近年来北美西部频繁遭受极端高温危害，特别是2021年6–7月“热穹顶”极端高温事件，使得多地区打破最高气温记录5℃以上，造成近1400人死亡和数十亿美元的直接经济损失，导致公共设施损坏、超级干旱以及山火频发。提升美西极端高温日数分布的季节预测对防灾减灾具有重要意义。
我院博士生谭辉、朱志伟教授，联合夏威夷大学Tim Li和Bin Wang教授的最新研究揭示：（1）北美西部夏季极端高温日数前三模态分别表现为全区一致型、经向偶极型和西北-东南偶极型分布。三个模态中极端高温日数异常偏多均由局地准正压异常高压所致，而异常高压的形成与跨太平洋波列有关；（2）利用相同预测因子库构建针对北美西部夏季极端高温日数分布多种预测模型，基于物理机制的模型表现出比机器学习和纯统计模型更佳的独立预测效果，且对极端年份更具预测能力（图1）；（3）因子相对重要性分析显示机器学习独立预测效果不佳一是因为多数机器学习没有优先考虑具有物理意义的预测因子，二是因为一些没有明确物理意义的预测因子被机器学习赋予过高权重，导致过拟合问题（图2）。这些结果启发我们在利用机器学习进行气候预测时需关注其物理可解释性。
图1 观测PC、物理机制模型、纯统计模型和机器学习模型预测PC重构的北美西部夏季极端高温日数PCC技巧。括号中分别为训练期和独立预测期平均的PCC技巧。
图2 不同机器学习模型中预测因子（红色为物理建模所选预测因子）的相对重要性排序。
论文信息：
Tan H, Zhu Z, Li T, Wang B. Seasonal prediction of extreme high temperature days in western North America: a comparison of physics-based and machine learning models. Climate Dynamics. 64, 95 (2026). https://doi.org/10.1007/s00382-026-08100-8.