在全球变暖背景下，热浪、暴雨、干旱等极端事件的发生频率、影响范围和致灾强度持续上升，科学界关注的重点已不再局限于这些事件“是否增多、是否增强”，而是进一步聚焦于一个更具挑战性的科学问题：某一次具体极端事件为何发生、如何发展，又是由哪些关键区域和关键过程共同驱动的。对这一问题的深入认识，不仅关系到极端事件形成机理的基础研究，也直接服务于灾害风险预警、影响评估与气候变化适应等重大现实需求。

长期以来，统计分析方法在识别极端事件长期背景因子方面发挥了重要作用。例如，海温异常、陆气反馈以及大尺度环流模态等，均可通过统计关系揭示其与极端事件之间的联系。然而，对于一次具体极端事件而言，局地过程与远程遥相关往往同时作用，不同物理因子之间还存在显著的非线性耦合。因而，传统统计方法虽然能够揭示背景性、平均意义上的影响因素，却往往难以在事件尺度上清晰回答这样一个关键问题：究竟是哪些区域，在事件演变的不同阶段，对其发生、维持和增强发挥了决定性作用。

从动力学角度看，基于数值模式的敏感性试验是诊断具体极端事件的重要路径。这类方法的基本思想与格林函数实验相通，即通过对不同区域的初始异常进行有控制的移除或保留，考察目标区域预报结果的响应，从而识别关键影响源区并量化其贡献。与单纯的统计相关分析相比，这种基于预报响应的诊断方法更接近事件演变过程中的动力约束与因果链条，因此更有潜力回答“具体事件如何被驱动”这一核心问题。但若要在全球尺度上系统开展此类试验，通常需要大量模式积分，计算成本高、实施门槛高，长期制约了其在极端事件诊断中的广泛应用。

针对上述难题，中国科学院大气物理研究所团队发展了一种基于AI 天气预报模式的敏感性再预报诊断框架。研究利用 AI 预报模式高效、稳定的再预报能力，面向具体极端事件开展系统性的区域类格林函数试验：通过分别移除或保留不同区域的初始异常，构建遍历式预报实验，并根据预报结果及预报技巧的变化，定量评估全球不同区域对目标热浪事件发生、发展和增强的影响。这一方法具有两方面优势：其一，能够在全球范围内识别关键影响区，并定量刻画不同区域对极端事件演变的贡献；其二，从预报响应出发研究事件机理，使诊断过程天然嵌入事件时空演变本身的动力框架之中，从而具备更强的因果可解释力。

以2022年华南破纪录极端热浪事件为例，研究表明，此次华南极端高温并非由单一局地因素主导，而是呈现出明显的阶段性和“接力式”演变特征：在事件初期，邻近区域的局地动力和热力过程起主导作用；在中期，欧洲区域异常对高温发展产生显著影响；在后期，北美区域异常进一步增强了热浪强度。进一步的动力诊断显示，欧洲和北美的异常信号可以通过跨大陆波列传播，调制东亚上空的大尺度环流形势，进而在华南地区诱发下沉增温、干化及减云等正反馈过程，促进极端高温的发展与维持。

图1.24个分区敏感性试验的区域划分，以及相邻区域在事件发生后0–5天内对2022年华南极端高温事件（SCH22）的影响。(a) 区域划分（红色数字表示区域编号）及其对华南地区（红框）平均 950 hPa 温度异常的区域影响（RI，黑色数字，单位：°C）。打点区域表示通过 95% 置信水平检验。(b) 区域条件敏感性试验、仅动力试验和仅热力试验中 RI（单位：°C）的时间演变。(c–k) 与 (b) 对应的空间分布图，表示 各区域及其热动力分量对 950 hPa 温度异常（阴影）和 200 hPa 位势高度异常（等值线）的影响。

更为关键的是，研究发现，此次事件发展存在着类似“二八定律”——仅保留这些高影响区的初始异常（约占全球面积的25%），就能够较好预报此次极端高温事件的空间分布和演变过程；而当这些关键区域的异常被移除后，模型则难以有效重建该事件。这表明，该框架不仅能够识别关键影响源区，而且能够在定量意义上刻画其对极端事件发展的决定性贡献。相关结果还通过另一套 AI 天气预报模型FuXi，以及基于气候分区的独立区域划分试验得到了进一步验证。

图2. 遥相关区域在 第6–11 天对SCH22事件的影响，以及基于高影响区（HIRs）/非高影响区驱动的预报结果。(a) 不同区域实验的区域影响；(b) 8 月 2 日至 13 日华南地区的逐日温度异常：控制试验（红线）、移除第 2 区域异常后的试验（蓝线）以及移除第 11 区域异常后的试验（橙线）。(c) 仅保留高影响区（HIRs）异常驱动的预报实验结果（范围约全球面积25%），包括邻近区域 8、9、14 和 15，以及遥相关区域 1、2、6、11 和 12；(d) 仅保留其余区域异常驱动的预报结果；(e) 由传统合成分析识别得到的高影响区驱动的预报结果（范围约为整个北半球）。

该成果的意义不仅在于深化了对 2022 年华南极端高温形成机制的认识，更重要的是，从方法上为极端事件研究提供了一条值得重视的新路径。在 AI 预报框架下引入类格林函数实验思想，有望实现对极端事件影响源区及其作用贡献的高效定量诊断。与传统统计方法侧重识别背景性影响因子不同，这一框架面向具体事件过程，能够在预报响应中直接刻画不同区域对事件发生、发展和增强的阶段性作用；与一般基于梯度的 AI 可解释方法主要揭示模型局地敏感性不同，该方法通过区域独立试验更直接地对应事件演变中的因果链条。相较于传统高成本的数值敏感性试验，这一框架在保持定量诊断的同时显著提升了诊断效率，为推动极端事件的快速诊断和机理提供了新的可能。进一步看，基于类似框架，结合 AI 智能体与自动化分析流程，有望实现对极端事件的快速识别、定量诊断与机理分析，推动极端事件诊断研究向更加高效、系统和智能的方向发展。

相关研究成果近期发表于《Geophysical Research Letters》。论文第一作者为中国科学院大气物理研究所博士研究生项龙祯，通讯作者为汪亚副研究员和黄刚研究员。研究合作者包括林鹏飞研究员、陶炜晨副研究员、屈侠副研究员，以及英国气象局 Robin T. Clark 研究员、澳大利亚联邦科学与工业研究组织杨凯博士、北京大学李熙晨教授和首都师范大学胡开明教授。该项研究得到国家自然科学基金（42405041）等项目资助，并受到国家重大科技基础设施项目“地球系统数值模拟装置”的支持。

Xiang, L., Wang, Y.*, Clark, R. T., Yang, K., Huang, G.*, Li, X., et al. (2026). Revealing the mechanisms of heat extremes using an AI enabled diagnostic framework. Geophysical Research Letters, 53, e2025GL120917. https://doi.org/10.1029/2025GL120917