全球变暖与城市化协同作用放大的城市气候极端事件：一种物理信息智能范式

全球变暖与城市化之间的非线性协同作用正在放大全球城市的极端气候风险。虽然观测和模拟证实了这些复合效应，但两个基本瓶颈阻碍了预测性理解：（1）碎片化、针对特定案例的观点阻碍了普遍机制的发现；（2）计算上不可行的高分辨率模型与缺乏城市尺度物理可解释性的AI工具之间存在方法论鸿沟。本文倡导向物理原理与数据智能深度融合的范式转变。为此，我们提出了一个变革性的“分类-机制-推理”框架。分类涉及建立全球城市“气候-形态-发展”类型学，以实现超越孤立案例研究的系统比较。机制倡导将物理信息机器学习作为核心引擎，开发高效、受物理约束的代理模型，以揭示非线性相互作用。推理利用这些模型进行高通量、定制化的风险预测，直接为特定情境的适应规划提供信息。CMI框架旨在弥合认知和方法论上的差距，从而将城市气候科学从现象学描述推进到机制性、预测性和决策相关的科学，这对于在全球建设气候韧性城市至关重要。