面对气候变化背景下日益复杂的流感流行态势，传统被动响应策略已难以满足精准防控需求。本研究团队立足气象与环境健康交叉领域，围绕流感与气象环境的关联机制及预测技术开展长期系统攻关，构建了机理与数据融合的新一代流感模拟预测模型。研究首先通过全球多国数据揭示了驱动流感流行的干冷与暖湿两种气象模态及其转换阈值，并阐明东亚夏季风对我国流感时空格局的调控作用，评估了气候变暖背景下流感流行模式的演变趋势，形成多尺度科学认知体系。在此基础上，突破单一模型局限，将传染病动力学模型与机器学习算法有机结合，发展出机理-数据双驱动的混合模型，并引入大气科学领域的变分资料同化方法，实现对模型关键参数的客观优化与系统校准，显著提升了预测的准确性与可移植性。所构建的模型在2025年秋冬季我国H3N2亚型主导的流感异常流行中成功实现提前预测，并基于不同亚型对温湿条件的差异化响应机制对疫情演变进行了科学解读。本系列研究系统提升了气象部门在流感预测领域的科技支撑能力，是跨学科融合服务公共健康的有益实践，为应对气候变化下的健康风险提供了新路径。

机器学习；传染病动力学模型；流感预测；气象条件；变分资料同化