2021年7月21日，《地球物理研究快报》（Geophysical Research Letters）期刊发表题为《利用机器学习分析气候变化的物理原因：以美国中西部极端降水为例》（Using machine learning to analyze physical causes of climate change: A case study of U.S. midwest extreme precipitation），文章指出，可用机器学习分析在美国中西部地区极端降水越来越频繁的原因，此外还能帮助科学家更好地预测这些极端天气事件在未来将会发生怎样的变化。

虽然全球变暖普遍增加了极端降水的发生，但关于气候变化区域和极端降水的物理机制仍然不确定，对大气环流作用的研究仍存在争论。因此，研究人员使用卷积神经网络（CNN）分析美国中西部地区极端降水的大规模环流模式。CNN根据每日海平面气压和500 hPa位势高度异常正确识别了91%的观测到降水极端值。有证据表明，过去20年来极端降水环流模式（EPCPs）的发生频率在增加，但是在过去40年却变化不大。此外发现在EPCPs模式中水分迁移和降水强度有所增加。因此使用深度学习可视化来理解CNN如何预测EPCPs模式，将机器学习作为一种工具来提供对气候极端变化物理机制的洞察，从而减少未来预测中的不确定性。

研究人员表示，最先关注的是美国中西部地区，未来将把该方法应用于其他地区，这既能有效理解极端事件的变化，也能帮助人们更好地为应对气候变化做好充足的准备。