AI专刊

前言

人工智能在大气与海洋科学中的应用: 引领未来

前言作者

谈哲敏

中国科学院院士

南京大学校长

人工智能（AI）作为一项基础性技术，正逐步渗透到各行各业和科学研究领域，对大气与海洋科学的深远影响也日益显现。AI在解决大气与海洋科学中的关键问题上展现出显著优势，这一点在天气预报（如Bi等，2023年）、气候预测（如Ham等，2019年）、基于AI的参数化方案（如Rasp等，2018年；Wang和Tan，2023年）等诸多方向均有体现。鉴于AI在大气与海洋科学中所具备的变革潜力，AAS组织本期专刊，旨在深入探讨AI在大气与海洋科学领域的应用。

本期专刊涵盖了从天气、气候到海洋科学等广泛主题，旨在提升对AI如何改变上述领域研究的认识和理解。专刊内容包含如何利用AI提高模式预报精度、如何基于AI优化数值模式、以及通过可解释性分析进行机制研究等多角度、多层次的交叉主题，有望为大气和海洋科学中的AI应用提供重要参考。

本专刊（第一部分）汇集了AI在大气和海洋科学中最新应用的研究成果，共包括14篇涉及众多研究主题的文章。

Huang等简要讨论了关于AI天气模型物理一致性的争论，阐明了物理约束在AI天气模型中的重要性，并介绍了将物理约束整合到AI模型中的方法。此外，他们强调了在线耦合AI-物理模型方法的重要性。

Lyu等和Wang Y.等分别采用监督和无监督学习技术进行ENSO预测和优化气候模型中的ENSO模拟。同时，Lin等和Wang T. Y.等使用AI模型进行机制分析，分别探讨火灾对冰雹事件的影响，研究厄尔尼诺个例低可预测性的原因。

在天气和次季节尺度上，Li等结合深度学习与物理模型以进行土壤湿度预测，而Zhou等提出了一种用于台风强度预测的物理信息约束深度学习方法。此外，Liu等利用深度学习进行雷暴大风预测，Song C. T.等提出提前一个月预测北极海冰厚度的深度学习模型，Yuan等采用深度学习模型预测海洋声速。

针对集合预报问题，Song M. M.等开发了一种新的非交叉分位回归神经网络方法，用于校正数值预报集合。此外，Zhuang等应用符号分类算法监测湍流异常，这对航空安全具有重要意义。

此外，Du和Zhang在AI和数值模式结合方面取得进展，提出一种热带太平洋风应力异常表征的深度学习方案，并将其与中间型耦合模式相结合。

这些研究成果针对大气与海洋科学的不同方向，较为深入地结合AI技术研究各自方向的科学问题，为AI方法在大气与海洋科学领域的应用提供了新的视角和重要参考。

Preface to the Special Issue: AI Applications in Atmospheric and Oceanic Science: Pioneering the Future (Part I)

Tan, Z. M. 2024: Preface to the Special Issue: AI Applications in Atmospheric and Oceanic Science: Pioneering the Future (Part I), Adv. Atmos. Sci., 41, 1279-1280.doi: 10.1007/s00376-024-4006-0.

参考文献（专刊文章以外部分）

Bi, K. F., et al., 2023: Accurate medium-range global weather forecasting with 3D neural networks. Nature, 619(7970), 533−538.

Ham, Y. G., et al., 2019: Deep learning for multi-year ENSO forecasts. Nature, 573(7775), 568−572.

Rasp, S., et al., 2018: Deep learning to represent subgrid processes in climate models. Proceedings of the National Academy of Sciences of the United States of America, 115(39), 9684−9689.

Wang, L.-Y., & Tan, Z.-M., 2023: Deep learning parameterization of the tropical cyclone boundary layer. Journal of Advances in Modeling Earth Systems, 15, e2022MS003034.

AAS AI专刊——中文导读:

Volume 41

Issue 7

Pages 1279-1462

Perspectives

Toward a Learnable Climate Model in the Artificial Intelligence Era

Huang, G., Y. Wang, Y.-G. Ham, B. Mu, W. C. Tao, and C. Y. Xie 2024: Toward a Learnable Climate Model in the Artificial Intelligence Era, Adv. Atmos. Sci., 41, 1281-1288.doi: 10.1007/s00376-024-3305-9.

摘要: 当前，人工智能（AI）迅速发展，已经在大气科学的各个领域产生了深远影响，并且不断改变和重塑着气候领域包括气候模拟和预测在内的核心问题的解决方法。但是，在这场AI驱动的变革中，气候动力学的基础作用常被忽视。通过对当前AI天气气候模型的争议以及AI和数值模式融合的分析，本文认为，未来处理气候模拟和预测等问题，应该强调AI与基础动力学之间的协同关系，而非将其视为非此即彼的选择。结合对当前AI气象大模型物理不一致性争议的分析，本文强调了更为全面、细致的动力诊断和物理约束对于AI天气气候模型发展的重要性。通过一些示例，本文展示了如何对AI模型进行动力诊断和物理约束。在AI与数值模式的融合方面，目前离线的AI参数化方案训练目标是实现该参数的全局最优，但可能无法得到相对于整个模式的全局最优解。因此，本文强调了构建双向耦合的在线AI参数化方案的重要性，并结合当前正快速发展的可微分AI模型探讨构建在线AI参数化方案的思路。此外，我们认为加强气候社群的建设至关重要，并提出了构建气候社群文化的开放、可比较、可重现（Open, Comparable, Reproducible; OCR）原则。通过物理动力学和AI的深度融合，以及开放共享的社区文化，本文相信未来可以构建出一种可学习的气候模式，既具有AI可学习可迭代的优点，又保持数值模式的物理一致性和可解释性，使得AI和物理的作用达到平衡。

关键词: 人工智能, 深度学习, 可学习的气候模式

中文介绍：

【AI专刊|特邀观点】人工智能的气候应用和浅见

Original Papers

ResoNet: Robust and Explainable ENSO Forecasts with Hybrid Convolution and Transformer Networks

Lyu, P. M., T. Tang, F. H. Ling, J.-J. Luo, N. Boers, W. L. Ouyang, and L. Bai, 2024: ResoNet: Robust and explainable ENSO forecasts with hybrid convolution and transformer networks. Adv. Atmos. Sci., 41(7), 1289−1298,https://doi.org/10.1007/s00376-024-3316-6.

摘要: 近年来, 机器学习方法在气候预测分析领域得到了越来越多的应用。已有的研究表明, 神经网络模型能够将厄尔尼诺-南方涛动(ENSO)事件的有效预测时间延长至1年半以上。然而，人们对神经网络模型预测结果的鲁棒性仍存在一些质疑。而且，因为神经网络模型结构复杂，其预测结果的科学性和可解释性仍需要挖掘。为此, 本文提出了ResoNet模型，该模型融合了卷积神经网络(CNN)和Transformer架构。CNN能够捕捉局部海温异常，而Transformer善于提取信息分析整体的位相变化。二者的结合使ResoNet能够充分描述ENSO相关的海温特征。实验结果显示, ResoNet在19个月的预测时间尺度上对ENSO指数的预测表现出色, 优于现有方法。通过应用可解释性算法进一步分析了ResoNet对厄尔尼诺和拉尼娜事件1至18个月预报的解释路径，本文发现ResoNet所依据的预测逻辑符合多种物理机制，如太平洋充放电机制、印度洋电容机制和季节足迹机制。此外，通过热力图分析，本文发现ResoNet能够捕捉到厄尔尼诺和拉尼娜演变的不对称性。本文的研究结果有望减少人们对于应用机器学习方法进行ENSO预测的质疑，并鼓励更多尝试利用人工智能方法来发现和预测气候现象。

关键词: 机器学习, 厄尔尼诺和南方涛动, 卷积神经网络, Transformer

Correcting Climate Model Sea Surface Temperature Simulations with Generative Adversarial Networks: Climatology, Interannual Variability, and Extremes

Wang, Y., and Coauthors 2024: Correcting Climate Model Sea Surface Temperature Simulations with Generative Adversarial Networks: Climatology, Interannual Variability, and Extremes, Adv. Atmos. Sci., 41, 1299-1312.doi: 10.1007/s00376-024-3288-6.

摘要: 气候模式对于理解和预估全球气候变化及其影响至关重要。然而，当前气候模式仍存在不少模拟偏差，这限制了其历史模拟的准确性和未来预估的可信度。由于内部变率的存在，模式模拟结果与观测数据无法完全一一对应，这限制了传统基于监督学习的校正方法的应用。本文基于无监督的循环一致生成对抗网络（CycleGAN）来校正通用地球系统模式（CESM2）的日海表温度（SST）模拟结果。研究结果表明，CycleGAN 不仅能校正气候态偏差，还能显著改进对厄尔尼诺-南方涛动（ENSO）、印度洋偶极子（IOD）等动力模态以及海温极值的模拟能力。CycleGAN将全球平均均方根误差（RMSE）降低了 58%，同时显著减弱了ENSO SST 异常过度西伸的偏差，该偏差是西北太平洋异常反气旋乃至东亚夏季风模拟最主要的误差来源之一，而传统方法（如quantile map）很难纠正这一模式共同偏差。此外，它还改进了对海温极值的模拟，将模态相关系数（PCC）从 0.56 提高到 0.88，将RMSE从 0.5 降低到 0.32。这种改进可能与年际、季节内和天气尺度过程的改进有关。本研究提供了一种校正全球 SST 模拟的新方法，并证明了该方法对于提升动力模态模拟能力的有效性。

关键词: 生成对抗网络, 模式偏差, 深度学习, 厄尔尼诺-南方涛动, 海洋热浪

Understanding the Low Predictability of the 2015/16 El Niño Event Based on a Deep Learning Model

Wang, T. Y., P. Huang, and X. K. Yang 2024: Understanding the Low Predictability of the 2015/16 El Nio Event Based on a Deep Learning Model, Adv. Atmos. Sci., 41, 1313-1325.doi: 10.1007/s00376-024-3238-3.

摘要: 2015/16年的强El Niño事件是过去100年的El Niño事件中强度排名前三，但在2015年夏季之前，大多数动力模式都未能准确的预测这一事件。追寻这一强El Niño事件较低的可预报性的成因，有助于我们了解超级El Niño事件发生发展的机制、提高未来的预测技巧。本研究采用深度学习模型归因算法，研究与该事件形成中的关键因素。深度学习模型基于21个CMIP6模型historical模拟进行训练，以预测Niño3.4指数，并使用积分梯度算法来识别影响Niño3.4演变的关键信号，之后逐步在输入的初始条件中去除这些关键信号以验证它们在预测中的作用。本研究有效地证实了传统归因研究中揭示的诱发本次超级El Niño的关键信号，还确定了热带北大西洋和南太平洋海温异常对本次事件演变和强度的综合贡献，并揭示了它们与北太平洋之间相互作用对本次事件的影响。本研究提出的深度学习模型及归因方法也适用于其他El Niño事件，可高效地揭示El Niño事件发生发展的前兆信号。本研究表明，深度学习方法不仅可用于预测极端气候事件，也有助于深入揭示极端气候事件发生发展的成因。

Enhancing Deep Learning Soil Moisture Forecasting Models by Integrating Physics-based Models

Li, L., Y. J. Dai, Z. W. Wei, W. Shangguan, N. Wei, Y. G. Zhang, Q. L. Li, and X.-X. Li 2024: Enhancing Deep Learning Soil Moisture Forecasting Models by Integrating Physics-based Models, Adv. Atmos. Sci., 41, 1326-1341.doi: 10.1007/s00376-023-3181-8.

摘要: 准确的土壤湿度预测至关重要。由于对地表过程表征不准确等原因，基于物理模型的土壤湿度预测表现出较大的不确定性。尽管近期深度学习模型被广泛应用于土壤湿度预测，但由于缺乏物理信息，在中期预报中很少有深度学习模型能够提供令人满意的效果。我们开发了混合预报模型，能有效地将物理模型的预报信息融合到深度学习模型中，从而改进土壤湿度预测。首先，我们基于注意力机制，在不同的时空尺度上充分融合深度学习和物理模型各自的优势。并进一步结合不同混合方案的优势，构建了集合的混合预报模型。为验证所提出的模型，我们在中国区域内将 GFS 的土壤湿度预报融合入ConvLSTM模型，进行 1-16 天的土壤湿度预测。结果表明，我们所提出的混合预报模型在不同的预报时间尺度、不同土壤条件以及干旱极端事件预报中均为最优模型。我们提出的混合模式可以有效改进中期土壤湿度的预报，并能为利用物理模型信息改进深度学习预报提供可靠的范例。

关键词: 土壤湿度预报, 混合模型, 深度学习, 注意力机制, 卷积长短期记忆模型

A Deep Learning Approach for Forecasting Thunderstorm Gusts in the Beijing–Tianjin–Hebei Region

Liu, Y. Q., L. Yang, M. X. Chen, L. Y. Song, L. Han, and J. F. Xu 2024: A Deep Learning Approach for Forecasting Thunderstorm Gusts in the BeijingTianjinHebei Region, Adv. Atmos. Sci., 41, 1342-1363.doi: 10.1007/s00376-023-3255-7.

摘要: 雷暴大风是京津冀地区暖季常见的一种灾害性强对流天气，对其准确预报具有重要意义。目前，雷暴大风的预报主要依赖于基于阵风系数的传统方法，预报准确率较低，已有的人工智能预报方法使用数据也较为单一。本文基于北京城市气象研究院（IUM）的多源长时间序列格点预报数据，采用深度学习方法，在京津冀地区开展雷暴大风的预报方法研究。首先，基于雷达反射率因子、闪电位置和自动气象站（AWS）1小时极大风速，提出了一种次公里级（500米）网格分辨率的雷暴大风格点判断标准，并依据此标准筛选出2021至2023年期间34个雷暴大风日。然后，在TransUnet基础之上，融合子像素卷积和通道注意力机制，提出雷暴大风TransUnet（TG-TransUnet）模型，将雷暴大风的预报问题转化为深度学习中的“图像到图像”问题，实现了雷暴大风未来1至6小时的短时临近预报。试验结果分析表明，TG-TransUnet模型对于雷暴大风预报效果最好。

关键词: 雷暴大风, 深度学习, 天气预报, 卷积神经网络, transformer

ST-LSTM-SA: A New Ocean Sound Velocity Field Prediction Model Based on Deep Learning

Yuan, H. X., Y. Liu, Q. H. Tang, J. Li, G. X. Chen, and W. X. Cai 2024: ST-LSTM-SA: A New Ocean Sound Velocity Field Prediction Model Based on Deep Learning, Adv. Atmos. Sci., 41, 1364-1378.doi: 10.1007/s00376-024-3219-6.

摘要: 海洋原位观测的不足对海洋的实时信息获取提出了挑战。海洋声速作为一个重要的水声环境参数，具有显著时空变化且与海洋研究密切相关。本研究提出了一种新的数据驱动方法，利用深度学习技术预报声速场。我们新的时空预报模型，ST-LSTM-SA，结合了时空长短期记忆 (Spatiotemporal Long Short-Term Memory, ST-LSTM)和自注意力机制以能够精确实时预报声速场。为了规避观测数据有限的问题，我们通过迁移学习技术，首先使用再分析数据集训练模型，然后微调模型使用原位分析数据进行训练，以获得最终的预测模型。通过使用历史12个月份的声速场作为输入，我们的模型可以预报随后三个月的声速场。在2019年至2022年的测试实验中，我们比较了五种模型的性能，包括人工神经网络(Artificial Neural Networks, ANN)、长短期记忆(Long Short-Term Memory, LSTM)、卷积长短期记忆(Convolutional LSTM)、ST-LSTM和我们提出的ST-LSTM-SA。结果显示，ST-LSTM-SA模型在时间和空间维度上的预报精度和稳定性均表现出显著的优势。ST-LSTM-SA模型不仅可以准确预报海洋声速场，也为其他海洋环境变量的时空预报提供了有益的参考。

关键词: 声速场, 时空预报, 深度学习, 自注意力

Assessments of Data-Driven Deep Learning Models on One-Month Predictions of Pan-Arctic Sea Ice Thickness

Song, C. T., J. Zhu, and X. C. Li 2024: Assessments of Data-Driven Deep Learning Models on One-Month Predictions of Pan-Arctic Sea Ice Thickness, Adv. Atmos. Sci., 41, 1379-1390.doi: 10.1007/s00376-023-3259-3.

摘要: 近年来，深度学习方法逐渐被应用到北极海冰密集度（SIC）的相关预测任务中，但针对更大时空尺度的研究相对较少，这主要是由于观测和再分析数据的时间覆盖范围有限。与此同时，海冰厚度（SIT）的深度学习预测尚未得到广泛关注。本研究基于ConvLSTM和全卷积U-net（FC-Unet）算法搭建了两个数据驱动的深度学习模型，并利用CMIP6历史模拟进行迁移学习，再利用再分析/观测数据进行微调训练。这些模型可以对北极SIT进行月预测，而无需考虑其中涉及的复杂物理过程。分季节和地区对预测技巧进行综合评估的结果表明，使用更多源的CMIP6数据进行迁移学习，以及引入多个气候变量作为预测因子，有助于获得更好的预测结果，尽管两个深度学习模型都能有效预测SIT异常的时空特征。对于FC-Unet模型，其预测的SIT异常与再分析数据的空间相关性在所有预报月份中平均可达89%，而时间异常相关系数在绝大多数情况下接近1。此外，在预测极端事件期间的SIT和海冰范围（SIE）时，搭建的预测模型也表现出了强劲的性能。综上，本研究使用的深度迁移学习模型在预测北极SIT方面的有效性和可靠性，有助于获得更准确的泛北极预测，进而应用于气候变化研究和实时商业应用。

关键词: 北极海冰厚度, 深度学习, 时空序列预测, 迁移学习

A Physics-informed Deep-learning Intensity Prediction Scheme for Tropical Cyclones over the Western North Pacific

Zhou, Y. T., R. F. Zhan, Y. Q. Wang, P. Y. Chen, Z.-M. Tan, Z. P. Xie, and X. W. Nie 2024: A Physics-informed Deep-learning Intensity Prediction Scheme for Tropical Cyclones over the Western North Pacific, Adv. Atmos. Sci., 41, 1391-1402.doi: 10.1007/s00376-024-3282-z.

摘要: 热带气旋（TC）强度变化涉及复杂的物理过程，其准确预报是当前TC业务预报中一项重要的挑战。本文结合最新提出的TC增强理论（称为基于能量的动力系统模型EBDS）和长短时记忆（LSTM）神经网络，研制了一个针对西北太平洋（WNP）的TC强度预报新方法。在TC增强理论中，TC强度变化受到TC系统内部动力学和各种环境因子的共同控制，这些环境因子的作用可用环境动力效率表示。基于1982-2017年的TC最佳数据集和全球再分析数据，使用LSTM神经网络来预训练EBDS模型中的环境动力效率。进一步，基于2017-2021年美国国家环境预报中心全球预报系统（GFS）预报的环境因子，利用迁移学习和集成方法来微调模型。最后将预报的环境动力效率迭代到EBDS方程中来预报TC强度。使用再分析数据和GFS预报数据对该方法预报的TC强度进行评估。结果表明，除了72小时预报，新方法的强度预报较中国气象局（CMA）的官方预报和其它主流的统计及动力预报更优。特别是对于96小时和120小时预报，新方法的预报误差更小，相比官方预报有超过30%的改进。

关键词: 热带气旋, 西北太平洋, 强度预报, EBDS, LSTM

U-Net Models for Representing Wind Stress Anomalies over the Tropical Pacific and Their Integrations with an Intermediate Coupled Model for ENSO Studies

Du, S. Y., and R.-H. Zhang 2024: U-Net Models for Representing Wind Stress Anomalies over the Tropical Pacific and Their Integrations with an Intermediate Coupled Model for ENSO Studies, Adv. Atmos. Sci., 41, 1403-1416.doi: 10.1007/s00376-023-3179-2.

摘要: 厄尔尼诺-南方涛动（ENSO）是热带太平洋海气耦合系统中最显著的气候变率信号，国际上已开发了许多动力和统计模式用于模拟和预测ENSO事件。在一些简单的海气耦合模式中，海表温度（SST）异常与风应力（）异常之间的关系可以通过统计方法来构建，如奇异值分解（SVD）等。近年来，人工智能（AI）在气候模式研究方面展现出广阔的应用前景，AI模型与动力模式的融合也是备受关注的研究方向。在本研究中，我们构建了表征热带太平洋海表温度异常（SSTA）与风应力异常之间非线性关系的U-Net模型（），并用其代替中间型耦合模式（ICM）中基于SVD构建的模型，形成一个与AI融合的新型ICM，简称ICM-UNet。所构建的ICM-UNet成功再现热带太平洋海区海洋和大气异常场的时空变化。在个例研究中，我们利用模型得到的风应力异常场来强迫ICM的海洋部分（IOM），所得到的模拟结果也能够合理地表征典型的厄尔尼诺事件。这些结果表明，在ENSO模拟研究中，将AI模型与基于物理的动力模型进行融合是可行的。此外，海洋动力模型与基于AI的大气风应力模型的成功融合也为海气相互作用的研究提供了一种新方法。

关键词: U-Net模型, 风应力异常, ICM, 人工智能与物理模式的融合

Non-crossing Quantile Regression Neural Network as a Calibration Tool for Ensemble Weather Forecasts

Song, M., and Coauthors 2024: Non-crossing Quantile Regression Neural Network as a Calibration Tool for Ensemble Weather Forecasts, Adv. Atmos. Sci., 41, 1417-1437.doi: 10.1007/s00376-023-3184-5.

摘要: 尽管集合数值天气预报已趋于成熟，但其发布的预报仍存分散不足的问题。因此，使用预报校准工具变得越来越受普遍。在这些工具中，分位数回归在灵活性和预测性能方面均具有很强的竞争力。然而，分位数回归往往伴随着分位数交叉问题，其极大限制了分位数回归校准预报的可解释性。为此，本研究提出一种无交叉分位数回归神经网络，用于将集合数值天气预报校准为一组具有可靠性且无交叉的分位数预报。所提出的无交叉分位数回归神经网络的总体设计原则是在传统的分位数神经网络结构之上额外添加一层隐藏层，该层通过一个元素为正的上三角权值矩阵在最后一层隐藏层与输出层的节点之间施加非递减映射。本文以太阳辐照度为例，采用所提出的无交叉分位数回归神经网络对欧洲中期天气预报中心所发布的七个站点的四年集合辐照度预报进行校准，同时设置多种对比模型，包括最先进的深度学习模型以及其他无交叉模型。正式且严格的预报验证表明，相较于所有的对比模型而言，通过无交叉分位数回归神经网络后处理得到的预报在满足可靠度的同时取得最佳的锐度。此外，所提出的无交叉分位数回归方法简单且通用，具有广泛的适用性，可以与诸多浅层与深度学习神经网络相结合。

关键词: 集合天气预报, 预报校准, 无交叉分位数回归神经网络, CORP可靠性图, 后处理

Detection of Turbulence Anomalies Using a Symbolic Classifier Algorithm in Airborne Quick Access Record (QAR) Data Analysis

Zhuang, Z. B., K. Y. Lin, H. Y. Zhang, and P. W. Chan 2024: Detection of Turbulence Anomalies Using a Symbolic Classifier Algorithm in Airborne Quick Access Record (QAR) Data Analysis, Adv. Atmos. Sci., 41, 1438-1449.doi: 10.1007/s00376-024-3195-x.

摘要: 随着气候变化和航空业的发展，与空气湍流相关的风险加剧，因此监测和减轻这些威胁以确保民航安全势在必行。涡流耗散率（EDR）在民航领域已被确立为量化湍流大小的标准指标。本研究旨在探索一种基于遗传编程的普遍适用的符号分类方法，以使用快速访问记录器（QAR）数据检测湍流异常。本文将大气湍流的检测被视为异常检测问题。实验比较评估表明，本方法在识别湍流的准确率与直接EDR计算方法相当。此外，在不同机器学习算法的比较中，本文所采用的方法在目前取得了最好的效果。总之，使用符号分类方法能够从QAR数据中准确检测湍流，与既定的EDR方法水平相当，并优于所用于对比的机器学习算法。这一发现展现了将符号分类器集成到湍流监测系统中以提高民航安全性的潜力，尤其是在当前气候变化加剧和民航运营风险不断增加的情况下。

关键词: 湍流检测, 符号分类, QAR数据

Machine Learning Analysis of Impact of Western US Fires on Central US Hailstorms

Lin, X., J. Fan, Y. Zhang, and Z. Hou 2024: Machine Learning Analysis of Impact of Western US Fires on Central US Hailstorms, Adv. Atmos. Sci., 41, 1450-1462.doi: 10.1007/s00376-024-3198-7.

摘要: 火灾（包括野火）会危害空气质量， 以及交通、通信和公用事业等基本公共服务。这些火灾还可能影响大气条件，包括温度和气溶胶，从而可能影响到强对流风暴。在此，我们使用机器学习（ML）方法，随机森林（RF）和极端梯度提升（XGB）模型，研究了在过去20年（2001年至2020年）美国西部（WUS）火灾对美国中部（CUS）大冰雹（尺寸：≥ 2.54厘米）发生的远程影响。所开发的RF和XGB模型在预测WUS火灾和CUS冰雹风暴同时发生的准确率很高（90%），F1-分数高达0.78，尤其是在四个州（即怀俄明州WY，南达科他州SD，内布拉斯加州NE和堪萨斯州KS）。从这两个ML模型中确定的关键变量包括火灾地区的气象变量（温度和湿度）、传输路径上的西风以及火灾的特征（即最大火力和燃烧面积）。这些研究结果证实了WUS火灾与CUS的恶劣天气之间的联系，印证了我们之前用详细物理模型对案例进行模拟的研究结果。

关键词: 野火, 对流风暴, 冰雹风暴, 机器学习

《大气科学进展(英)》(Advances in Atmospheric Sciences，简称AAS)——中国大气科学领域学术水平最高的英文期刊之一，1984年创刊，1999年被SCI收录。最新影响因子6.5，JCR 一区。

AAS主要发表大气和海洋科学领域的创新性研究成果，刊登气候学、大气物理学、大气化学、大气探测、气象学、天气学、数值天气预报、海洋-大气相互作用、人工影响天气和应用气象学等各主要分支学科的国际最新创造性论文和研究进展的综合评述。AAS积极扩展栏目，除学术论文外，还设有数据描述文章、会议报告（特邀）、学科亮点(News&Views)（特邀）、展望（Perspectives）（特邀）及有关大气科学领域研究进展的讨论等。

AAS由国际气象学和大气科学协会（IAMAS）中国委员会、中国科学院大气物理研究所、中国气象学会主办，由Springer和科学出版社共同出版，是国际IAMAS的合作期刊。来自9个国家、36个专业科研机构的60多位优秀责编全程监督审稿过程。

更多信息，欢迎登录AAS官方网站了解：

http://www.iapjournals.ac.cn/aas