AirMPA：用于全球空气质量预报的气象到污染物适配器

基于摘要分析。AirMPA 面向全球大气污染物预报，提出解耦的气象到污染物自回归框架，旨在避免统一预测框架中气象变量与污染物变量的耦合限制，提高外部气象模型接入的灵活性及污染物特异性表征能力。其主要研究对象是空气质量预测，而非 EEG 或 BCI。 模型以气象场、排放先验及历史污染物浓度为输入，在 0.4° 空间分辨率和 12 小时时间分辨率下预测 13 种大气污染物。摘要说明其采用改进的 Swin-Transformer，包含 zonal release attention 与双分支融合，用于建模全球输送的连续性及异质污染物动态；具体注意力计算、分支职责、融合方式与损失函数尚未验证。 训练阶段使用 ERA5 再分析气象场作为驱动，推理阶段则直接接入外部气象模型的预报场。作者报告，该设置支持最长 5 天的稳定自回归预测。在摘要所述的 5 天预报评估中，作者报告 AirMPA 持续优于 Aurora，并在约 90% 的“污染物—预报时效”评估组合中优于 CAMS；在超过 48 小时的预报时效上，作者报告其对所有变量均优于 CAMS。这些结果不能解释为误差降低约 90%，摘要也未提供具体误差指标或逐变量数值。 需进一步核对污染物参考数据来源、训练与测试时段及划分、外部气象预报模型、基线配置，以及从再分析场切换到预报场时的误差传播。实验协议、消融及统计信息尚未验证，代码与完整复现条件也尚未验证。当前材料未建立其气象输送机制与 EEG 瓶颈的具体对应关系，因此不据此提出 BCI 迁移结论或复现实验建议。