地理科学学部吴其重副教授课题组长期致力于大气污染模拟研究，沙尘是影响大气污染的重要过程，该团队续2025年发表论文公开阐述利用短期气候模式开展季节沙尘预测工作，同期围绕东亚沙源地长期演变特征和气候驱动机制这一基础科学问题开展研究。最新研究结果表明，持续增暖背景下大气蒸发需求不断增强，无人为干扰条件下未来东亚春季沙源地面积总体将有所增加，沙源地绿化将抑制东亚沙尘向东远距离输送能力。相关研究成果分别以“Revealing Dust Source Changes in East Asia From Past to Future: An Interpretable Deep Learning Approach”和“The concurrent thermal effect induced by desert greening weakened dust transport in East Asia”为题，在国际学术期刊《Land Degradation & Development》和《Atmospheric Environment: X》公开发表，博士生李雁宇为两篇论文第一作者，吴其重副教授为通讯作者。
东亚是全球重要的沙尘源区之一，沙源地下垫面的空间分布及其变化不仅直接影响沙尘排放，还可通过改变地表能量收支、边界层结构和区域环流进一步调节沙尘输送。围绕东亚沙源地长期演变特征、气候驱动机制及其对沙尘输送的影响，近年来研究团队持续尝试融合包括京师一号、欧空局哨兵系列、美国陆地系列等卫星遥感资料，结合人工智能算法和基于物理框架的传统数值模式，系统性开展相关研究。研究利用卫星遥感数据、土地覆盖产品和全球气象再分析资料，基于U-Net深度学习模型识别了2000-2024年历史时期东亚春季沙源地空间分布，并结合SHAP可解释性分析方法定量识别主要气象驱动因素。历史时期沙源地分布的主要气候约束由降水逐渐向蒸发转变，反映出主导约束呈现由水分限制向能量限制转变的特征。在此基础上，结合CMIP6未来气候情景资料预测2100年不同气候情景下东亚沙源地空间分布。2100年东亚春季沙源地面积总体较历史时期有所增加，扩张区域主要集中在蒙古中东部和新疆北部，而青藏高原沙源地呈明显减少趋势；在未来不同增温幅度的气候情景下，东亚春季沙源地面积受到蒸发需求、水分供给及陆面变化等多重因素共同影响。
图1 融合深度学习与可解释性分析的东亚沙源地识别与预测框架图
在此基础上，研究团队进一步结合2023年3月19-23日典型强沙尘个例，采用数值模拟敏感试验方法，研究沙源地下垫面变化对沙尘输送的影响，探究沙源地绿化引起的热力-动力响应及其对沙尘输送的作用。结果表明，沙源地绿化可降低地表反照率、增强感热通量，进而加强近地层辐合和上升运动，并通过边界层调整进一步影响区域环流，使西太平洋副热带地区高压系统增强并形成更明显的反气旋性环流，从而抑制沙尘向东远距离输送。在2023年3月19-23日沙尘过程中，沙源地绿化促使高浓度沙尘的东向输送距离缩短约5.3°（中纬度地区约500公里）。研究成果可为气候变化背景下沙尘天气模拟及生态治理效应评估提供了科学依据。
图2 沙源地绿化影响东亚沙尘输送的物理机制示意图
团队研究工作得到国家重大科技项目(2025ZD1201701)、国家重点研发计划项目课题(2023YFC3705705)和国家自然科学基金项目(42377105)联合资助，并得到我校公共算力平台高性能计算中心和国家重大科技基础设施“地球系统数值模拟装置”(EarthLab)算力支持。
论文链接：
Yanyu Li, Qizhong Wu*, et al., Revealing Dust Source Changes in East Asia From Past to Future: An Interpretable Deep Learning Approach, Land Degradation & Development, 2026; 0:1-17, https://doi.org/10.1002/ldr.70885
Yanyu Li，Qizhong Wu*，et al., The concurrent thermal effect induced by desert greening weakened dust transport in East Asia，Atmospheric Environment: X，100444，2026，https://doi.org/10.1016/j.aeaoa.2026.100444
Xueying Wang，Qizhong Wu*，et al.，Seasonal Prediction of Dust Processes in Northern China Using the WRF-Chem Model Driven by the CFSv2 Dataset，Weather and Forecasting，Vol.40，1773-1785，2025，https://doi.org/10.1175/WAF-D-24-0131.1