全球加速变暖背景下，频发的破纪录极端气候事件严重威胁着经济社会可持续发展和人类生命财产安全。提前数月的有效气候预测，是防灾减灾和经济社会的可持续发展规划的重大需求。然而，我国气候变异复杂，当前气候预测水平十分有限，远不能满足实际需求。我们利用物理因子驱动深度学习，提出了AI气候概率预测模型（Y-model）。首先，为实现节省计算资源和降低噪声影响，结合经验正交分解、聚类分析等，对预测对象进行预处理数据降维；其次，构建包含大气环流、陆面、海冰、海温等关键过程的气候大数据，采用图像识别提取关键预测因子信息，融合物理信息收敛，清洗预测因子，以缓解物理不一致问题；再次，发展大样本集合方法，将预测因子按照关键阈值条件组合成超过300个的因子大样本组合，以提升气候预测准确率；最后，利用AI的非线性拟合优势，基于预测因子大样本开展AI气候概率预测。独立试报结果显示，Y-model能够预测 2011~2022年间中国气候的季节变化, 其中温度和降水的平均空间相关系数分别达到0.60和0.24, 均优于CFSv2模式, 包括2020年的超强梅雨和2022年的高温热浪。定量追踪预测因子方差贡献的结果显示, 2020年超强梅雨与前期印度洋信号和平流层信号密切相关, 而2022年极端高温可能受到西太平洋海温和西亚土壤温度异常的共同影响。我们的研究将物理机制与人工智能方法融合，为突破当前东亚气候的季节预测提供了新路径。

数物双驱,深度学习,气候预测,极端事件