極端天氣研究的方法與模型2025

導(dǎo)語(yǔ)極端天氣事件會(huì)引發(fā)氣象、水文和地球物理災(zāi)害，對(duì)人類社會(huì)與經(jīng)濟(jì)構(gòu)成嚴(yán)重威脅。在全球氣候變化的背景下，這類事件的頻率、強(qiáng)度和危害在持續(xù)上升。預(yù)計(jì)到2030年，全球?qū)⒂屑s4萬(wàn)億美元的資產(chǎn)和數(shù)億人面臨極端天氣事件造成的威脅。因此，研究極端天氣事件對(duì)于風(fēng)險(xiǎn)評(píng)估、預(yù)測(cè)預(yù)警和災(zāi)害管理至關(guān)重要。本文首先介紹了極端天氣事件的基本概念，隨后回顧了目前該領(lǐng)域的主要研究?jī)?nèi)容，最后介紹了相關(guān)研究方法與模型，并討論了不同方法的優(yōu)勢(shì)與局限。關(guān)鍵詞：氣候變化，極端天氣事件，歸因分析，模擬與預(yù)測(cè)，統(tǒng)計(jì)學(xué)模型，動(dòng)力學(xué)模型，機(jī)器學(xué)習(xí)一、極端天氣事件介紹極端天氣事件是指在特定時(shí)空尺度上發(fā)生的、相對(duì)于歷史氣候狀態(tài)具有顯著異常性、概率極低但破壞性極強(qiáng)的天氣現(xiàn)象，包括極端高溫、寒潮、暴雨、干旱、臺(tái)風(fēng)、暴雪、極端風(fēng)暴、冰雹和熱浪等。通常，這些事件位于氣候變量概率分布的尾部，在統(tǒng)計(jì)意義上可定義為超出特定分位數(shù)的極端值[1]。極端天氣事件的成因復(fù)雜多樣，是多尺度氣候過(guò)程、局地地形條件、下墊面特征及人為因素共同作用的結(jié)果。從大尺度來(lái)看，極端事件常與大氣環(huán)流異常、海氣相互作用、季風(fēng)變化、遙相關(guān)現(xiàn)象密切相關(guān)。例如，厄爾尼諾事件期間，全球多地的極端降水、干旱和熱浪事件的發(fā)生概率顯著增高[1]。此外，陸面過(guò)程、局地地形等也會(huì)調(diào)節(jié)極端天氣的發(fā)生與發(fā)展[2-3]。圖1.極端事件的發(fā)展取決于有利的初始狀態(tài)、大規(guī)模驅(qū)動(dòng)因素的存在、正反饋以及隨機(jī)過(guò)程（噪聲）。這些因素的相對(duì)重要性因不同類型的極端情況而異。例如，對(duì)流風(fēng)暴等短期事件（藍(lán)色）的反饋通常與不穩(wěn)定的大氣動(dòng)力學(xué)有關(guān)，而熱浪或干旱等持續(xù)時(shí)間較長(zhǎng)的事件（紅色）通常涉及土壤水分-大氣相互作用。全球變暖等外部因素可以通過(guò)這些不同的因素影響極端事件。例如，在較暖的大氣中增加的水蒸氣會(huì)增強(qiáng)對(duì)流反饋，或者增加的表面蒸發(fā)可能會(huì)放大熱浪和干旱。(Sillmannetal.,2017)極端天氣事件不僅是自然氣候系統(tǒng)的自然變率體現(xiàn)，也越來(lái)越多地受到全球氣候變化和人類活動(dòng)的影響，其頻率、強(qiáng)度和空間分布正在發(fā)生顯著變化。近年來(lái)，極端天氣事件呈現(xiàn)出“增多、增強(qiáng)、加劇”的趨勢(shì)。根據(jù)聯(lián)合國(guó)政府間氣候變化專門委員會(huì)（IPCC）發(fā)布的多次評(píng)估報(bào)告，自20世紀(jì)中后期以來(lái)，全球范圍內(nèi)極端高溫事件的頻率顯著上升，而極端低溫事件的發(fā)生頻率則在下降。同時(shí)，極端降水事件在多個(gè)地區(qū)呈現(xiàn)增強(qiáng)趨勢(shì)，干旱和熱浪等事件的持續(xù)時(shí)間和影響范圍也在擴(kuò)大。這不僅對(duì)自然生態(tài)系統(tǒng)造成破壞，更對(duì)農(nóng)業(yè)生產(chǎn)、水資源管理、公共衛(wèi)生、能源安全和基礎(chǔ)設(shè)施帶來(lái)了嚴(yán)重威脅。此外，極端天氣事件的“復(fù)合性”特征也日益凸顯，這進(jìn)一步增加了災(zāi)害風(fēng)險(xiǎn)和應(yīng)對(duì)難度[3]。因此，深入理解極端天氣事件的發(fā)生機(jī)制、演變規(guī)律及其與氣候變化的關(guān)系，是當(dāng)前地球系統(tǒng)科學(xué)研究的重要任務(wù)，也對(duì)災(zāi)害風(fēng)險(xiǎn)管理、基礎(chǔ)設(shè)施規(guī)劃和政策制定具有重要意義。圖2.2011-2013年美國(guó)氣象學(xué)會(huì)公報(bào)中考慮的極端天氣事件。（Stottetal.,2016）二、極端天氣事件研究領(lǐng)域目前，關(guān)于極端天氣事件的研究?jī)?nèi)容，主要集中在極端天氣事件的檢測(cè)、極端天氣事件的歸因分析、極端天氣事件的模擬與預(yù)測(cè)，以及極端天氣事件的影響評(píng)估與風(fēng)險(xiǎn)分析上。2.1極端天氣事件的檢測(cè)極端天氣事件的檢測(cè)與監(jiān)測(cè)是氣候科學(xué)與防災(zāi)減災(zāi)領(lǐng)域的重要基礎(chǔ)，旨在通過(guò)科學(xué)方法識(shí)別、量化并追蹤發(fā)生在不同時(shí)空尺度上的極端事件。準(zhǔn)確的檢測(cè)不僅有助于理解極端事件的氣候背景和變化趨勢(shì)，也是進(jìn)行風(fēng)險(xiǎn)評(píng)估、歸因分析和預(yù)測(cè)預(yù)警的前提。從數(shù)據(jù)來(lái)源看，極端天氣事件的檢測(cè)主要依賴多種觀測(cè)資料，包括地面氣象站點(diǎn)觀測(cè)、遙感衛(wèi)星資料、再分析數(shù)據(jù)集以及各類專業(yè)監(jiān)測(cè)網(wǎng)絡(luò)。地面觀測(cè)數(shù)據(jù)因其時(shí)間序列長(zhǎng)、精度高，在極端溫度、降水、風(fēng)速等指標(biāo)的檢測(cè)中具有不可替代的作用。然而，在高山、極地、沙漠等數(shù)據(jù)稀缺地區(qū)，以及暴雨、風(fēng)暴、冰雪覆蓋等空間尺度較大的極端事件中，衛(wèi)星遙感和再分析產(chǎn)品提供了重要補(bǔ)充[4]。在檢測(cè)方法上，目前主要采用統(tǒng)計(jì)方法和閾值法進(jìn)行極端事件識(shí)別。統(tǒng)計(jì)方法以概率分布為基礎(chǔ)，通常通過(guò)計(jì)算氣候變量的分位數(shù)（如90%、95%、99%）來(lái)定義極端閾值[1]。例如，極端降水可定義為單日或多日累計(jì)降水超過(guò)歷史特定百分位的事件。這種基于統(tǒng)計(jì)分布的定義有助于在不同區(qū)域和氣候背景下進(jìn)行相對(duì)比較，但也面臨觀測(cè)數(shù)據(jù)完整性和時(shí)間序列長(zhǎng)度的限制。絕對(duì)閾值法則以固定數(shù)值作為極端事件的界定標(biāo)準(zhǔn)。這種方法在氣象預(yù)報(bào)和災(zāi)害應(yīng)急中應(yīng)用較多，便于公眾理解和操作，但在不同氣候區(qū)可能存在適用性偏差。此外，隨著數(shù)據(jù)科學(xué)與AI技術(shù)的發(fā)展，基于聚類分析、模式識(shí)別、深度學(xué)習(xí)等方法的智能化檢測(cè)技術(shù)逐漸涌現(xiàn)，在復(fù)雜多變量極端事件檢測(cè)中展現(xiàn)出潛力。2.2極端天氣事件的歸因分析極端天氣事件歸因是極端天氣研究的一個(gè)重要分支，旨在確定人類活動(dòng)（如溫室氣體排放）或自然因素（如火山活動(dòng)、太陽(yáng)輻射變化）對(duì)特定極端天氣或氣候事件的發(fā)生概率或強(qiáng)度的影響。當(dāng)前，極端事件的歸因研究主要分為兩大類：一是針對(duì)長(zhǎng)期氣候變化趨勢(shì)的歸因分析，評(píng)估過(guò)去幾十年中極端事件頻率、強(qiáng)度變化的驅(qū)動(dòng)因素；二是針對(duì)單個(gè)事件的“事件歸因”，分析特定事件中人類活動(dòng)的影響程度[5]。尤其是在極端事件造成嚴(yán)重災(zāi)害時(shí)，事件歸因可以快速回應(yīng)社會(huì)對(duì)“是否因氣候變化所致”的疑問(wèn)，因此近年來(lái)發(fā)展迅速。目前，歸因分析的方法體系大致可分為三類。第一類是基于統(tǒng)計(jì)模型的方法，通過(guò)歷史觀測(cè)數(shù)據(jù)分析極端事件的發(fā)生概率與長(zhǎng)期氣候因子的統(tǒng)計(jì)關(guān)系，從中推斷人類活動(dòng)對(duì)概率分布的改變。這類方法操作簡(jiǎn)便，數(shù)據(jù)驅(qū)動(dòng)性強(qiáng)，但對(duì)數(shù)據(jù)完整性、序列長(zhǎng)度要求高，且難以直接解釋物理機(jī)制。第二類是基于氣候模型模擬的方法，通過(guò)控制模擬實(shí)驗(yàn)，分別運(yùn)行包含與不包含人為強(qiáng)迫（如溫室氣體、氣溶膠排放）的氣候模型，統(tǒng)計(jì)分析兩組模擬結(jié)果中事件發(fā)生的概率差異。這種方法強(qiáng)調(diào)物理過(guò)程的可解釋性，是當(dāng)前歸因研究的主流路徑。第三類是結(jié)合統(tǒng)計(jì)與動(dòng)力學(xué)的“多方法集成”方法，通過(guò)多模型、多數(shù)據(jù)、多方法交叉驗(yàn)證，提高歸因結(jié)果的穩(wěn)健性和不確定性量化水平[6]。極端天氣事件的歸因分析也面臨一系列挑戰(zhàn)。一方面，不同氣候模式對(duì)極端事件的模擬能力存在局限，尤其是在區(qū)域尺度、短時(shí)間尺度和復(fù)雜氣候背景下，模式的不確定性較大。另一方面，事件定義、分析區(qū)域、時(shí)間窗口的選擇，也會(huì)對(duì)歸因結(jié)果造成影響[5]。2.3極端天氣事件的模擬與預(yù)測(cè)極端天氣事件的模擬與預(yù)測(cè)旨在通過(guò)數(shù)值模型和數(shù)據(jù)驅(qū)動(dòng)方法對(duì)極端事件的發(fā)生概率、空間分布、強(qiáng)度演變等進(jìn)行科學(xué)預(yù)估。這不僅是理解極端事件物理機(jī)制的重要手段，更為防災(zāi)減災(zāi)、應(yīng)急響應(yīng)、政策制定提供了科學(xué)依據(jù)。目前，極端天氣事件的模擬主要依托于氣候模式（ClimateModels）和數(shù)值天氣預(yù)報(bào)模型（NumericalWeatherPredictionModels）。在氣候尺度上，全球氣候模式和區(qū)域氣候模式通過(guò)模擬不同溫室氣體排放情景下的大氣環(huán)流、海氣相互作用、能量平衡等過(guò)程，預(yù)測(cè)未來(lái)幾十年極端高溫、極端降水、干旱、熱帶氣旋等事件的變化趨勢(shì)。研究表明，在高排放情景下，未來(lái)極端高溫事件的頻率和強(qiáng)度將大幅增加，極端降水事件在多數(shù)地區(qū)也呈現(xiàn)增強(qiáng)趨勢(shì)。數(shù)值天氣預(yù)報(bào)模型則側(cè)重于短期（小時(shí)至周尺度）極端天氣事件的預(yù)報(bào)。隨著模式分辨率和物理過(guò)程參數(shù)化方案的改進(jìn)，現(xiàn)代數(shù)值預(yù)報(bào)已能較為準(zhǔn)確模擬臺(tái)風(fēng)路徑、暴雨分布、強(qiáng)對(duì)流天氣等極端事件的發(fā)生與發(fā)展。然而，對(duì)于極端事件的精確預(yù)報(bào)仍面臨不確定性，尤其是在復(fù)雜地形、局地對(duì)流和多尺度相互作用等情境下，預(yù)測(cè)能力仍有限[1,5]。除傳統(tǒng)動(dòng)力學(xué)模型外，機(jī)器學(xué)習(xí)（MachineLearning,ML）與深度學(xué)習(xí)（DeepLearning,DL）等人工智能技術(shù)近年來(lái)在極端天氣事件模擬與預(yù)測(cè)中得到快速應(yīng)用。機(jī)器學(xué)習(xí)通過(guò)對(duì)歷史觀測(cè)數(shù)據(jù)、再分析數(shù)據(jù)和模式輸出的訓(xùn)練，可以建立非線性、多變量的預(yù)測(cè)關(guān)系，用于短時(shí)臨近預(yù)報(bào)或?qū)鹘y(tǒng)數(shù)值模式的輸出進(jìn)行后處理修正。深度學(xué)習(xí)進(jìn)一步借助復(fù)雜神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)能夠從大規(guī)模、多源異構(gòu)數(shù)據(jù)中自動(dòng)提取特征，展現(xiàn)出在模式精細(xì)化、因果關(guān)系挖掘、模式降尺度等方面的潛力。例如，基于神經(jīng)網(wǎng)絡(luò)的模型已被用于熱帶氣旋路徑預(yù)測(cè)、極端降水空間分布重建等任務(wù)[7]。圖3.使用AI進(jìn)行極端天氣事件研究的案例（干旱、熱浪、野火和洪水）。（Camps-Vallsetal.,2025）此外，統(tǒng)計(jì)-動(dòng)力學(xué)降尺度（Statistical-DynamicalDownscaling）方法也在極端事件模擬中發(fā)揮重要作用。該方法結(jié)合統(tǒng)計(jì)關(guān)系和物理模擬結(jié)果，將氣候模式的粗分辨率輸出細(xì)化為區(qū)域或局地的氣候信息，適用于評(píng)估小尺度極端事件在未來(lái)氣候中的變化風(fēng)險(xiǎn)。除了傳統(tǒng)的確定性預(yù)報(bào)，概率預(yù)測(cè)（ProbabilisticForecasting）和集合預(yù)報(bào)（EnsembleForecasting）也逐漸受到重視。這些方法通過(guò)多次運(yùn)行不同初值或參數(shù)設(shè)置的模式，輸出概率分布或不確定性范圍，為決策提供更全面的風(fēng)險(xiǎn)信息。尤其在極端事件的早期識(shí)別和應(yīng)急響應(yīng)中，概率性信息有助于平衡防災(zāi)投入與實(shí)際風(fēng)險(xiǎn)。2.4極端天氣事件的影響評(píng)估與風(fēng)險(xiǎn)分析極端天氣事件的影響評(píng)估與風(fēng)險(xiǎn)分析旨在量化極端事件對(duì)社會(huì)、經(jīng)濟(jì)、生態(tài)系統(tǒng)和基礎(chǔ)設(shè)施帶來(lái)的潛在損害，為災(zāi)害風(fēng)險(xiǎn)管理、政策制定和適應(yīng)性措施提供科學(xué)依據(jù)。隨著極端事件的頻率、強(qiáng)度和空間分布的不斷變化，系統(tǒng)化、綜合化的風(fēng)險(xiǎn)評(píng)估需求也日益增加。風(fēng)險(xiǎn)分析通常采用“風(fēng)險(xiǎn)=危險(xiǎn)性×暴露性×脆弱性”框架。危險(xiǎn)性指極端事件的發(fā)生概率和強(qiáng)度，暴露性反映受影響的人口、資產(chǎn)和基礎(chǔ)設(shè)施的空間分布，脆弱性則衡量暴露對(duì)象在極端事件中的抗沖擊能力。通過(guò)將氣候模擬數(shù)據(jù)、社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)、土地利用信息、基礎(chǔ)設(shè)施分布等多源數(shù)據(jù)進(jìn)行整合，可以實(shí)現(xiàn)對(duì)區(qū)域極端天氣風(fēng)險(xiǎn)的定量化、空間化表達(dá)[1,8-9]。在方法上，風(fēng)險(xiǎn)分析逐漸從靜態(tài)風(fēng)險(xiǎn)評(píng)估向動(dòng)態(tài)風(fēng)險(xiǎn)管理轉(zhuǎn)變。除傳統(tǒng)的統(tǒng)計(jì)分析、地理空間分析之外，基于情景模擬、蒙特卡羅分析、人工智能算法的多情景、多不確定性風(fēng)險(xiǎn)模擬技術(shù)得到廣泛應(yīng)用，能夠更好捕捉風(fēng)險(xiǎn)的動(dòng)態(tài)性和不確定性。三、極端天氣事件研究的相關(guān)模型與方法3.1統(tǒng)計(jì)學(xué)模型統(tǒng)計(jì)學(xué)模型被廣泛應(yīng)用于極端事件的檢測(cè)、歸因、模擬與風(fēng)險(xiǎn)評(píng)估中。通過(guò)基于觀測(cè)數(shù)據(jù)的統(tǒng)計(jì)方法，可以揭示極端事件的概率特征、變化趨勢(shì)以及與氣候因子的關(guān)系，為后續(xù)的物理建模與政策應(yīng)用提供重要依據(jù)。極值理論（ExtremeValueTheory,EVT）是研究極端天氣事件最經(jīng)典的統(tǒng)計(jì)方法之一。其核心模型包括廣義極值分布（GeneralizedExtremeValueDistribution,GEV）和廣義帕累托分布（GeneralizedParetoDistribution,GPD可分別用于塊極值（blockmaxima）和超閾值（peakoverthreshold,POT）分析[4,10]。EVT通過(guò)對(duì)氣候變量的極端值進(jìn)行概率建模，估計(jì)極端事件的重現(xiàn)期、極端值分布和超閾值概率。通過(guò)EVT，研究者可以計(jì)算“50年一遇”“100年一遇”等極端事件的發(fā)生概率，為基礎(chǔ)設(shè)施設(shè)計(jì)、防災(zāi)減災(zāi)提供參考?；貧w模型被廣泛用于評(píng)估長(zhǎng)時(shí)間序列中極端事件與氣候驅(qū)動(dòng)因子之間的關(guān)系。例如，采用多元線性回歸、廣義加性模型（GeneralizedAdditiveModel,GAM）等方法，可以探究極端降水事件與海表溫度、ENSO指數(shù)、北大西洋濤動(dòng)（NAO）等大尺度氣候因子的統(tǒng)計(jì)關(guān)聯(lián)。這類模型強(qiáng)調(diào)解釋性，適合從歷史觀測(cè)數(shù)據(jù)中提取經(jīng)驗(yàn)關(guān)系，為因果機(jī)制分析提供初步線索。貝葉斯框架通過(guò)引入先驗(yàn)知識(shí)與觀測(cè)數(shù)據(jù)的結(jié)合，提供了一個(gè)概率化、不確定性可量化的分析工具，近年來(lái)在極端事件研究中也被越來(lái)越多使用。特別是在數(shù)據(jù)有限、樣本稀缺的極端事件中，貝葉斯方法可通過(guò)先驗(yàn)分布借力外部信息，提升估計(jì)的穩(wěn)健性。目前，貝葉斯方法已被應(yīng)用于極端事件的變化點(diǎn)檢測(cè)、事件歸因、風(fēng)險(xiǎn)預(yù)測(cè)等領(lǐng)域，例如通過(guò)貝葉斯層次模型檢測(cè)極端事件時(shí)間序列中的突變點(diǎn)，分析極端事件頻率的階段性變化[1,11]。3.2動(dòng)力學(xué)模型動(dòng)力學(xué)模型通過(guò)對(duì)大氣、海洋和陸面系統(tǒng)的物理過(guò)程進(jìn)行數(shù)學(xué)描述和數(shù)值計(jì)算，實(shí)現(xiàn)對(duì)極端事件發(fā)生、發(fā)展和演變的模擬與預(yù)測(cè)。相比統(tǒng)計(jì)模型主要依賴觀測(cè)數(shù)據(jù)的經(jīng)驗(yàn)關(guān)系，動(dòng)力學(xué)模型強(qiáng)調(diào)從基本物理定律出發(fā)，因此具有較強(qiáng)的可解釋性和可預(yù)測(cè)性。動(dòng)力學(xué)模型的基礎(chǔ)是描述大氣運(yùn)動(dòng)的控制方程組，包括質(zhì)量守恒方程、動(dòng)量守恒方程、能量守恒方程和狀態(tài)方程等。這些非線性偏微分方程通過(guò)數(shù)值方法離散化，結(jié)合初始場(chǎng)和邊界條件求解，形成全球或區(qū)域的大氣環(huán)流模擬。在極端天氣研究中，常用的動(dòng)力學(xué)模型主要包括全球氣候模式、區(qū)域氣候模式和數(shù)值天氣預(yù)報(bào)模式。在氣候尺度上，全球氣候模式通過(guò)模擬全球尺度的海氣耦合過(guò)程、輻射平衡、能量輸送等，能夠預(yù)測(cè)未來(lái)幾十年至百年尺度下極端高溫、極端降水、臺(tái)風(fēng)頻率和強(qiáng)度等的變化趨勢(shì)[1,4]。同時(shí)，隨著模式分辨率的提升，GCMs在極端事件模擬中的表現(xiàn)得到改善，尤其在大尺度事件（如熱帶氣旋、極端高溫）模擬上更為可靠。區(qū)域氣候模式則專注于對(duì)特定區(qū)域的高分辨率模擬，能夠更好捕捉復(fù)雜地形、局地環(huán)流和小尺度對(duì)流對(duì)極端事件的影響。通過(guò)動(dòng)態(tài)降尺度技術(shù)，區(qū)域氣候模式將全球氣候模式提供的大尺度背景信息嵌套到更高分辨率的區(qū)域模式中，實(shí)現(xiàn)對(duì)極端天氣事件的細(xì)致模擬。在短期預(yù)測(cè)方面，數(shù)值天氣預(yù)報(bào)模式通過(guò)實(shí)時(shí)同化觀測(cè)資料，能夠?qū)ξ磥?lái)幾小時(shí)至數(shù)天的極端事件進(jìn)行高時(shí)效性預(yù)測(cè)。隨著超級(jí)計(jì)算能力增強(qiáng)和模式物理過(guò)程不斷完善，數(shù)值天氣預(yù)報(bào)已能較為準(zhǔn)確模擬臺(tái)風(fēng)路徑、強(qiáng)降水分布、強(qiáng)對(duì)流天氣等。然而，在一些局地突發(fā)性極端事件中，預(yù)測(cè)的不確定性依然存在。近年來(lái)，動(dòng)力學(xué)模型也開始與數(shù)據(jù)驅(qū)動(dòng)方法（如機(jī)器學(xué)習(xí)）結(jié)合，通過(guò)模式輸出的統(tǒng)計(jì)修正、誤差訂正、過(guò)程優(yōu)化等方式提升極端事件模擬能力[2,7]。例如，利用深度學(xué)習(xí)算法對(duì)模式輸出進(jìn)行偏差校正，或通過(guò)數(shù)據(jù)同化技術(shù)增強(qiáng)模式對(duì)初始條件的不確定性約束。3.3機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型隨著數(shù)據(jù)量的急劇增加和計(jì)算能力的顯著提升，機(jī)器學(xué)習(xí)（MachineLearning,ML）和深度學(xué)習(xí)（DeepLearning,DL）在極端天氣事件研究中展現(xiàn)出強(qiáng)大的潛力，逐漸成為繼統(tǒng)計(jì)模型、動(dòng)力學(xué)模型之后的新興技術(shù)路徑。通過(guò)對(duì)歷史觀測(cè)數(shù)據(jù)、再分析數(shù)據(jù)、氣候模式輸出等多源數(shù)據(jù)的訓(xùn)練，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)能夠發(fā)現(xiàn)復(fù)雜、非線性關(guān)系，實(shí)現(xiàn)極端事件的檢測(cè)、模擬、預(yù)測(cè)和歸因。在極端事件檢測(cè)方面，機(jī)器學(xué)習(xí)已被廣泛應(yīng)用于模式識(shí)別、異常值檢測(cè)等任務(wù)。例如，利用支持向量機(jī)（SVM）、隨機(jī)森林（RF）、K近鄰（KNN）等算法，通過(guò)輸入多變量氣象因子，識(shí)別出極端降水、強(qiáng)對(duì)流、熱浪等事件的時(shí)空分布。相比傳統(tǒng)統(tǒng)計(jì)方法，機(jī)器學(xué)習(xí)不依賴于特定分布假設(shè)，能夠在復(fù)雜的高維數(shù)據(jù)中自動(dòng)提取有效特征，提高檢測(cè)的靈活性和準(zhǔn)確性。在極端事件預(yù)測(cè)中，深度學(xué)習(xí)因其強(qiáng)大的特征表達(dá)能力和時(shí)空建模能力，受到越來(lái)越多關(guān)注。卷積神經(jīng)網(wǎng)絡(luò)（CNN）已被應(yīng)用于極端降水、強(qiáng)風(fēng)、熱帶氣旋等空間模式的預(yù)測(cè)，通過(guò)多層卷積操作提取空間特征，實(shí)現(xiàn)精細(xì)化空間分布預(yù)測(cè)。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、及其變體（如LSTM、GRU）則擅長(zhǎng)處理時(shí)間序列數(shù)據(jù)，能夠模擬極端事件的時(shí)間演變規(guī)律。近年來(lái)，結(jié)合CNN和RNN的混合神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)（GNN）等新興架構(gòu)也逐漸應(yīng)用于極端天氣的預(yù)測(cè)任務(wù)，展現(xiàn)出更優(yōu)的性能。圖4.深度學(xué)習(xí)模型用于極端天氣事件預(yù)測(cè)的典型案例：(a)CNN,(b)RNN。(Salcedo-Sanzetal.,2024)除了監(jiān)督學(xué)習(xí)，無(wú)監(jiān)督學(xué)習(xí)和生成模型也在極端天氣事件研究中發(fā)揮作用。通過(guò)聚類分析、自編碼器、生成對(duì)抗網(wǎng)絡(luò)（GAN）等方法，研究者能夠發(fā)現(xiàn)極端事件的潛在模式、進(jìn)行數(shù)據(jù)增強(qiáng)、合成虛擬極端事件樣本，用于風(fēng)險(xiǎn)情景構(gòu)建與模型訓(xùn)練。例如，GAN被用來(lái)生成罕見的極端降水事件樣本，彌補(bǔ)觀測(cè)記錄中極端事件樣本不足的問(wèn)題，從而提升預(yù)測(cè)模型對(duì)“尾部事件”的識(shí)別能力。在風(fēng)險(xiǎn)評(píng)估中，機(jī)器學(xué)習(xí)與深度學(xué)習(xí)也被用作多源數(shù)據(jù)融合與非線性風(fēng)險(xiǎn)建模工具。通過(guò)將氣候因子、社會(huì)經(jīng)濟(jì)數(shù)據(jù)、土地利用信息等多維數(shù)據(jù)輸入模型，機(jī)器學(xué)習(xí)能夠構(gòu)建綜合風(fēng)險(xiǎn)模型，量化不同地區(qū)、不同系統(tǒng)的極端天氣風(fēng)險(xiǎn)水平。這類數(shù)據(jù)驅(qū)動(dòng)的風(fēng)險(xiǎn)模型具有高度靈活性，能夠快速適應(yīng)不同區(qū)域、不同情景的風(fēng)險(xiǎn)分析需求。盡管機(jī)器學(xué)習(xí)與深度學(xué)習(xí)在極端事件研究中展現(xiàn)出巨大潛力，但也存在一些挑戰(zhàn)。首先，模型的“黑箱性”問(wèn)題導(dǎo)致結(jié)果的可解釋性有限，難以揭示極端事件背后的物理機(jī)制。其次，極端事件本身是“尾部事件”，樣本數(shù)量稀少，導(dǎo)致模型在極端情況的泛化能力不足。第三，模型的性能高度依賴于數(shù)據(jù)質(zhì)量與特征選擇，在數(shù)據(jù)偏差、觀測(cè)缺失等情況下，可能導(dǎo)致預(yù)測(cè)偏誤。為應(yīng)對(duì)這些挑戰(zhàn)，研究者提出了“物理引導(dǎo)的機(jī)器學(xué)習(xí)”（Physics-informedMachineLearning）、“混合建?！保℉ybridModeling）等方法。物理引導(dǎo)的機(jī)器學(xué)習(xí)通過(guò)將物理約束嵌入損失函數(shù)或模型架構(gòu)中，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)與物理機(jī)制的結(jié)合，提升模型的物理一致性與可解釋性?；旌辖t將動(dòng)力學(xué)模型輸出作為機(jī)器學(xué)習(xí)模型的輸入，實(shí)現(xiàn)模式誤差校正、下游變量預(yù)測(cè)、過(guò)程優(yōu)化等功能，兼顧數(shù)據(jù)驅(qū)動(dòng)與過(guò)程驅(qū)動(dòng)的優(yōu)勢(shì)。四、總結(jié)極端天氣事件對(duì)人類社會(huì)和自然系統(tǒng)構(gòu)成日益嚴(yán)重的挑戰(zhàn)，這也推動(dòng)其科學(xué)研究持續(xù)深入發(fā)展。本文系統(tǒng)梳理了極端事件的相關(guān)研究領(lǐng)域以及常用的研究方法和模型，突出多學(xué)科融合的重要趨勢(shì)。未來(lái)隨著高分辨率觀測(cè)數(shù)據(jù)的積累、人工智能技術(shù)的發(fā)展以及物理模型的不斷完善，對(duì)于極端天氣事件的識(shí)別精度、機(jī)理研究、預(yù)測(cè)能力和風(fēng)險(xiǎn)評(píng)估水平有望進(jìn)一步提升。構(gòu)建綜合性、智能化、可解釋的研究框架，將是實(shí)現(xiàn)極端天氣事件精細(xì)化管理與氣候風(fēng)險(xiǎn)適應(yīng)的重要方向。參考文獻(xiàn)Kafi,K.M.,Ponrahono,Z.(2024).Advancesinweatherandclimateextremestudies:asystematiccomparativereview.DiscovGeosci2,66.Stott,P.A.,Christidis,N.,Otto,F.E.L.,Sun,Y.,Vanderlinden,J.-P.,vanOldenborgh,G.J.,Vautard,R.,vonStorch,H.,Walton,P.,Yiou,P.andZwiers,F.W.(2016).Attributionofextremeweatherandclimate-relatedevents.WIREsClimChange,7:23-41.Walsh,J.E.,Ballinger,T.J.,Euskirchen,E.S.,Hanna,E.,M?rd,J.,Overland,J.E.,etal.,(2020).Extremeweatherandclimateeventsinnorthernareas:areview.EarthSci.Rev.209,103324.Zhai,P.,Zhou,B.&Chen,Y.(2018).AReviewofClimateChangeAttributionStudies.JMeteorolRes32,671–692.Salcedo-Sanz,S.,Pérez-Aracil,J.,Ascenso,G.,DelSer,J.,Casillas-Pérez,D.,Kadow,C.,...&Castelletti,A.(2024).Analysis,characterization,prediction,andattributionofextremeatmosphericeventswith