气候变化下与森林雷电引发火灾相关的雷电降尺度及趋势预测

《Journal of Atmospheric and Solar-Terrestrial Physics》：Downscaling and Trend Projection of Lightning Associated with Forest Lightning-Ignited Fires under Climate Change

　　

• 开发了一种具有四维物理约束的物理一致生成对抗网络（PC-GAN），用于将CMIP6数据以物理一致的方式降尺度至0.25°分辨率。• PC-GAN在11个变量上的降尺度表现优于现有方法（PCC从0.72–0.85提升至0.91）。• 大兴安岭地区目标闪电（峰值电流<20kA的负地闪）在2100年预计增加38%（SSP2-4.5情景）和74%（SSP5-8.5情景），热点区域集中在北部山区。• 整个21世纪，情景不确定性占主导（68%–85%），凸显了排放路径对未来预测的关键作用。

## 引言

由闪电引发的森林火灾在全球范围内造成了严重的生态、财产和生命损失。随着气候变暖和厄尔尼诺等现象的影响，近年来全球雷暴和闪电活动显著增加，导致闪电引发的过火面积不断上升。在美国西部森林中，由闪电引发的野火占过火面积的绝大部分（Abatzoglou et al., 2016）。在加拿大，闪电火灾占所有森林火灾的45%，但造成了超过85%的总过火面积（Abdollahi et al., 2019）。在澳大利亚维多利亚州，1973年至2014年间，闪电引发的野火占所有森林火灾的11%，但造成了70%的过火面积。根据Cattau等人（2020）的研究，1992年至2013年间，闪电引发的野火占美国大陆野火的16%，但造成了56%的总过火面积。在这些不同地区之间，一个一致的规律显现出来：闪电火灾虽然数量少于人为火灾，但造成的过火面积却不成比例地大。在过去四十多年间，在中国黑龙江省的大兴安岭地区，闪电是近68%的野火的成因（Song et al., 2024）。在该地区，大多数由闪电引燃的火灾是由峰值电流低于20kA的负地闪（cloud-to-ground, CG）引发的（以下简称目标闪电）。全球约90%的地闪为负极性（Rakov, V. A., & Uman, M. A, 2003），而具有长持续电流（>40ms）的闪电是引燃森林可燃物的主要类型（Fuquay, D. M.）；峰值电流超过20kA的负地闪很少维持如此长的持续电流，而低电流的负闪更有可能维持足够长的持续电流以引燃细燃料（Pérez-Invernón et al., 2025）。

闪电引燃森林燃料的过程受到闪电活动与燃料湿度条件共发的关键调节。干闪电——即在落雷地点降水量低于2.5毫米时发生的地闪——构成了特别严重的火灾风险，因为缺乏湿润性降雨使得放电能量可以直接引燃地表干燥燃料。大约58%的闪电引发火灾发生在干闪电概率超过75%的地区（Chuvieco et al., 2023），凸显了降水-闪电共发在决定火灾结果中的巨大作用。气候变暖通过多种相互作用的物理途径加剧了这一风险：地表温度升高增加了大气饱和水汽压（克劳修斯-克拉珀龙标度，每升高1K约增加7%），增强了低层水分含量和对流有效位能（CAPE）；同时，地表加热使对流层低层失稳并降低了抬升凝结高度，有利于发展能够产生大量地闪的深对流云。这些热力学和动力学的变化使大气变得更暖、更湿、更不稳定——这些条件有利于更频繁且更强烈的雷暴，特别是在燃料丰富的北方森林中的干雷暴（Mishra et al., 2026）。根据IPCC第六次评估报告（AR6），持续的变暖将加剧中高纬度地区的对流灾害（Lee et al., 2021）。

耦合模式比较计划第六阶段（CMIP6）的全球气候模式（GCMs）提供了最权威的未来气候预测。然而，其空间分辨率通常较粗（100–200公里），无法分辨决定闪电生成的局部对流过程（Pineda et al., 2014; Saba et al., 2010; Schumacher et al., 2022）。因此，直接使用原始GCM输出进行区域闪电预测是不可靠的，需要降尺度技术来生成高分辨率（如0.25°）的气候场（Pineda et al., 2014; Saba et al., 2010; Schumacher et al., 2022）。

传统的统计降尺度方法如分位数映射和偏差纠正计算效率高，但难以捕捉复杂的非线性关系，且往往过度平滑空间细节（Nampak et al., 2021）。基于机器学习的随机森林和支持向量机等方法改善了非线性映射能力，但通常独立处理每个网格点，忽视了气象场的时空连续性（2020）。近年来，深度学习模型，特别是生成对抗网络（GANs），已被应用于气候降尺度。这些模型能够学习从低分辨率到高分辨率场的端到端映射，并生成具有真实空间结构的结果（Tippett et al., 2015）。然而，现有的基于GAN的降尺度方法大多关注统计相似性，而忽视了支配大气变量的基本物理定律（Wendel, 2014）。因此，生成的场可能违反基本的物理关系——例如热成风平衡或对流有效位能（CAPE）与温度-湿度剖面的之间的一致性（Rivas Soriano et al., 2019）。这种物理不一致的数据严重削弱了下游应用（如闪电预测）的可靠性（Eom & Suh, 2010）。

尽管取得了这些进展，仍存在几个关键空白。首先，现有的闪电预测研究主要关注总闪电活动，并未专门针对最易引发森林火灾的那类闪电——具有长持续电流的低电流负地闪。其次，CMIP6模式较粗的分辨率（约100–200公里）无法显式表征支配闪电生成的对流过程，而传统降尺度方法往往忽视了大气变量之间的物理一致性。第三，针对区域闪电预测，排放情景、气候模式结构差异和内部气候变率之间的定量不确定性分解很少被执行。为弥补这些空白，本研究追求三个目标：(i) 开发一种物理约束的生成对抗网络（PC-GAN），用于将CMIP6气候场以物理一致的方式降尺度至适合区域闪电预测的分辨率（0.25°）；(ii) 利用预训练的深度学习模型（PSTNet）在两种共享社会经济路径（SSP2-4.5和SSP5-8.5）下预测大兴安岭地区至21世纪末的目标闪电密度；(iii) 使用多模式、多情景集合框架，量化情景不确定性、模式不确定性和内部变率对总预测不确定性的相对贡献。总体假设为：气候变暖将系统性地增强有利于目标闪电的热力学、动力学和水分条件，导致闪电活动大幅增加，且这种增加在空间上不均匀并强烈依赖于排放轨迹。

为解决上述问题，Mostajabi等人（2019）提出了一种物理约束生成对抗网络（PC-GAN），将物理定律明确嵌入降尺度过程。PC-GAN纳入了四类物理约束：大气热力学、对流过程、地表耦合和时空演化（Mandal et al. 2024）。通过施加这些约束，PC-GAN生成的高分辨率未来气候场不仅在统计上准确，而且在物理上也是一致的。Moon和Kim（2020）揭示了温度、湿度和颗粒物对闪电密度的综合影响，Wong等人（2013）利用云顶高度作为闪电密度的预测因子。这些机器学习方法优于传统回归分析和贝叶斯集合，提高了精度。

获得高分辨率未来气候场后，采用预训练的并行时空网络（PSTNet）——一种结合ConvLSTM和Transformer的混合模型——来预测目标闪电密度。PSTNet同时捕捉气象场的时间演化和空间依赖性，提供可靠的闪电预测。所提出的框架被应用于大兴安岭地区2025–2100年期间，考虑两种共享社会经济路径（SSP2-4.5和SSP5-8.5）。此外，使用方差分解法量化情景不确定性、模式不确定性和内部气候变率对总预测不确定性的相对贡献。

## 研究区域

研究区域位于中国东北的大兴安岭，介于北纬48–54°和东经120–128°之间。该地区为冷温带大陆性季风气候，特点是冬季严寒干燥、夏季炎热多雨（Fu et al., 2018）。年平均温度为-3.5°C，无霜期范围为76至120天（Wen et al., 2021）。年平均降水量为300至450毫米。海拔范围从425米到1760米。

## PC-GAN降尺度性能验证

为评估物理约束生成对抗网络（PC-GAN）将低分辨率CMIP6数据降尺度为高分辨率气候场的有效性，设计了三组实验：消融实验（验证物理约束的必要性）、对比实验（将PC-GAN与EDSR、TimeGAN和cGAN进行比较）以及敏感性实验（评估降尺度数据对下游闪电预测任务的影响）。

## 结论

本研究旨在解决全球气候模式分辨率较粗导致难以直接驱动区域闪电预测模型的问题，并评估未来气候变化下大兴安岭地区易引发火灾的闪电活动的演变趋势。通过构建物理约束生成对抗网络（PC-GAN），将低分辨率的CMIP6未来气候情景降尺度至高分辨率（0.25°），并结合……

## CRediT作者贡献声明

刘晓东：项目管理、经费获取、概念化。周晓：撰写-审阅与编辑、监督。袁上博：撰写-审阅与编辑、数据整理。宋思达：撰写-审阅与编辑、撰写-原稿、可视化、验证、软件、方法学、数据整理、概念化。成鹏乐：资源、项目管理、经费获取。

## 未引用参考文献

Chakraborty et al., 2021; Chan et al., 2022; Chen and Guestrin, 2016; Cheng et al., 2017; Dewan et al., 2018; Doquire and Verleysen, 2013; Fuquay, 1979; García et al., 2016; Goodell et al., 2023; Ke et al., 2017; Kotroni and Lagouvardos, 2008; Lal et al., 2024; Liaw, 2002; Lundberg and Lee, 2017; Ma et al., 2005; MacNamara et al., 2020; Murugavel et al., 2014; Pérez-Invernón et al., 2025; Satpathi et al., 2023; Tinmaker et al., 2017; Tomaschek et al., 2018; Ushio et al., 2001; Yang et al., 2021.

## 利益冲突声明

我们希望将题为"预测易引发森林火灾闪电的可解释人工智能模型"的稿件提交给《大气与太阳-地球物理学杂志》（JOURNAL OF ATMOSPHERIC AND SOLAR-TERRESTRIAL PHYSICS）。本研究部分由国家重点研发计划（2023YFC3006802）和国家自然科学基金（批准号32171797）资助。我们感谢匿名审稿人投入时间和努力提高本文质量。

宋思达 | 袁上博 | 周晓 | 成鹏乐 | 刘晓东