北美西部是受极端高温影响最严重的地区之一，极端高温频发引发致死率攀升、公共设施损坏、超级干旱以及严重山火频发。因此，开展美西极端高温日数的机理和预测研究兼具重要科学价值和社会意义。
朱志伟教授课题组博士生谭辉，联合上海人工智能实验室零丰华青年研究员、夏威夷大学Bin Wang教授的最新研究揭示：（1）前期4-5月平均的热带东太平洋海表温度持续性负异常（TPS）以及3至5月的副热带大西洋海表温度负异常倾向（CSA）是影响美西高温日的两个前期关键下垫面强迫。两者独立激发夏季跨太平洋大气遥相关波列，导致美西上空准正压的高压反气旋异常以及美西极端高温的形成（图1）；（2）基于对物理过程的理解以及深度学习的可解释性分析，将代表下垫面异常演变的海温倾向场作为卷积神经网络（CNN）额外的重要输入特征能够显著提升CNN对美西高温日的独立预测技巧（图2），也能够较好重现2021年美西高温日数极值。预测效果提升的关键在于CNN成功识别到了大西洋倾向性预测信号（图2b, e）。
图1 前期因子影响WEHDs的物理过程。（a）200hPa高度场（阴影）和波活动通量（矢量），（b）500hPa高度场（等值线）、风场（矢量）和海表温度（阴影），（c）850hPa高度场（等值线）、风场（矢量）和降水场（阴影）回归至TPS。（d-f）同（a-c），但为回归至CSA。打点区域表示通过90%显著性检验。
图2 卷积神经网络（CNN）的框架、预测及可解释性。（a）观测（黑线）、CNN拟合（蓝线）和独立预测（红线）的WEHDs序列。（b）CNN可解释性热力图。（c）CNN框架示意图，输入场为前期1-5月的海温、两米温度、海平面气压异常场以及5月减4月、5月减3月、4-5月平均减12-1月平均的海温、两米温度、海平面气压场。（d-e）同（a-b），但为改进后的CNN。
本研究还发现加入下垫面倾向性信号不仅可以提升CNN的预测效果，对其它机器学习模型（例如随机森林、XGBoost等）同样提升显著，这本质是因为倾向性信号包含着重要的可预报性来源。因此，物理认知对提升机器学习气候预测具有普适意义，开展基于机器学习的区域气候预测需要缜密考虑气候动力学认知。
文章信息：
Tan H, Zhu Z, Ling F, Wang B. Refine extreme hot day predictions with the sea surface temperature tendency. Geophysical Research Letters, 51, e2025GL116339 (2025). https://doi.org/10.1029/2025GL116339.
