率的输入”，而且是跨尺度一致性。
• •
  尺度一致的绿色基础设施空气动力学处理：城市植被可以通过两种相反的方式影响空气质量。首先，它可以通过增加空气动力阻力和改变湍流来减少通风，这可能会增加街道层面的污染物浓度。其次，它可以通过干沉降到树叶和树皮上清除污染物，这可能会降低浓度。哪种效应占主导地位在很大程度上取决于植被布局和气象条件。

结论与未来方向

空气污染跨越了从米尺度的近道路热点到区域传输和二次形成的尺度，因此没有任何单一模型类别能够表示这一完整范围。由于计算成本差异很大，用于政策支持和健康影响评估的模型选择应视为适合目的，取决于决策依赖于浓度场的哪个部分。

未来的进展应优先考虑可证明一致且可测试的耦合物理。双向耦合可能是必要的，但它也增加了数值和计算复杂性；该领域需要更清晰的基于状态的标准来判断何时需要双向耦合，何时单向嵌套就足够了。无论耦合方向如何，尺度界面必须被视为一个耦合的湍流-化学问题。交换应对稳定性、形态和间歇性做出响应，耦合间隔应反映传输和化学时间尺度，并且应常规诊断质量守恒以揭示不合理的耦合行为。

一个重要的科学瓶颈是跨尺度的化学一致性。CTM通常依赖保留自由基循环和多代氧化的凝聚机制，而许多业务街道尺度系统将化学简化为NO–NO₂–O₃光稳态/稳态处理或经验性的NO₂转换。解决这一问题需要明确的“化学传递”策略、针对过程相关约束的更强评估，以及不确定性感知的情景分析。

在计算上，进展可能来自自适应分辨率策略。例如，使用可变分辨率网格或仅在排放和梯度最强的区域激活嵌入式烟羽入网格/街道入网格模块，并结合机器学习替代模型来模拟最昂贵的组件，以实现大型情景集合和不确定性传播，同时不牺牲质量守恒或基本化学约束。同样的自适应逻辑可以扩展到绿色基础设施，仅在植被密度和街道峡谷暴露使其具有重要影响时激活冠层感知的流动/沉降处理。