从预测到韧性：数据不平等人类世中气候极端事件的可迁移与公平人工智能

《Current Opinion in Environmental Sustainability》：From prediction to resilience: transferable and equitable AI for climate extremes in a data-unequal Anthropocene

　　

• •
  人工智能通过数据整合、学习模型和计算效率创造价值。
• •
  八道验证关卡是迭代性要求，而非僵化的流水线。
• •
  鲁棒性、可迁移性和不确定性需要分别进行测试。
• •
  公平性应在数据、性能、预警获取和效益方面进行评估。
• •
  影响转化和本地能力决定了预报是否能够赋能韧性。

章节摘要

人工智能增添了什么——以及为何验证必须超越技巧层面

近期的综述文章综合了人工智能（AI）在气候极端预测、极端事件理解和早期预警系统中的应用1, 2, 3，而预报系统涵盖中短期、次季节/季节、区域、公里尺度以及概率预报4, 5, 6, 7•, 8•, 9, 10, 11, 12, 13, 14, 15, 16。人工智能通过三个相互重叠的机制发挥作用。首先，它整合了异构的地球系统数据并学习表征8•, 9。其次，学习到的映射可以匹配

综述方法

本受邀短文综述采用结构化叙事综合方法，而非效应估计型系统综述。证据基础于2026年8月19日至9月2日期间，通过跨出版商学术网络搜索和主要出版商平台的定向搜索进行收集和更新。搜索模块将AI术语（"人工智能"、"机器学习"、"深度学习"、"基础模型"）与灾害和预报术语（"天气预报"、"气候极端事件"、"洪水"、

数据代表性与可迁移性差距

人工智能整合大规模和多模态数据的能力并不能消除数据量、覆盖范围和代表性之间的区别。DeepExtremeCubes和过程引导的遥感产品展示了如何大规模整合卫星、再分析和物理信息22, 23, 24。然而，全球降水监测仍然极不均衡，众包传感器密度也可能与社会经济优势相关联25••, 26。水文研究表明其建设性的一面

不确定性、影响，以及人工智能与韧性之间的界限

概率人工智能预报现已成为一项实质性能力，而非空缺领域。GenCast、FuXi-ENS、生成式集合模拟、直接为概率技巧训练的模型和概率降尺度均能产生分布预测或集合7•, 35•, 36, 37, 38，而基于物理的扰动方法为AI兼容集合提供了另一条途径[33]。然而，不确定性质量和可迁移性仍然是独立的验证问题：在校准方面

公平性并非下游附加项：代表性、性能和效益

我们将公平AI视为系统级要求，包含三个可分离的维度。代表性公平关注哪些环境和人群在训练和验证中被充分观测；全球雨量计差距和公民传感器覆盖中的社会经济差异说明了为何不能对此加以假设25••, 26。性能公平关注预报误差、校准或漏报率是否在服务不足地区或高脆弱性环境中出现系统性恶化；数据驱动的

在实践中运用八道验证关卡

八道关卡在它们所支持的论断强度上是有序的，而非自动化的因果工作流程。早期关卡的负面结果不会抹杀早期的科学成就，后续关卡仍可诊断性地探索；然而，第一个未获支持的关卡限制了所能提出的最强论断。例如，即使分布外性能较弱，仍可报告常规条件下的强技能，但不应将系统描述为可迁移的

研究重点与结论

该框架提出四个优先事项。首先，气候极端基准应包含强度、地理和气候态转变，并明确报告性能下降，而非将其隐藏在平均分中。其次，概率系统应同时报告尾部敏感校准和可靠性与平均技能。第三，数据集和基准应记录所代表的是谁以及什么，并在存在不平等暴露或观测能力差异时进行分层性能分析

资金来源

本工作未获得特定资金支持。

CRediT作者贡献声明

Sevim G?kalp：概念设计、方法学、调查研究、初稿撰写。Cavit Ye?ilyurt：概念设计、监督、验证、审阅与编辑。两位作者均阅读并批准了最终稿件。

撰写过程中生成式人工智能及AI辅助技术的声明

在本工作准备期间，作者使用了ChatGPT（GPT-5.6 Sol，OpenAI）辅助文献整理、手稿结构和语言润色，并使用ChatGPT中的OpenAI图像生成工具协助准备图1的初始示意图。引用来源和事实主张均已独立对照原始出版记录进行核实，所有AI辅助内容均经作者审阅并批准。作者对

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本文所报道的工作。

Sevim G?kalp|Cavit Ye?ilyurt