AI驱动天气预报模型加速热浪事件的气候变化归因研究

本文创新性地将人工智能（AI）天气预报模型（AIWP）与全球气候模型（GCM）结合，提出了一种快速归因热浪（HW）事件与人为气候变化（ACC）关联的新框架。研究通过FourCastNet-v2、Pangu-Weather和混合模型NeuralGCM对四大洲典型热浪事件的分析，证明AI模型能精准预测热浪强度与空间模式，并量化ACC对事件动态的增强作用（如大气高压脊持续性）。该方法突破传统归因技术的高计算成本与延迟限制，为实时气候风险评估提供高效解决方案。

　　

引言

极端天气事件对生态系统和社会构成重大威胁，其中热浪（HW）因人为气候变化（ACC）导致的频率、强度和持续时间增加尤为突出。传统归因方法存在选择偏差、计算成本高和结果滞后等问题，限制了实时决策支持。本研究引入了一种结合人工智能（AI）天气预报模型（AIWP）与物理基础ACC估计的创新框架，旨在实现热浪事件的近实时归因分析。

方法

研究采用三种模型：纯数据驱动的FourCastNet-v2和Pangu-Weather，以及混合AI-物理模型NeuralGCM。通过伪全球增温（PGW）技术，从全球气候模型（CMIP6）中提取ACC信号，构建反事实初始条件。利用滞后集合（1-5天）生成预测，对比事实与反事实模拟的差异，量化ACC对热浪的影响。

结果

预测能力：模型在1-5天预见期内对四大热浪事件（2021年太平洋西北、2018年伊比利亚、2023年巴西和2022年印度-巴基斯坦）的温度（T850）和位势高度（Z500）预测表现良好。NeuralGCM在多数事件中偏差最小，但对2021年太平洋西北热浪的预测存在显著低估，反映该事件的低可预测性。

ACC归因信号：所有事件均显示显著的ACC增强效应，其中2018年伊比利亚热浪的ACC信号最强（1.3-1.4°C），与高压脊的空间分布一致。动态调整表明，初始大气热力学扰动贡献了主要信号，而海表温度（SST）强迫仅在巴西和印度-巴基斯坦事件中表现出区域性影响。

海洋强迫作用：NeuralGCM实验显示，SST对热浪强度的直接影响较弱，但在较长预见期（>5天）可能通过间接反馈调制大气响应。例如，巴西热浪中SST贡献约0.2°C，远低于初始条件扰动（1°C）。

讨论与结论

该框架首次实现基于AIWP的全球热浪快速归因，其优势包括：

1. 计算高效性：相比传统数值天气预报（NWP），AI模型在标准硬件上分钟级完成全球预测；

2. 动态约束：通过滞后集合平衡事件约束与信号涌现时间，避免完全自由模拟的偏差；

3. 多模型一致性：尽管架构差异，FourCastNet-v2、Pangu-Weather和NeuralGCM的ACC信号高度吻合。

局限性包括：

• 未显式处理陆地-大气反馈（如土壤湿度耦合），可能低估干旱区热浪的ACC效应；

• 纯AI模型对SST强迫的隐式学习存在事件依赖性差异。

未来方向包括开发整合辐射强迫和地表过程的下一代AIWP模型，以及扩展至热带气旋等动力主导型极端事件。该技术为《巴黎协定》损失损害机制提供科学依据，推动气候适应策略的实时优化。