この研究では、PM2.5の高解像度マッピングの課題を克服するために、Spatiotemporal Physics-Guided Inference Network（SPIN）という新しいフレームワークを提案しています。従来のデータ駆動型手法は、衛星のエアロゾル光学深度（AOD）を利用していましたが、データの欠損やバイアスの影響を受けやすいものでした。SPINは、物理的な輸送と拡散プロセスをモデル化することで、深層学習にドメイン知識を統合しています。また、AODを直接の入力として使用する代わりに、損失関数内で空間勾配制約として再利用する新しいトレーニング戦略を採用しています。このアプローチにより、モデルはデータの欠損があっても衛星データから構造的な汚染パターンを学習できます。北京・天津・河北とその周辺地域で検証され、MAE値が9.52μg/m^3に達し、監視されていない地域でも物理的に妥当な汚染フィールドを生成できる新たな成果を達成しました。