大気汚染、特にPM10（浮遊粒状物質）の予報は、局所的な精度と広域の空間分布の両方を同時に実現することが極めて難しいという課題を抱えていました。従来、化学輸送モデル（CTM）は広域的な格子状の予報を提供しますが、局所的なバイアスが残る傾向にありました。一方、グラフニューラルネットワーク（GNN）は監視地点での短期予報精度に優れていますが、広域的な格子状出力が得られないという限界がありました。 このたび開発されたOmniPM-Netは、Convolutional Conditional Neural Process（ConvCNP）をベースとした融合モデルで、これら二つの予報タイプを統一的な空間表現の中で調和させます。このモデルの革新的な点は、地形を考慮したガウス集合畳み込みにより、不規則に分布するGNN地点予報を規則的な格子へと変換し、その上で多段階の空間源注意モジュール（SSA）がそれをCOPERNICUS大気監視サービス（CAMS）の予報と統合するという構造です。その後、全方向型の読み出し機構により、同じ表現から108時間先までの予報期間を対象として、地点ベースでも格子ベースでも一貫したPM10予測を生成できます。 2024年を通じて中国全土の1,618の大気質監視地点で評価された結果、OmniPM-Netは地点レベルの精度でGNNベースラインと同等（平均絶対誤差は21.14対22.00 µg/m³）を示しながら、CAMS予報の平均絶対誤差を30%削減しました。特に高濃度域では90パーセンタイル値の誤差がGNNに比べ9%、CAMSに比べ25%削減され、またダスト現象時には検出スキルを向上させながら変動する空間的軌跡を追跡できることが確認されています。