机器学习提升北半球多地并发型热浪预测能力,揭示三大关键气候前兆
Machine learning reveals key precursors of summer concurrent compound heatwaves over the Northern Hemisphere
Wei Dong, Qi-Feng Qian, Xiao-Jing Jia, Ruo-Wen Yang
编辑推荐:北半球并发复合热浪社会经济风险日益加剧,但传统动力模式季节预报技巧不足。该研究构建可解释的树型机器学习框架,实现北半球大尺度夏季并发复合热浪提前一个季节的季节预测,预报技巧较 NCEP CFSv2 模式近乎翻倍。研究除北极信号外,新识别出热带大西洋、南印度洋海温异常的关键前兆作用;三者协同可解释 76% 的事件年际变率,前兆信号可提前 9 个月显著有效。机制上,热力异常通过削弱经向温度梯度激发出 6 波环球准静止行星波。该成果推进复合极端事件物理约束机器学习季节预报,为早期预警提供支撑。

推文配图(由AI辅助生成)
多地并发型热浪是指北半球多个相距较远地区在同一时期同时发生的极端高温事件。此类大尺度空间复合热浪可能对公共健康、农业生产、能源供应和基础设施造成叠加影响。近年来,北半球多地并发型热浪的发生频率和强度持续增加,但传统动力模式对这类低概率、跨区域极端事件的季节预测能力仍较为有限。
本研究基于1979—2021年ERA5再分析资料和人体热舒适指数(UTCI),采用XGBoost和LightGBM两种机器学习方法,构建了北半球夏季多地并发型热浪提前一个季节的预测模型,并与线性回归模型和NCEP CFSv2动力模式进行了对比。结果表明,机器学习模型能够更准确地捕捉多地并发型热浪的年际变化及其跨区域协同特征。其中,XGBoost和LightGBM预测结果与观测结果的相关系数分别达到0.80和0.75,显著高于CFSv2动力模式的0.46和线性回归模型的0.35;XGBoost的均方根误差仅为0.63,表现出更高的预测技巧。
进一步利用SHAP可解释机器学习方法,研究识别出三个影响北半球夏季多地并发型热浪的重要前兆:北极低层大气增暖、热带大西洋海表温度异常以及南印度洋海表温度异常。北极增暖是此前受到广泛关注的重要影响因素,而热带大西洋和南印度洋的海温信号则揭示了热带海洋对北半球多地并发型热浪的重要影响,尤其凸显了南印度洋这一此前关注相对不足的关键区域。由三类热力异常构建的综合指数与夏季多地并发型热浪变化的相关系数达到0.87;去除长期趋势后,相关系数仍为0.67,并且在提前约九个月时仍保持显著相关。三类前兆的协同作用可解释研究时段内北半球夏季多地并发型热浪约76%的年际变化。

图 北半球多地并发型热浪的空间分布及不同模型的预测效果
物理机制分析表明,北极、热带大西洋和南印度洋的增暖异常能够共同削弱北半球中高纬度经向温度梯度、减缓西风急流,并增强罗斯贝波活动,进而激发波数6的环全球准定常波列,在北美、北非—欧洲和南亚—东南亚等区域形成持续性异常高压,促进多地并发型热浪发生。
本研究将机器学习预测与气候动力学机制相结合,不仅提升了北半球多地并发型热浪的季节预测能力,也拓展了对其多圈层协同驱动机制的认识,为极端高温事件早期预警、粮食安全保障和气候风险管理提供了新的科学依据。
全文链接:https://www.sciencedirect.com/science/article/pii/S167492782600273X单位:云南大学地球科学学院
研究方向:极端气候事件发生机理、青藏高原与热带海洋协同影响、以及机器学习在极端气候预测与归因中的应用研究。
官网介绍:https://www.srees.ynu.edu.cn/info/1456/6692.htm
单位:浙江大学地球科学学院
研究方向:气候动力学、短期气候预测、海陆气相互作用、机器学习等。
官网介绍:https://person.zju.edu.cn/jiaxj
单位:浙江气象科学研究所
研究方向:机器学习方法气象应用
校对:邵玉娴
审核:杨雪
本文部分图片来源于网络,版权归原作者所有。
如对版权问题有疑问,请联系:accr@cma.gov.cn。
我们会尽快处理,谢谢!
声明:欢迎转载、转发。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及内容、版权和其他问题,请联系小编(微信:qxxjgzh)处理。