人工智能在沙尘暴研究中的应用：系统综述与文献计量分析（1990–2025）

《Atmospheric Environment》：Artificial Intelligence in Sand and Dust Storm Research: A Systematic and Bibliometric Review (1990–2025)

　　

研究人员对1990年至2025年间人工智能（AI）在沙尘暴（SDS）研究中的应用进行了系统综述和文献计量分析。通过对822篇出版物的分析，识别出SDS–AI研究中的主要研究趋势、贡献者和研究热点。研究表明，AI方法已从浅层机器学习（machine learning, ML）演变为深度学习（deep learning, DL）及混合物理信息（physics-informed）框架。多源数据融合显著提升了沙尘暴的检测、监测和预报性能。可解释性与可业务化的人工智能系统是未来沙尘暴研究的重点方向。

**论文解读：人工智能在沙尘暴研究中的系统综述与文献计量分析（1990–2025）**

**一、研究背景与问题**

沙尘暴（sand and dust storm, SDS）是风将地表沙尘卷入大气、导致大气浑浊度的天气现象，每年约20亿吨风成沙尘进入大气，约90%源自自然源、10%来自人为活动。SDS不仅影响局地能见度和空气质量，还通过改变辐射收支、云微物理过程、生物地球化学循环以及与区域和全球气候相互作用，成为地球系统的关键组成部分。远距离输送的矿物粉尘可携带盐类、有毒金属、微生物和人为污染物，加剧源区和受纳区公众健康风险。超过150个国家受SDS直接影响，100多个国家被列为非沙尘源区。

过去二十年，地基和卫星遥感系统在沙尘气溶胶观测方面取得了显著进展，如AERONET太阳光度计网络、MODIS被动卫星传感器及CALIPSO激光雷达等。然而，AI方法在应对异质地表、云污染和验证不足所致的反演不确定性问题上的应用仍未被充分探索。

近年来，人工智能（artificial intelligence, AI）、机器学习（machine learning, ML）和深度学习（deep learning, DL）成为分析非线性、高维和多源地球观测数据的强有力工具。然而，AI在SDS研究中的应用文献仍分散于大气科学、遥感、环境工程、计算机科学等多个学术共同体中，缺乏整合的视角来审视方法选择、数据来源和模型性能的演进过程。为此，本研究通过系统综述与文献计量分析，旨在揭示该领域的文献计量结构、研究主题、方法轨迹以及AI驱动的SDS预报模型向业务化早期预警系统过渡的现状与未来方向。

**二、研究设计与主要技术方法**

研究人员遵循PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）指南，在Web of Science核心合集中使用布尔检索式系统检索1990年至2025年间的相关文献，经语言、出版年、文献类型和撤稿状态等筛选并去重后，获得822篇文献用于文献计量分析。随后，研究人员采用VOSviewer（版本1.6.20）和CiteSpace（6.4.r1）进行宏观文献计量分析，涵盖年度发文趋势、国家/机构分布和关键词共现网络等指标。在此基础上，依照PRISMA流程将822篇文献按涌现期、成长期和成熟期三个发展阶段逐级筛出84篇文献进行定性内容分析，并对全部822篇文献的摘要进行基于频率的内容分析以归纳环境变量、观测平台和ML算法。

**三、研究结果**

**4.1 Emergence / Exploration Stage（涌现/探索阶段）**

在这一阶段，沙尘和颗粒物预报研究以计算、统计和物理模型为基础。McKendry（2002）测试了人工神经网络（artificial neural network, ANN），如多层感知机（multi-layer perceptron, MLP），发现其在复杂地形下PM₁₀/PM_2.5预测方面的表现与线性回归相近。Barnum等（2004）将CARMA和MM5模型与TOMS卫星及地面数据关联，用于72小时沙尘预报。Tao等（2002）利用历史天气数据构建模式识别模型以识别触发沙尘暴的大气环流。该阶段确认了AI用于SDS研究的可行性，但模型以统计和浅层结构为主。

**4.2 Growth / Gradual Stage（成长/渐进阶段）**

该阶段是从可行性演示向稳健AI架构的关键过渡。研究人员采用标准反向传播神经网络（BPNN）用于区域SDS预报，引入Elman循环神经网络捕捉气象时序中的序列依赖，并采用自适应神经模糊推理系统（ANFIS）在局地预测中获得优于传统ANN和多元回归的性能。为解决沙尘事件罕见导致的类别不平衡问题，概率神经网络（PNN）、支持向量机（support vector machine, SVM）和随机森林（random forest, RF）等方法显著优于传统最大似然分类器；SMOTE采样技术用于纠正不平衡偏差。数据方面，MODIS热红外波段被用于弥补光学传感器在夜间和亮地表上检测的不足，卫星气溶胶光学厚度（aerosol optical depth, AOD）与地面监测及轨迹模型融合以增强预测稳健性。集合卡尔曼滤波（EnKF）被用于减小化学传输模式偏差，自组织映射（SOM）用于划分PM₁₀–AOD关系的天气尺度天气类型。研究还验证了激光雷达和太阳光度计协同观测对垂直沙尘廓线表征的必要性。定量分析显示，约75%的研究采用AI模型，60%的研究使用卫星遥感数据，中国占55%。

**4.3 Maturity / Rapid Growth Stage（成熟/快速增长阶段）**

当前阶段以从浅层ML向深度学习（DL）架构和端到端特征提取的决定性转变为特征。Deep Feature Gaussian Processes（DFGP）被引入以缓解云污染影响；生成对抗网络（GAN）实现了下一帧沙尘运动和动态序列建模；U-Net及其变体被广泛用于基于CALIOP等卫星数据的云和气溶胶分类，Transformer模块用于改善全局上下文表征。模型算法呈现多样化，时间卷积网络（TCN）与LSTM对比凸显了序列感知建模的优势；XGBoost、RF和循环神经网络（RNN）被用于城市尺度沙尘预报。高频静止轨道卫星如FY-4A和Himawari-8实现了小时级气溶胶和PM分类；多尺度建模从全球堆叠式PM估计延伸至局地衰减预测。物理约束被重新引入AI框架：混合算法将前向辐射传输模拟嵌入ML流程以提高反演物理一致性，物理信息自组织映射（PISOM）用于气候模拟中的风成沙尘参数化。定量综合显示，约90%的研究采用深度学习或集成方法，大约70%的研究依赖高频静止轨道观测和多传感器融合策略，中国约50%、中东约25%。

**5.1 机器学习算法：趋势与转变**

ML算法经历了从涌现期的MLP等基础模型，到成长期的SVM、PNN、RF、ANFIS，再到成熟期以XGBoost、堆叠集成等为主的演进。SVM在粉尘识别中准确率超过97.5%；XGBoost的R²最高达0.96，RF的R值达0.91。研究指出，模型复杂度与可解释性之间仍有权衡，“黑箱”问题突出，算法开发存在明显地理偏差。

**5.2 深度学习架构：从CNN到Transformer**

DL架构在成熟期快速增长，卷积神经网络（CNN）在图像检测中实现0.998的分类准确率；CNN–BiLSTM混合模型增强沙尘轨迹监测；基于注意力机制的U-Net+Transformer提升了云-气溶胶分类精度；GAN实现下一帧预测。Transformer模型如DustReal在短期沙尘预报中与MERRA-2数据达到高相关；AI-DUST集成图注意力机制，威胁评分比业务模型高27%。物理信息神经网络（PINN）和物理引导迁移深度神经网络（PT-DNN）分别在稀疏数据下保证AOD反演物理一致性和提升高分辨率精度。但高计算成本是实时业务化部署的挑战。

**5.3 数据来源：从地面站到静止卫星**

数据集成从涌现期依赖稀疏地面观测，演变为成熟期的高频静止卫星、再分析资料与多源融合。MODIS是最常用的卫星数据源，其次是激光雷达、AERONET、Himawari和风云卫星。成熟期混合数据使用占37项研究，FY-4A占4项、Himawari-8占6项、MODIS占34项、MERRA-2占10项、ERA5占9项。然而，MODIS在亮地表上的AOD不确定度约为±0.05 ± 0.15，CALIPSO在厚沙尘羽流中存在信号衰减，MERRA-2在数据稀疏区存在偏差，地面站点存在代表性误差，这些不确定性会传播至AI模型并降低泛化能力。地理集中性（中国约50%、中东约25%）可能导致模型对撒哈拉等其他沙尘区域适用性不足。

**5.4 性能指标与验证方法**

性能评估从涌现期的RMSD=5.25、r=0.65等基本统计指标，发展到成熟期的多维基准，如CNN准确率0.998、U-Net精确率94.11%、GAN峰值信噪比32.59 dB、XGBoost/RF的R²为0.90–0.96、AUC/ROC达75%。验证方法也从简单随机划分向多平台交叉验证和再分析基准发展。但研究人员指出，分类准确率在不平衡数据中可能掩盖真实性能，R²对数据方差敏感，不同空间尺度和验证策略之间的指标不具有直接可比性。缺乏空间独立和时间前向验证可能导致性能乐观估计。

**四、讨论与结论**

讨论部分强调，AI在SDS研究领域正从实验性分析工具转变为下一代监测、预报和早期预警系统的基础性组件。未来关键发展方向包括：通过可解释人工智能（explainable AI, XAI）提高模型可解释性；发展物理信息AI框架以增强模型稳健性；推进静止轨道卫星、激光雷达、地面监测与再分析资料的多源数据融合；将气候变化情景纳入SDS预报模型；推动研究原型向业务化早期预警系统转化；在受沙尘影响的全球南方地区加强研究能力建设；开发标准化的基准数据集和评估框架以提高可重复性和方法可比性。

研究结论部分可翻译为：本研究基于822篇文献的计量分析和84篇文献的定性综合，系统梳理了1990至2025年间AI在SDS研究中的应用。文献计量结果显示该领域正快速扩展且日益跨学科，产出集中于中国和美国，主要发表于Remote Sensing、Atmospheric Research和Science of the Total Environment等跨学科期刊。关键词共现和突发性分析凸显了机器学习、深度学习、遥感和气溶胶相关变量的日益突出。定性综合揭示了三个明确的方法演进阶段：早期以统计和浅层ML为主，成长阶段受益于卫星观测和再分析资料的改善，成熟期以深度学习架构和混合建模框架的广泛采用为特征。数据源分析表明气象驱动因子和气溶胶指标主导AI建模，MODIS、激光雷达和静止轨道卫星构成数据骨干；技术框架分析显示CNN、SVM和集成算法是最常用的AI方法。从业务化角度看，集成学习和深度学习框架在结合多源地球观测数据时展现出较强的SDS检测和预报能力，有望增强沙尘多发区域的预警系统、公共卫生保护、运输安全和气候韧性。