一种基于深度学习的地–大气耦合模式用于高温热浪预测

为何预测致命高温至关重要

随着气候变暖，危险的热浪变得更加频繁和强烈，威胁着健康、粮食生产和电力系统。即便拥有强大的超算，预报常常无法准确把握热浪将达到的极端程度或持续时间。本研究提出了一种新的人工智能（AI）方法，它不仅关注我们头顶的大气，还纳入土壤中储存的水分和温度，从而提升对北半球短期热浪的预测精度。

地面如何与天空“对话”

当土壤湿润时，太阳能的大部分被用于蒸发水分，从而冷却地表。随着土壤变干，蒸发所消耗的能量减少，更多能量被转化为直接加热地表上方的空气。这种转变可以触发自我增强的循环：土壤越干燥，空气越炎热，升高的蒸发需求又使土壤进一步干燥，进而加剧高温。观测和既往建模研究表明，这种地–大气反馈是中北美和欧洲等地区严重热浪的主要驱动因素，但迄今大多数AI气象模型在很大程度上忽视了地面一侧的作用。

教会AI同时关注地面与大气

作者构建了一个地–大气“耦合”模型，输入来自ERA5再分析资料的气象变量（如气温、气压和风）和地面变量（多层土壤含水量与土壤温度）。该系统使用一种先压缩后重构全球天气图的卷积神经网络，训练目标是预测高达一周的每日天气状况。重要的是，与只针对次日优化模型不同，研究团队采用了“多步”训练方法：AI根据从1到7天各个预报时效的误差进行惩罚，并对近端时效赋予略高权重。这促使模型学习土壤状况与大气在几天内如何共同演变，而不是做互不关联的一天步进式预测。

更强的干土与极端高温关联

为检验AI是否真正捕捉到地–大气耦合，研究人员考察了表层土壤含水量与两项关键量：日最高气温和潜热通量（与蒸发相关的能量）之间的相关性。在观测中，干燥土壤往往伴随更热的日子和许多中纬度陆地区域的潜热减少。采用多步损失训练的耦合AI模型比用简单单步损失训练的同一架构更忠实地再现了这些模式。单步版本持续低估了土壤干燥与地表增温及蒸发之间的强关联，尤其是在蒸发通量方面，表明它错过了土壤状况对上覆空气的滞后影响。

更清晰的热浪预报及其技能来源

在热浪条件下——定义为局地最高气温超过第90百分位的日子——耦合模型显示出明显优势。在1到7天的预报期内，与仅包含大气的AI模型相比，采用多步损失训练的耦合模型在气温误差上实现了5.9%–11.2%的减小，而相同架构在单步训练下仅获得0.4%–2.4%的改进。最大增益出现在大约三天的预报期，此时土壤含水量与大尺度环流既仍然具备一定可预测性又相互加强。随着预报时效延长，大气模式变得更难预测，但土壤含水量的记忆保持更久；尤其在干土与高温紧密关联的地区，耦合模型继续从这一缓慢演变的地面状态中获得技能。

以真实热浪为试金石

研究团队还考察了两次近期的严重热浪：由地面驱动的2018年西欧事件和更由大气主导的2022年东亚热浪。在欧洲，观测显示异常干燥的土壤、增强的感热、被抑制的蒸发以及延长的极端高温。耦合模型比仅大气版本更好地捕捉到这一连串过程，现实地追踪了土壤变干、能量通量变化以及日最高和最低气温的起伏。在东亚，由中对流层放大高压脊主导的事件中，耦合模型仍然改进了气温演变，并较合理地再现了干旱的发展，尽管那里的土壤变干更多是热浪的结果而非原因。

对未来高温预警的意义

该研究表明，将地面信息与面向数日的训练策略相结合，可显著改进基于AI的热浪预报。通过明确学习缓慢变化的土壤含水量与温度如何与更快的大气变化相互作用，耦合模型更好地预见极端高温的形成与持续。尽管在湿度和降雨方面仍存在挑战，这一方法为更早、更可靠地预警危险高温和热—旱复合事件提供了有前景的路径，从而为保护人员、生态系统和基础设施争取更多时间。

引用: Cho, D., Ham, YG., Jeong, S. et al. A deep learning-based land-atmosphere coupled model for heatwave prediction. npj Clim Atmos Sci 9, 85 (2026). https://doi.org/10.1038/s41612-025-01311-6

关键词: 热浪预测, 地–大气耦合, 土壤含水量, 深度学习气象, 气候极端事件