从预测天气到预测健康，人工智能可否改变预警系统？

在全球气候变化背景下，极端高温、野火、强降雨等事件的发生频率与强度持续上升，对人类健康的影响日益凸显。此类极端事件不仅直接造成伤亡，还通过空气污染、水传播疾病、基础设施受损以及医疗资源挤兑等多重途径，对公共健康系统产生持续的冲击。尽管现代气象预报已能够提前数天甚至数周预测天气过程，但其对人类健康的影响往往只能在灾害发生之后通过统计数据进行评估。气象预报系统与公共卫生系统之间长期存在的信息脱节，使当前预警体系更多停留在“天气预警”，而非“风险预警”。因此，如何将天气预报有效转化为健康风险预测，正成为预警系统发展的关键方向之一。

围绕这一问题，中国科学院大气物理研究所联合国内外科研机构，提出了一种人工智能驱动的天气—健康一体化预测系统，旨在将气象预报信息直接转化为健康风险评估，推动预警体系由“预测天气”向“预测健康”转型。

长期以来，气象与公共卫生系统在数据结构、时间尺度及决策机制上相对独立。气象数据通常具备高时空分辨率并可实时更新，而健康数据多以行政区域为统计单元，存在报告滞后与数据分散等问题。这种不匹配使得天气暴露与健康结局之间难以建立实时关联。在方法层面，传统健康风险评估主要依赖历史统计关系，并隐含假设天气—健康关系在时间上相对稳定。然而，在气候变化背景下，极端事件强度、人口暴露水平及社会适应能力均在动态演变，导致基于历史关系的风险评估难以直接外推至未来情景。因此，现有预警系统大多仍以气象事件预测为核心，而非社会或健康影响预测。

图1、人工智能驱动的天气—健康一体化预测系统（a），以及三个典型应用场景：高温热浪（b）、野火烟雾（c）和极端降雨（d）。

本研究指出，人工智能为打通天气预报与健康风险预测之间的关键环节提供了新的技术路径（图1）。相较于传统统计方法，人工智能模型能够融合多源异构数据，包括气象预报、卫星观测、人口分布与流动以及医疗健康记录等，并有效刻画复杂的非线性暴露—反应关系、时滞效应与空间传播过程。在天气—健康一体化预测系统中，人工智能主要发挥三方面作用：其一，实现数据对齐与重建，在时间与空间尺度上协调高分辨率气象数据与相对粗尺度健康数据；其二，构建暴露—反应关系，基于时序深度学习模型综合考虑累积暴露、滞后效应及不同人群的脆弱性差异，从而建立动态健康风险预测模型；其三，量化不确定性传播，通过引入集合天气预报并结合贝叶斯神经网络和集合学习等方法，将气象预报的不确定性传递至健康风险评估，生成概率化预测结果。随着过程约束深度学习与可解释人工智能的发展，此类模型在提升预测精度的同时，也有望在一定程度上保持物理一致性并识别关键风险因子，从而增强其在公共决策中的可信度。

研究进一步表明，该框架可广泛应用于多类极端天气场景（图1）。在高温热浪过程中，健康风险不仅取决于室外气温，还受到室内环境、住房条件及人口分布的共同影响；在野火事件中，烟雾输送受气象条件与野火行为的耦合作用控制；在极端降雨情景下，洪涝风险则由地形、水文过程与城市基础设施共同决定。通过整合气象预报、环境观测、气候模式及人口数据，人工智能能够构建从天气驱动到环境暴露再到健康影响的完整预测链条。这一方法将风险评估从单一气象指标拓展至综合健康风险，使预警体系由以气象事件为中心，转向以社会影响与健康风险管理为导向，即从“灾害预警”迈向“健康风险预警”。

在气候变化持续加剧的背景下，极端天气问题正逐步由传统气象科学议题，演变为关乎公共健康与社会治理的综合性挑战。未来预警系统的发展，不仅需要准确预测天气事件本身，更需预测其潜在社会与健康影响。人工智能与多源数据融合的发展，为构建天气—健康一体化预测系统提供了重要机遇。随着影响导向预测与风险预警体系的不断发展，天气预报的功能或将由单纯提供气象信息，转向支撑公共健康与社会决策。这一转变有望代表下一代预警系统的重要发展方向。

参考文献：

Huang, G.*, Tang, H.*, Chen, D., Huang, C., Wang, S., Wang, Y., Gao, M., Yao, M., Qiao, L., & Zheng, Y. (2026). Artificial Intelligence for Linking Extreme Weather Forecasting and Health Impact Prediction. The Innovation.

来源：中国科学院大气物理研究所官网

声明：版权原作者所有，如有侵犯您的权益请及时联系，我们将第一时间删除。