诱发超细粉尘的氨气，将实施更严密监测！

Published 15 Sep.2025 08:56(KST)

UNIST将氨浓度观测从双周提升为逐日高分辨率

精度最高提升至1.8倍并验证空间扩展性，刊登于J. Hazard. Mater.

一种能够弥补诱发超细颗粒物的氨气浓度观测空白的人工智能技术问世。

蔚山科学技术院（UNIST）地球环境城市建设工学系 Lim Jeongho 教授研究团队15日表示，他们开发出一款能够以“天”为时间单位，精确推算大气中氨气（NH₃）浓度的人工智能模型。

研究团队，（自左起）Professor Lim Jeongho，Researcher Saman Malik，Researcher Kang Eunjin。UNIST提供

氨气主要以气体形式从农业肥料、畜禽粪便、火灾现场等排放。本身虽无害，但在大气中与硫酸或硝酸等酸性物质结合会生成超细颗粒物（PM2.5），因此，为了进行空气质量预报和制定环境政策，准确监测氨气浓度至关重要。

然而，氨气在大气中的滞留时间较短，浓度变化剧烈，加之地面观测站稀少，现有数据仅能以2周为单位提供。虽然存在通过计算来预测氨气浓度的气候模型，但由于以大范围空间为对象，各地区的预测误差较大。

研究团队基于人工智能深度神经网络，构建了可增强氨气观测频度和精度的人工智能模型。他们以欧洲中期天气预报中心（ECMWF）ERA5气候再分析资料和 IASI 卫星的氨气柱浓度作为输入值，以美国 AMoN 地面观测网数据作为真实值，对模型进行训练。

与欧洲气候模型 CAMS 相比，该人工智能模型的预测误差最高降低了1.8倍。此外，尽管该模型是以美国数据为真实值进行训练，但仍成功捕捉到了2019年英国曼彻斯特地区发生的大型火灾所导致的高浓度氨气现象。这一结果表明，该模型在空间扩展性和现场应用方面具有良好前景。

基于人工智能的氨浓度估计流程图及预测结果时间序列图。

本研究由研究员 Saman Malik 和研究员 Kang Eunjin 作为共同第一作者参与。研究团队表示：“通过计算推算地面氨气浓度的 CAMS 等气候模型在精度方面存在局限，而通过地面观测站进行实测则因数据提供周期较长，在监测方面也有明显限制。本次开发的模型可以弥补既有监测方式的不足。”

Lim Jeongho 教授强调：“该技术可直接用于以含氮污染物为对象的空气质量预报和环境管理政策制定。特别是在韩国，目前仅在有限地点开展氨气浓度监测，如果应用这项新技术，将有望构建高分辨率监测体系。”

本研究成果已于9月15日发表于环境领域权威学术期刊《有害物质期刊》（Journal of Hazardous Materials，影响因子：11.3）。

本项研究在环境部国立环境科学院以及科学技术信息通信部下属韩国研究财团的资助下完成。

本报道由人工智能(AI)翻译技术生成。