综述:机器学习用于热浪预测:环境预测因子与建模实践的全球范围综述

《Forecasting》:Machine Learning for Heatwave Prediction: A Global Scoping Review of Environmental Predictors and Modelling Practices

【字体: 大 中 小 】 时间:2026年07月25日 来源:Forecasting 4.2

编辑推荐:

  由于气候变化导致极端高温事件的频率、强度和持续时间增加,预测这些事件对于早期预警系统、公共卫生准备和气候适应策略变得至关重要,尤其是在已经遭受极端高温的世界部分地区,如热带地区。近年来,机器学习(ML)越来越多地被应用于环境和气象数据,以改进热浪和极端高温事件

  
由于气候变化导致极端高温事件的频率、强度和持续时间增加,预测这些事件对于早期预警系统、公共卫生准备和气候适应策略变得至关重要,尤其是在已经遭受极端高温的世界部分地区,如热带地区。近年来,机器学习(ML)越来越多地被应用于环境和气象数据,以改进热浪和极端高温事件的预测。本范围综述(scoping review)考察了应用机器学习技术利用环境变量进行极端高温预测的全球同行评审文献。这包括热浪预测、这些模型中使用的环境和气象预测因子,以及现有研究的地理分布。按照PRISMA-ScR指南,共有23项满足纳入标准的同行评审研究被纳入本综述。研究结果表明,在个别研究中,人工神经网络(ANN)和随机森林(RF)模型报告为高性能的最常见。然而,研究之间的直接比较受到预测目标、验证策略、提前期、热浪定义和性能指标异质性的限制。温度相关变量,特别是最高温度,被一致认为是最有影响力的预测因子。此外,证据基础高度集中在欧洲、亚洲和北美,而相对于人口而言,低中收入国家(LMICs)的代表性相对有限,尽管这些地区通常承受着气候变化和极端高温暴露的不成比例的影响。通过综合当前关于基于机器学习的热浪预测、相关环境预测因子和地理研究趋势的证据,本综述为支持开发更稳健、更具情境意识且更具全球代表性的热浪预测框架提供了见解。
2. Methods
本范围综述(scoping review)旨在识别用于预测和预报极端高温的关键环境参数和机器学习(ML)模型。采用范围综述方法,因其适用于映射异质性文献并识别研究空白。研究方案在开放科学框架(OSF)上公开,并遵循PRISMA-ScR指南进行实施。

2.1 Eligibility Criteria
纳入标准包括:研究必须使用机器学习预测极端高温时段;必须描述所用的机器学习方法或参数;必须是原创同行评审研究;语言为英语;允许室内外温度预测,前提是使用室外环境变量进行预测;无地理位置限制;无出版日期限制。排除标准包括:预测热浪对人类、植物或动物健康的影响;天气对基础设施和交通的影响;极长期天气和气候预测;海洋温度预测;极端高温以外的天气预测(如洪水、水位);与天气相关技术开发。

2.2 Information Sources and Search Strategy
在多个文献数据库(Web of Science Core Collection、ACM Digital Library、Scopus、IEEE Xplore、ScienceDirect)中进行结构化检索。2025年3月进行初步探索性检索以完善核心概念、检索词和数据库适用性,随后在2025年7月进行最终全面检索。检索词围绕四个核心组成部分:极端高温暴露、机器学习或人工智能方法、预测任务、环境或天气相关参数。使用布尔运算符、截词符和邻近运算符组合受控词汇和自由文本词,并根据每个数据库调整检索语法。Web of Science数据库的完整检索策略示例在表1中给出(略)。

2.3 Study Selection
所有检索到的记录导入Rayyan平台进行管理、去重、筛选和数据提取。初始筛选由两名审稿人独立进行,基于预定义纳入标准,分歧通过讨论和共识解决,必要时咨询第三名审稿人。符合纳入标准的记录进入全文评估,由两名审稿人使用相同标准进行。

2.4 Data Extraction and Synthesis
在Rayyan中对全文文章进行数据提取,提取数据组织在Excel表格中,由两名审稿人独立进行,然后比较和合并。提取字段包括:国家与地理覆盖范围、预测目标、热浪定义与极端高温定义、环境预测因子与非环境预测因子及衍生指数、ML模型与最佳模型、性能指标与最佳模型性能、验证方法、主要发现、研究局限性。由于ML方法和结果的异质性,未进行定量综合或荟萃分析,仅进行定性综合。详细的提取表在补充文件S2中。

3. Results
数据库检索共识别860条记录,去除83条重复后,对777条记录进行标题和摘要筛选,对83篇进行全文评估,最终23项研究纳入综述。研究选择过程在PRISMA流程图(图1,略)中展示,23项研究总结在表2(略)中,包括预测目标、关键预测因子、最佳ML模型、验证方法和主要发现。

3.1 Geographic Coverage and Study Settings
23项研究中,10项在亚洲(43.5%),涵盖印度、日本、巴基斯坦、孟加拉国、泰国和台湾;8项在欧洲(34.8%),涵盖法国、西班牙、德国、瑞士、意大利、英国及欧洲/东欧地区;4项在北美(17.4%),均在美国和加拿大;1项在澳大利亚(4.3%)。未发现来自非洲、南美洲或中美洲的研究。数据收集的行政尺度多样,包括大陆、国家、区域和城市级别。印度研究数量最多(n=4),其次为美国(n=3)、巴基斯坦(n=2)、法国(n=2)和西班牙(n=2)。

3.2 Heat-Related Prediction Targets
23项研究的ML预测目标存在差异。最常见目标是预测热浪发生或开始(n=8),其次为预测极端高温时段(无正式热浪定义,n=7)。四项研究预测连续环境空气温度,一项研究关注夜间温度模式,三项研究预测室内温度(涉及建筑环境和室内热暴露)。所有研究均利用室外环境变量作为输入,与纳入标准一致。

3.3 Heatwave and Extreme Heat Definitions Across Studies
热浪和极端高温定义存在显著异质性。10项研究使用基于百分位阈值的定义(通常为90th或95th百分位),5项使用绝对温度阈值(范围26-40°C),8项未定义离散热浪事件,而是预测连续温度变量。百分位定义中,最低持续天数从3天到6天不等。绝对阈值因气候和监管背景而异,如国家气象或职业安全标准。一项研究使用最大温度异常(≥4°C)定义极端高温。

3.4 Environmental Predictors and Derived Indices
环境预测因子包括气象变量、地表变量和大尺度气候变量,以及工程化特征。

3.4.1 Temperature and Thermal Variables
温度变量在20项研究中用作预测因子。空气温度、2米温度(T2m)或平均温度在12项研究中使用,每日最高温度(Tmax)在8项研究中作为预测输入(另在7项中作为预测目标),每日最低温度(Tmin)在3项研究中使用,卫星衍生的地表温度(LST)在3项研究中使用,室内空气温度在3项研究中使用,温度异常在4项研究中使用。热舒适和暴露指数在4项研究中使用,包括生理等效温度(PET)、太阳-空气温度、室内过热指标(TOH)和平均辐射温度(MRT)。

3.4.2 Other Environmental Predictors
湿度变量(相对湿度、露点温度、水汽压)在11项研究中使用,风速或风向在10项研究中使用,地表或海平面气压在8项研究中使用,太阳和长波辐射在5项研究中使用,降水相关变量(降雨、雪盖、海冰)在5项研究中使用,位势高度(Z200或Z500)在6项研究中使用,海表温度(SST)在4项研究中使用,土壤湿度在4项研究中使用,土地覆盖、城市形态和建筑相关变量在4项研究中使用,空气污染变量(气溶胶光学厚度AOD、黑碳BC、一氧化碳CO、颗粒物)在1项研究中使用。

3.4.3 Feature Engineering and Predictor Selection
15项研究应用了特征工程方法。滞后和时窗特征在6项研究中使用,信号分解在2项研究中使用(包括集合经验模态分解和递归图表示),空间平均或地理区域选择在5项研究中使用,主成分分析(PCA)在2项研究中使用,气候遥相关指数(如海洋尼诺指数)在2项研究中使用,物理信息特征构建在2项研究中使用。9项研究使用正式或算法预测因子选择方法(如相关性滤波、逐步回归、Sobol敏感性分析、遗传算法等),6项使用非正式或领域驱动选择,8项未报告选择过程。每项研究使用的预测因子数量从3到34个不等。

3.5 Machine Learning Approaches
23项研究应用了多种浅层、集成和深度学习模型。

3.5.1 Shallow and Ensemble Learning
每项研究评估的模型数量从1到13个不等。浅层和集成学习方法在12项研究中作为主要或最佳模型出现。随机森林(RF)是最常评估的算法(9项研究),并在4项研究中被确定为最佳。梯度提升(GB)方法(XGBoost、LightGBM、AdaBoost、CatBoost、GBM)在7项研究中报告。支持向量回归(SVR)在3项研究中评估,展示了较强的短范围性能。其他浅层方法(Lasso回归、决策树、K近邻)在2项研究中评估,并被集成方法超越。当在相同研究中进行比较时,没有单一算法始终占优,例如ARIMA在某些情况下优于所有ML模型。

3.5.2 Deep Learning Approaches
深度学习架构在13项研究中使用。人工神经网络(ANN)和MLP变体在8项研究中出现,并在6项研究中被确定为最佳。LSTM在1项研究中评估,对1-3天极端高温事件预测达到96.2%的分类准确率。CNN架构在2项研究中评估,其中概率CNN在约15天内显示正向预测技巧。图神经网络(GNN)在1项研究中评估,达到94.1%的准确率。RBFNN结合信号分解在1项研究中评估,相关系数0.75-0.94,均方根误差(RMSE)约0.9-1.7°C。

3.5.3 Validation Strategies and Performance Reporting
验证方法多样。9项研究使用训练-测试分割(通常80/20或70/30),5项使用交叉验证(CV),7项使用时间分割(保留时间顺序),3项使用直接比较,1项基于模拟分割。性能指标方面,RMSE最常用(13项研究),其次为平均绝对误差(MAE,10项研究)、R2(8项研究)、均方误差(MSE,6项研究)。相关性指标在5项研究中报告,分类准确率在3项研究中报告。其他指标包括概率技能分数、异常相关系数和热浪检测计数。

3.5.4 Model Explainability and Key Predictors
15项研究应用了可解释性方法。最常见的是基于树模型的内置特征重要性(4项研究),其次为敏感性分析(3项研究)、SHAP(2项研究)、置换重要性、Sobol全局敏感性分析和复合地图分析(各1项)。8项研究未报告正式可解释性方法。在报告预测因子重要性的研究中,近地表空气温度和湿度被一致识别为最有影响力的输入。海表温度(SST)在1项研究中贡献约70%的模型性能,500 hPa位势高度在1项研究中被识别为概率热浪预测技巧的主要驱动因素。卫星衍生的地表温度(LST)和气溶胶光学深度(AOD)在纳入遥感输入的研究中为最强预测因子。

4. Discussion
本范围综述系统地映射了ML方法在热浪和极端高温预测中的应用,纳入23项研究。研究揭示了研究背景、预测目标、热浪定义、环境预测因子和建模方法方面的显著异质性。尽管ML应用近年显著增加,但在方法一致性、预测因子多样性和实际转化方面仍存在重要空白。

4.1 Synthesis of Evidence and Key Patterns
ML方法在预测目标上存在显著异质性,包括二分类热浪分类、连续Tmax预测、环境空气温度映射和室内热条件建模。热浪定义同样不一致,部分研究使用百分位阈值,部分使用绝对阈值,部分未定义。地理分布不均,亚洲和欧洲研究占主导,非洲、南美洲等地无研究,反映研究能力和数据基础设施的结构性不平等。

4.2 Environmental Predictors, Feature Design, and Explainability Gaps
预测因子选择以温度和热变量为主,湿度、风速、气压等变量适度出现,但土壤湿度、大尺度环流指数和SST等关键变量使用不足。空气污染变量几乎缺失,非环境预测因子(如社会经济变量)有限。LMIC研究受限于粗分辨率再分析数据,而HIC研究更常使用高分辨率数据集和衍生热指数。特征工程和可解释性方面,8项研究未提供模型解释,可解释性方法多为模型内置,很少使用后验模型无关方法(如SHAP)。

4.3 Methodological Limitations in Model Development and Evaluation
模型评估范围狭窄,10项研究仅使用单一模型,9项未与任何统计或气候学基线比较。超参数调优仅在7项研究中报告,验证策略不一致,仅1项研究包含使用独立观测数据的外部验证。性能指标以RMSE和MAE为主,但尺度依赖的指标对极端事件行为提供有限洞察。

4.4 Strengths, Limitations, and Future Directions
本综述遵循PRISMA-ScR指南,系统映射了2012-2025年间23项研究,提供了方法论格局的系统描述。局限性包括仅检索英文同行评审文献、未考虑海洋热浪、未进行正式质量评估、异质性限制定量综合。未来研究方向应优先考虑LMIC区域(特别是南非),投资地面气象监测网络,应用迁移学习,探索先进时空建模(如GNN、Transformer),并开发轻量级、资源高效的ML模型用于边缘部署。

5. Conclusions
ML在热浪和极端高温预测中是一个快速发展的领域,近期研究应用了多种模型,特别是集成和神经网络方法,处理以温度为主的数据集。然而,没有单一模型始终优于其他模型,预测性能强烈依赖于数据特征、气候背景和预测目标。本综述突出关键空白,包括预测因子多样性有限、缺乏标准化评估、地理分布不均(亚洲和欧洲主导,非洲无研究)、仅1项研究使用外部验证。未来工作应优先整合多样化环境预测因子,使用时空建模方法(如CNN和RNN框架),利用多地点高分辨率数据集,并开发实时可部署的ML系统,包括适用于边缘计算的轻量级模型,以实现可扩展、低延迟的早期预警能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号