Naukowcy opracowali OmniPMNet - model do prognozowania stężenia pyłu PM10, który łączy tradycyjne podejścia dyskretne i sieciowe w jeden system. Problem polegał na tym, że modele transportu chemicznego (CTM) dostarczają mapy przestrzenne ale z lokalnymi błędami, natomiast grafy neuronowe (GNN) dokładnie śledzą stacje monitoringowe ale nie produkują ciągłych pól przestrzennych.
OmniPMNet rozwiązuje to za pomocą warunkowej sieci neuronowej opartej na splotach. Układ wykorzystuje świadomą terenu konwolucję zbiorów Gaussa do przeniesienia nieregularnych prognoz GNN na regularną siatkę, gdzie moduł uwagi Spatial Source Attention łączy je z prognozami Copernicus Atmosphere Monitoring Service (CAMS). Wspólny mechanizm odczytu dekoduje tę reprezentację w spójne prognozy PM10 dla stacji lub komórek siatki na horyzont 108 godzin.
Ewaluacja obejmowała 1618 stacji monitorujących jakość powietrza w całych Chinach przez cały rok 2024. Model osiągnął dokładność na poziomie stacji porównywalną z mocniejszym modelem GNN (średni błąd bezwzględny 21,14 versus 22,00 ug/m3) i jednocześnie zmniejszył błąd CAMS o 30 procent. Największe wyniki uzyskano w segmencie wysokich stężeń oraz podczas epizodów pyłowych, gdzie błąd dla 90. percentyla spadł o 9 procent względem GNN i 25 procent względem CAMS.