编辑推荐：
沙尘预测深度学习模型DustCast通过预训练CMIP6历史模拟和微调MERRA-2再分析数据，结合新型加权损失函数，显著提升全球沙尘浓度1-12个月季节预测能力，并揭示多圈层耦合机制。
杜世康|傅宇|陈思宇|何嘉琪|吴帅文|李文瀚|程善岭|尹楠
兰州大学地球与环境科学学院，中国兰州730000
摘要
作为地球系统中的主要自然气溶胶，尘埃在塑造全球辐射平衡、大气化学、生态系统和公共卫生方面发挥着关键作用。可靠地预测月平均尘埃浓度对于了解尘埃循环的变异性及其相关影响至关重要。然而，由于驱动尘埃变异性的气候系统内部复杂相互作用，预测亚季节到季节时间尺度的尘埃仍然是一个重大挑战。在这里，我们介绍了一种深度学习模型DustCast，可以预测未来12个月的全球月平均尘埃浓度。DustCast通过在经过偏差校正的CMIP6历史模拟上进行预训练来学习气候变异性与尘埃之间的预测关联，并在MERRA-2再分析数据上进行微调，以使模型适应基于再分析的目标领域。此外，为DustCast设计的新型组合加权损失函数通过将模型的重点引导到尘埃浓度较高的区域，显著提高了全球尘埃预测的准确性。对模型变量的扰动分析初步证实了DustCast捕捉海洋、陆地表面、冰冻圈和大气之间耦合相互作用的能力。我们的结果突显了深度学习在改进季节性尘埃预测方面的有效性，并为理解尘埃变异性的气候驱动因素提供了宝贵的见解。
引言
尘埃是地球系统中最重要的自然气溶胶之一，年排放量达数百亿吨，并具有跨大陆传输的特点，对全球辐射平衡、大气化学过程、生态系统甚至公共卫生产生深远影响（Shao等人，2013；Wu等人，2022；Shao等人，2011；Bi等人，2024；Middleton和Kang，2017；Kok等人，2023；Evan等人，2011；Shao等人，2025）。特别是在北非、中亚和东亚等中纬度干旱和半干旱地区，尘埃活动尤为强烈。关于其年际和年代际变异性的研究证实了它与大气模式（如大西洋多年代际振荡（AMO）、北极振荡（AO）和厄尔尼诺-南方涛动（ENSO））的显著关联（Shao等人，2013；Gong等人，2006；Marx等人，2009；Mao等人，2011）。此外，尘埃活动还受到早期季节陆地表面温度异常、植被变化以及气候系统中变化缓慢的组成部分（包括北极海冰异常）的复杂相互作用的影响（Fan等人，2018；Ji和Fan，2019）。多尺度气候强迫与尘埃活动之间的联系表明了季节性预测的潜力，为开发季节性尘埃预测系统奠定了理论基础。
然而，将这种潜在的可预测性转化为可靠的运行预测仍然是气候科学面临的主要挑战。传统的统计模型虽然能够将气候前兆信号与尘埃事件频率联系起来，但它们依赖于线性假设，这限制了它们捕捉潜在非线性机制的能力。此外，这些模型无法解析尘埃浓度的空间模式和大小，因此不适合用于实际应用（Fan等人，2018；Ji和Fan，2019；Huo等人，2025）。另一方面，尽管气候数值模型（例如CMIP模型）是气候预测的重要工具，但它们的发展还不够先进，尤其是在模拟北极和中纬度地区的关键过程（如大气环流、海冰变化）以及陆地表面过程（如土壤湿度、积雪覆盖）方面。因此，气候数值预测系统在长期预测方面尚未显示出比传统统计方法明显的优势（Gettelman等人，2022；Wang等人，2024）。
作为一种有吸引力的替代方案，深度学习技术为气候预测提供了革命性的途径（Ham等人，2019；Andersson等人，2021；Weyn等人，2021；Ling等人，2022；Reichstein等人，2019）。近年来，基于Transformer的自注意力网络已成功应用于气候预测（Zhou和Zhang，2023；Chen等人，2024）。例如，Ham等人（2019）采用迁移学习策略，通过使用CMIP6的历史模拟对卷积神经网络进行预训练，并用接近观测数据的再分析数据进行微调，成功预测了18个月后的ENSO事件，其Ni?o3.4指数的预测相关性优于现有的动态季节预测系统（Ham等人，2019）。Andersson等人（2021）开发了IceNet模型，该模型结合了气候模拟和观测数据来训练深度学习模型，能够预测6个月后的北极海冰分布，在夏季海冰范围预测方面优于ECMWF模型（Andersson等人，2021）。Gao等人（2022）提出了Earthformer模型，该模型利用创新的“长方体”自注意力机制在ENSO预测方面达到了先进水平（Gao等人，2022）。Chen等人（2024）引入了FuXi-S2S，通过使用72年的气候数据进行训练，增强了全球亚季节气候预测能力，并在预测42天后的全球降水和辐射方面显著优于ECMWF的最新数值模型，更好地捕捉了关键气候信号（如MJO）（Chen等人，2024）。这些工作表明，深度神经网络，特别是Transformer架构，能够自动提取不同时间尺度和气候系统多个领域的复杂相互作用，使其在气候预测中具有很高的竞争力。然而，关于深度学习在尘埃季节预测方面的研究仍处于起步阶段，其全部潜力尚未得到充分发挥。
为了填补基于深度学习的季节性尘埃预测研究的空白并评估尘埃的季节性可预测性，本研究引入了DustCast，这是一种基于Transformer的尘埃季节预测模型。DustCast建立在先进的时空Transformer架构之上，有效利用了不同时间尺度和气候系统多个领域的长期强迫信号，能够预测1至12个月后的全球尘埃活动。为了克服观测数据稀疏这一根本瓶颈，DustCast采用了迁移学习框架：首先在庞大的CMIP6多模型历史模拟上进行预训练以捕捉一般气候动态，然后在更现实但有限的MERRA-2再分析数据上进行微调，以使模型适应实际条件。此外，鉴于尘埃分布的显著空间异质性，我们设计了一种新型组合加权损失函数，将模型的重点引导到气候状态中尘埃浓度较高的区域，显著提高了1至12个月后全球尘埃活动的预测准确性。我们的发现表明，DustCast不仅在1至12个月前的预测时间上表现出色，还通过模型可解释性分析提供了关于驱动尘埃变异性的机制的见解。这突显了深度学习在探索尘埃气候可预测性和推进气候预测方面的巨大潜力。
数据集片段
数据集
尘埃事件的发生主要受到强风、地表干燥、土壤扰动条件以及大气不稳定性的共同影响。在干旱和半干旱地区，松散的土壤、低植被覆盖、强烈的近地面风和大规模下沉气流的协同作用很容易触发广泛的尘埃抬升和传输过程。在季节尺度上，尘埃活动受到先前陆地表面条件、变化缓慢的海洋因素的影响，
确定性指标
图3总结了DustCast在MERRA-2测试集上1-12个月预测时间的确定性性能。我们报告了全球范围和10个关键尘埃活动区域的指标（定义见附录D），包括RMSE、MAE、ACC和R2。总体而言，DustCast在大多数区域的预测时间上表现出较强的预测能力。对于全球平均水平，RMSE通常低于约20 μg/m3，MAE约为5 μg/m3，ACC通常高于约0.6，表明预测能力稳定
结论与讨论
本研究介绍了DustCast，这是一种能够准确预测全球尘埃季节变化的深度学习模型。DustCast基于Cuboid Attention机制，通过其分层编码器-解码器架构显著增强了多尺度空间和时间关系的建模。DustCast采用迁移学习策略，从多样化的历史气候模型模拟中提取一般气候统计模式，并将其应用于预测任务
作者贡献声明
吴帅文：可视化、软件、概念化。李文瀚：可视化、软件、概念化。陈思宇：撰写——审阅与编辑、验证、监督、方法论、形式分析、概念化。何嘉琪：可视化、软件、概念化。程善岭：资源、调查。尹楠：撰写——审阅与编辑、验证。杜世康：撰写——审阅与编辑、原始草稿、验证、软件、方法论、形式分析，
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本研究得到了国家自然科学基金和中国气象局的联合资助（项目编号：U2242209），以及甘肃省自然科学基金优秀博士生项目（23JRRA1162）的支持。我们还感谢兰州大学的超级计算中心提供的计算支持。
