基于机器学习的美国部分城市热指预测
大气与海洋物理
2026-03-23 v1
摘要
热应激对美国各地区社区具有不良影响，尤其在高温伴随高湿度时更为严重。温度与湿度的综合影响可由热指（HI）概括。当前最先进的数值天气预报模型在预测温度和湿度时常常存在偏差，即便在 24 小时预报时效内亦然。本研究探讨了机器学习（ML）模型在美国四个地点准确预测次日热指的能力，采用随机森林和单层门控循环单元（GRU）模型。我们发现，随机森林和 GRU 模型在所有四个选定地点表现良好。平均绝对 HI 误差范围为 至 美度。所有模型版本在三大四个地点均以超过 80% 的准确率成功预测极端热日，亦即以高下午 HI 为标志。GRU 模型在这三大地点准确率超过 95%。模型性能细节因地点而异。在明尼阿波利斯和波特兰，这些湿度较低的城市，模型准确率较高，但召回率和精确率通常非常低。相比之下，达拉斯作为高 HI 天数较多的城市，显示出中等偏高的准确率，以及极高的召回率和精确率。这些差异可能源于不同美国气候区的热浪原因，如同由随机森林模型输出的特征重要性分数所反映。本研究所设计的 ML 模型可用于以最小计算成本协助当地热指预报和发布极端热警报。
引用
@article{arxiv.2603.19488,
title = {Machine Learning-Based Prediction of Heat Index in Selected U.S. Cities},
author = {Yushan Han and Calen Randall},
journal= {arXiv preprint arXiv:2603.19488},
year = {2026}
}
备注
The two authors contributed equally to this work