综述：通过人工智能提升气候韧性：摩洛哥城市与气候敏感部门的综合综述

《City and Environment Interactions》：Advancing climate resilience through artificial intelligence: A comprehensive review across urban and climate-sensitive sectors in Morocco

　　

本综述系统梳理了人工智能（Artificial Intelligence, AI）在摩洛哥气候韧性提升中的应用现状。研究发现，摩洛哥约90%的国土面临荒漠化威胁，近几十年来年降雨量下降15%，超过80%的领土遭受反复干旱，使其成为气候变化高度脆弱国家。研究人员通过系统检索Google Scholar、IEEE Xplore、ScienceDirect和SpringerLink四大数据库，筛选出2020至2025年间80篇聚焦摩洛哥、应用明确AI或机器学习（Machine Learning, ML）方法、以英文发表的同行评审论文。研究结果显示，农业与水资源是最受关注的应用领域，涵盖干旱评估、地下水水质预测和作物产量预估等任务；随机森林（Random Forest, RF）是最常用的算法，支持向量机（Support Vector Machine, SVM）、人工神经网络（Artificial Neural Network, ANN）和极端梯度提升（Extreme Gradient Boosting, XGB）亦被广泛采用。在气候行动取向上，多数研究聚焦于适应（adaptation）策略，如早期预警系统和资源管理优化，而减缓（mitigation）相关研究相对较少，主要集中于能源效率与可再生能源优化领域。数据集来源以卫星遥感产品（如Sentinel-2、Landsat、ERA5再分析数据）为主，评估指标常用均方根误差（RMSE）、决定系数（R2）和分类精度等。综述指出当前研究存在数据可获取性有限、模型跨区域可迁移性不足、时空数据整合困难以及模型可解释性欠缺等关键挑战，并据此提出了未来研究方向，包括加强空间分块验证、跨流域测试、不确定性量化以及推动可解释AI（Explainable AI, XAI）在气候韧性决策中的应用。

1. 1.
   引言

气候变化是当今时代面临的重大挑战之一，对全球生态系统、经济与人类生活造成严重干扰。自前工业化时期以来，全球气温已上升约1.1°C，海平面自1900年以来上升超过20厘米，极端天气事件（如洪水、热浪和干旱）的频率与强度持续增加。这些影响在中低收入国家尤为严重，凸显了加强气候韧性的全球紧迫性。欧洲、西班牙和北非等邻近地区已开始利用人工智能（Artificial Intelligence, AI）支持气候韧性建设，包括洪水预测、能源优化和气候智能农业等应用。摩洛哥地处地中海与撒哈拉交界地带，对水和农业等气候敏感部门高度依赖，约90%的国土面临荒漠化威胁，近几十年年降雨量下降15%，超过80%的领土遭受反复干旱。这些环境压力对农村贫困人口造成显著社会影响，农村地区居住着超过30%的人口，气候变化加剧了贫困、内部迁移和青年向城市流动。因此，在摩洛哥建设气候韧性不仅是环境需求，更是需要量身定制的循证解决方案的社会经济需求。本综述旨在回答以下研究问题：AI目前在摩洛哥如何被应用于增强气候变化韧性，以及在此背景下存在哪些关键机遇与挑战？综述目标包括：梳理和分类摩洛哥AI气候韧性研究文献、识别AI应用的气候敏感部门、分析所用AI技术与模型、记录数据集类型与来源、考察模型评估的性能指标、区分适应与减缓导向的解决方案，以及识别关键挑战与文献空白并提出未来方向。现有全球或区域尺度综述均未提供针对摩洛哥跨部门的AI气候韧性综合整合分析，本综述直接填补了这一关键空白。

1. 2.
   方法

研究制定了明确的纳入标准：纳入同行评审期刊论文和完整会议论文，以及少数无后续同行评审版本的技术相关预印本；时间范围为2020至2025年；仅纳入聚焦摩洛哥、应用明确AI或机器学习方法、以英文发表且直接关联气候敏感部门适应/减缓的研究。检索在Google Scholar、IEEE Xplore、ScienceDirect和SpringerLink四个数据库中进行，检索词组合包含AI模块（如"artificial intelligence"、"machine learning"、"deep learning"等）、气候韧性模块（如"climate change"、"climate resilience"、"adaptation"、"mitigation"等）和地理模块（"Morocco"或"Moroccan"）。筛选过程遵循范围综述最佳实践，经去重、标题与摘要筛选及全文审查后，最终纳入80篇文献。对每项研究系统提取出版年份、应用领域、AI/ML技术、数据类型与来源、地理范围及性能指标等关键信息。80篇文献的年度分布显示2023和2024年为产出高峰年份。研究进一步结合定性主题分析，从应用领域、AI方法、气候韧性焦点（适应与减缓对比）以及方法论信息（数据集类型与评估指标）等多个维度进行分类比较，以识别研究趋势、现有空白和未来研究方向。

1. 3.
   背景

3.1 摩洛哥的气候变化

气候变化指主要由人类活动（如化石燃料燃烧、土地利用变化和森林砍伐）导致的天气与温度长期变化。阿特拉斯山脉等山区面临生态压力，地下水补给发生变化，森林生态系统承压加剧。阿特拉斯雪松因气候导致的再生能力丧失而处于濒危物种名单。干旱在干旱和半干旱地区的强度与频率持续上升，对农业、粮食安全和水资源构成严重挑战。小麦产量对干旱事件和气候模式变化高度敏感。同时，极端降水事件引发破坏性洪水，造成基础设施损坏和人员伤亡，如盖勒敏和扎伊奥的重大洪水以及1995年乌里卡河谷洪水事件。作为南地中海地区的一部分，摩洛哥对气候变化尤为脆弱，气温持续上升影响水资源、自然生态系统和作物生产，降雨强度与时间变得更加不规则。城市生态系统和能源需求也受气候变化影响，城市日益面临热浪和洪水风险，建筑行业因能源消耗增加持续产生温室气体。总体而言，摩洛哥面临以水资源压力、气温升高、生物多样性风险和灾害风险增加为特征的复杂气候现实。

3.2 人工智能

AI正日益被认为是气候韧性建设中的有力工具，其分析复杂数据集的能力有助于更好地理解、预测和应对气候挑战。在摩洛哥，农业、水和能源部门对气候变率高度敏感，AI能够提供增强可持续性和韧性的解决方案。综述研究表明，AI通过实现精确预测、预警系统和资源优化来支持气候韧性。随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）和神经网络（Neural Networks）等模型已被应用于干旱跟踪、小麦产量预测和能源使用优化等多个领域，助力适应与减缓工作。随着气候危机的推进，将AI融入环境规划和决策变得至关重要，AI能够弥合关键信息缺口，助力摩洛哥走向气候韧性之路。

1. 4.
   综述研究概览

4.1 主要研究领域

80篇研究涵盖广泛的AI应用领域。农业和水资源是最受关注的领域，反映其在经济中的核心地位及对气候变率（如干旱和降水模式变化）的脆弱性。这些领域的研究应用AI执行干旱评估、地下水质量预测和作物/小麦产量预测等任务。其他重要领域包括：气候与气象领域应用AI改进气候预报和早期预警系统；能源部门利用AI优化可再生能源生产和提升能源效率；城市与海岸管理应用AI进行洪水风险制图和海岸脆弱性评估；环境管理与保护领域应用AI监测土地退化和植被动态；此外还有基础设施与建筑以及经济领域的研究。

4.2 适应与减缓焦点

应对气候变化通常分为适应和减缓两种策略。适应指调整以应对气候变化的预期和实际影响从而降低脆弱性，AI可通过早期预警系统、作物和小麦产量预测以及水资源管理提供支持。减缓涉及减少排放和增强温室气体汇，AI可通过优化能源消耗、监测排放或促进可再生能源采用的模型提供支持。大多数综述研究关注适应策略，这与摩洛哥应对已感受到的气候影响（水资源短缺、农业暴露和荒漠化）的迫切需求相符。少数研究关注减缓策略，主要涉及能源和城市规划部门。还有一部分研究同时针对适应和减缓。

4.3 综述研究总结

表2提供了80篇论文的结构化概览，包含出版年份、气候焦点、AI技术、使用数据集、地理范围或研究区域、性能指标以及建议的开放问题等关键属性。

1. 5.
   AI技术与应用领域

5.1 应用的AI方法

综述研究中应用了多种AI技术，最常用的方法包括随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、人工神经网络（Artificial Neural Network, ANN）和极端梯度提升（Extreme Gradient Boosting, XGB）。随机森林是最常用的算法，因其鲁棒性和强性能。神经网络和深度学习方法主要用于基于图像数据的研究。传统机器学习模型如SVM和K近邻（K-Nearest Neighbors, KNN）也常被使用，通常结合特征选择或降维等预处理技术。树集成模型的主导地位与摩洛哥气候数据集的结构特征一致：样本量中小、地形-气候-土壤-土地覆盖预测因子之间存在非线性交互、连续与分类变量混合。随机森林和提升方法能以有限预处理建模这些交互且对数据量的需求低于深度网络。当输入保留空间或时间结构（如卫星图像和多年天气序列）时，神经模型更具竞争力，但其优势取决于充足的标注数据和严格的区域外验证。摩洛哥阿特拉斯和里夫山脉的海拔梯度、沿海-内陆的鲜明对比以及从湿润北部到干旱南部的过渡造成协变量偏移，单一地点训练的模型可能无法代表其他区域。稀疏且不均匀的气象站网络进一步促使依赖卫星和再分析产品，但粗网格可能平滑地形降雨和局地极端事件。因此，模型比较应优先考虑空间分块验证、跨流域测试和不确定性报告，而非仅关注精度。

5.2 各部门应用

综述研究覆盖广泛的部门。农业部门应用AI进行作物产量预测、干旱评估和灌溉管理，例如利用随机森林和Sentinel-2影像进行小麦产量预测和橄榄树气候变化影响评估。水资源部门应用AI进行地下水水质预测、地下水潜力评估和参考蒸散量估算，涉及人工神经网络、支持向量机和长短期记忆网络（Long Short-Term Memory, LSTM）等模型。气候与气象部门应用AI改进气候预报、干旱预测和极端降雨事件分析。能源部门应用AI优化可再生能源生产（如风能、太阳能和绿氢）、提升建筑能效和优化微电网能源系统。城市与海岸管理部门应用AI进行洪水风险制图、城市洪水脆弱性评估和海岸脆弱性评估。环境管理与保护领域应用AI监测森林退化、土地覆盖变化和土壤有机碳储量。此外还有基础设施与建筑以及经济领域的研究，如交通基础设施气候脆弱性和干旱对股票市场及GDP增长的影响预测。