2024年，中国气象局与清华大学联合研发了基于“AI+物理”的“风清”人工智能天气预报模型(简称风清模型)。该模型采用多尺度隐空间投影架构与能量守恒损失函数等设计，实现了对全球短中期天气的智能预报，并已投入业务化运行。本研究基于预报准确率、偏差空间分布等指标，全面评估了2024年该模型在中国及周边区域的预报能力；并聚焦台风和降水两类典型天气过程，重点检验了其在灾害性天气业务预报中的性能表现。结果表明，风清模型500 hPa位势高度场的有效预报时效超过10 d，地面2 m气温及高空850 hPa温度预报的均方根误差较欧洲中期天气预报中心ECMWF-IFS模式显著偏小（最大改进幅度达37.66%）；从典型天气过程来看，风清模型对台风路径的预报略优于ECMWF-IFS模式，但台风强度预报偏弱；同时，该模型对暴雨有较好的预报能力，对台风降水及梅雨雨带的落区预报误差较小，暴雨预报TS评分在73~168 h时效下较ECMWF-IFS模式提升了43.53%。总体而言，风清模型在业务预报中展现出较高潜力，但中长期时效下的活跃度与台风强度预报有待进一步提升。

“风顺”是首个基于人工智能方法实现次季节至季节全球气候异常预测人工智能模型（以下简称风顺模型）。文章利用2017—2021年CMA-RA1.0和NCEP再分析数据以及站点观测数据，采用时间相关系数（TCC）、距平相关系数（ACC）、综合空间评分（IPS）等方法，对风顺模型和欧洲中期天气预报中心的延伸期至季节尺度预报模式（S2S-ECMWF模式）在中国盛夏（7—8月）气温候尺度预测技巧进行对比检验。不同数据源的检验结果基本一致，表明评估结果具有较好的稳健性。风顺模型对中国盛夏气温的候尺度预测总体性能优于S2S-ECMWF模式，TCC、ACC和IPS评分分别较其提高7.9%、18.4%和1.5%。在地域分布上，风顺模型在黄淮、江淮、华中、华南、华东和新疆等地的TCC技巧更高，而在东北地区、内蒙古、青藏高原和西南地区相对较弱。在预报时效上，风顺模型超前1候和4~8候的预测技巧优于S2S-ECMWF模式，其中超前6候的预测技巧最高（TCC、ACC和IPS分别提高42%、260%和4.5%），具有更长的预见期。这种优势主要源于风顺模型对亚洲中纬度地区500 hPa位势高度这一环流关键区异常特征的更好刻画。超前2~3候预测技巧相对较弱，可能与该时段大气初值信号衰减、下垫面信息作用不充分等因素有关，未来将通过引入多圈层下垫面信息以进一步提升预测性能。

针对复杂地形区域2 m气温（T2m）精细化预报的挑战，选取地形复杂的广西区域为研究对象，以盘古天气模型（Pangu-Weather）预报产品为基础，提出了一种融合物理约束的深度学习预报模型PSD-Net。使用Pangu-Weather的预报产品（PANGU）作为特征变量输入，通过基于超分辨率生成对抗网络的生成器提取多尺度特征，在损失函数中显式引入功率谱密度和Kullback-Leibler散度作为约束项，以提高预报结果在频域、概率分布上与实况的一致性。对比2024年欧洲中期天气预报中心模式预报、国家气象中心T2m指导产品和PANGU这3类预报产品在广西区域的预报表现，结果表明PSD-Net的格点预报和站点预报均优于对比产品，其中格点预报平均绝对误差较PANGU降低37.6%，准确率提升17个百分点；1~72 h时效的T2m预报，PSD-Net的平均绝对误差和均方根误差随预报时效增长的幅度均小于对比产品，其中25～72 h误差增长趋势平缓。本研究验证了物理约束深度学习框架在T2m精细化预报中的有效性，为气象与AI模型结合提供新思路。

通过优化生成对抗网络（generative adversarial network，GAN）提出两种深度学习短时强降水临近预报方法PhySGAN（PhyDNet结合SGAN）和PhyMGAN（PhyDNet结合MGAN），提供江淮地区未来3 h的降水量预报。通过预报技巧评分、“复杂场景”性能评估和典型应用实例分析了两种方法在2024年江苏汛期短时强降水（降水强度≥20 mm·h-1）的预报表现，得到以下结论： PhySGAN和PhyMGAN在不同检验时段的3 h内短时强降水TS较基础试验PhyDNet和通用生成对抗网络试验PhyGAN均有明显提升，通过修正预报频率，使得TS增益幅度随预报时效增加，进而提升了较长时效的短时强降水TS；从各方法在“复杂场景”所展示出的预报性能看，深度学习较传统外推方法能体现强降水生消演变，PhySGAN和PhyMGAN较PhyDNet和PhyGAN表现出更好的预报性能，前者对强降水形态、强度等局部细节刻画能力更好，后者对强降水雨带的整体轮廓和位置表征更好；结合汛期典型强降水实例应用发现，PhySGAN和PhyMGAN在系统性强降水和局地强降水案例中均提前预报出降水增强过程，对临灾预警起到有效指导。此外，PhyMGAN对50 mm·h-1以上极端降水强度有一定指示作用，PhySGAN则能够更好体现雨带形态和位置的转变。

采用小波分析、Lanczos时间滤波器等方法，分析了广东2023年前汛期三次连续暴雨过程的低频振荡特征，重点揭示了发生在广东西北部强西南风连续暖区暴雨的平均环流场及其在准双周振荡不同位相大气环流场的演变特征及低频信号的来源。 结果表明，三次连续暴雨主要存在7～18 d的准双周振荡，并处于准30～60 d季节内振荡的两次正位相背景中。6月22—26日主要发生于广东西北部的强西南风连续暖区暴雨，中高纬度具有明显的“西阻”与“东阻”，广东西北部处在高原槽底部与西太平洋副热带高压边缘及低层西南季风大风轴的左侧、气旋性环流右侧。强西南风连续暖区暴雨过程从间歇-开始-鼎盛期，中高层的低频信号来自南支波列伊朗高原—青藏高原或以南具有斜压性的低频反气旋与气旋的东传南压，低层的低频信号来自蒙古高原东部低频反气旋与四川盆地—云贵高原以东逐渐加强的低频气旋的东移南压。它们使南亚高压中心逐渐东移，西太平洋副热带高压减弱东退，青藏高原由低频气旋转为反气旋环流控制，华北—华南由低频反气旋转为气旋环流控制。它们可为连续暖区暴雨的中期-延伸期预报提供参考。

对2022年9月至2024年9月长三角地区的强降水事件按天气形势进行分型，评估CMA-MESO、CMA-GFS、CMA-TYM、CMA-SH9、ECMWF模式在低涡切变、副高配合低槽、冷式切变、台风本体及外围四种主要天气型下的预报性能。结果显示，24 h降水预报小雨量级空报率高，暴雨以上量级TS评分低；3 h降水预报中弱降水CMA-MESO模式最优，强降水在冷式切变和低涡切变型下更难捕捉、预报性能更弱。 空间特征评估方面，南北方向上，低涡切变型和副高配合低槽型下除CMA-SH9模式外多数模式存在偏北的系统性误差，而台风本体及外围天气型下则偏南。东西方向上，台风本体及外围天气型下模式预报普遍偏东，其他天气型下多数模式具有偏西的系统性误差。时间特征评估方面，各天气型下模式对降水开始时间的预报准确率均最高，结束时间其次，峰值时间的预报准确率较低。

利用上海青浦、江苏南通和浙江杭州、嘉兴、湖州、宁波共6部S波段双偏振雷达资料，通过典型示踪因子主观判识、等高面插值对比和双雷达风场反演比对等几种方式，评估雷达的VCP21D、VCP11D、VCP216D等不同体扫模式在一般降水、强对流和台风等天气中的实际应用效果。结果表明：降水模式（VCP21D）和对流模式（VCP11D、VCP216D）均能准确识别零度层亮带特征，VCP21D相较VCP216D识别的融化层高度更稳定，标准差较小，与实况更吻合。对流模式（VCP11D、VCP216D）相较降水模式（VCP21D）能够有效提升垂直方向上的观测精度，对ZDR柱、中气旋等强对流天气关键特征的识别提供了更多有价值的信息；VCP216D相较VCP11D增加的1.0°仰角扫描，能够获取低层阵风锋等中尺度信息的同时，减少地物回波带来的影响和干扰；等高面插值对比中，VCP11D、VCP216D相较VCP21D，在5 km高度以上的信息获取更为连续；风场反演算法对比中，对流模式（VCP11D、VCP216D）的双雷达反演结果相较降水模式（VCP21D），其数据可用性和反演精度均有较明显提升。

2023年12月中旬，山西经历一次低温雨雪冰冻天气过程，其中13日山西南部垣曲县电线积冰给全县生活生产带来严重影响。利用常规气象观测、多普勒天气雷达和ERA5再分析资料，对此次严重致灾电线积冰过程的形成机制进行分析。结果表明：垣曲县致灾电线积冰属于雨雾混合凇类型，是前期短时间冻雨和随后长时间冻雾共同作用的结果，冻雾作用更为显著。500 hPa北支锋区中乌拉尔山高压脊前横槽和鄂霍次克海附近深厚冷涡稳定少动，横槽底前部短波槽快速东移影响山西，而南支锋区中700 hPa西南急流强盛，850 hPa东北—西南向冷槽位于华北上空，地面河套倒槽强烈发展与回流形势相互作用，西南暖湿气流沿着低层冷空气垫爬升，为垣曲冻雨和冻雾的形成提供了有利的大尺度环流背景。垂直方向上“上暖下冷”温度平流配置，使得温度从低空到高空呈现“冷-暖-冷”分布结构，且中层温度高于0℃而低层低于0℃，短波槽扰动产生的垣曲短时间冻雨属于融化机制。“上湿下干”湿度平流配置和下沉运动共同导致低层大气高度饱和，加之逆温持续，促使垣曲冻雾长时间维持，丰富的过冷却水滴先后经历两次快速增长，不断碰撞电线表面冰层，致使积冰不断增厚。东南气流沿喇叭口地形迎风坡抬升，也对电线积冰增厚起到一定的促进作用。

为提升拉萨机场降雪预报准确性与航空气象服务水平，文章采用改进的Jenkinson-Collison（J-C）环流分型方法，对2013—2020年拉萨机场56次降雪过程进行分型与物理量场诊断。结果表明，改进后的方法分型成功率为92.9%，识别出气旋型（12.5%）、低压槽型（42.9%）和西风平流型（37.5%），不确定型仅7.1%（显著低于传统方法）。三类分型特征差异显著：气旋型对应高原涡，动力与水汽条件最强，平均降雪量3.4 mm、持续358 min（均最大）；低压槽型受南支槽影响，层结最不稳定，动力与水汽较弱，平均降雪量1.2 mm、持续170 min（均最小）；西风平流型以暖脊和高空急流为主，层结最稳，水汽呈“低层辐合、高层辐散”结构，平均降雪量1.8 mm、持续280 min，降雪指标介于前二者之间。研究结果为拉萨机场降雪的精细化预报与航空气象服务提供科学参考。

2026年2月北半球极涡呈偶极型分布，主中心位于加拿大北部，次中心位于东半球新地岛至鄂霍次克海上空。我国中高纬度大部区域处于高压脊前部，位势高度以正距平为主，冷空气主体活动偏弱，全国大部气温偏高。全国平均气温较常年同期偏高2.1℃，为1961年以来同期第三高。南支槽位置与强度接近常年同期，配合北方阶段性冷空气活动，冷暖空气在我国北方地区频繁交汇，导致北方地区多雨雪天气过程。2月全国共出现4次明显雨雪天气过程，空间分布不均，华北南部、黄淮、西北地区东南部、新疆北部、内蒙古东北部及东北地区北部降水量较常年同期偏多，其余大部地区偏少。此外，月内还出现2次寒潮过程、2次沙尘天气过程及5次大雾天气过程。其中，20—23日沙尘天气影响范围最广、强度最强；25—27日雨雪天气过程强度最强、影响范围最广。

2024年，中国气象局与清华大学联合研发了基于“AI+物理”的“风清”人工智能天气预报模型(简称风清模型)。该模型采用多尺度隐空间投影架构与能量守恒损失函数等设计，实现了对全球短中期天气的智能预报，并已投入业务化运行。本研究基于预报准确率、偏差空间分布等指标，全面评估了2024年该模型在中国及周边区域的预报能力；并聚焦台风和降水两类典型天气过程，重点检验了其在灾害性天气业务预报中的性能表现。结果表明，风清模型500 hPa位势高度场的有效预报时效超过10 d，地面2 m气温及高空850 hPa温度预报的均方根误差较欧洲中期天气预报中心ECMWF-IFS模式显著偏小（最大改进幅度达37.66%）；从典型天气过程来看，风清模型对台风路径的预报略优于ECMWF-IFS模式，但台风强度预报偏弱；同时，该模型对暴雨有较好的预报能力，对台风降水及梅雨雨带的落区预报误差较小，暴雨预报TS评分在73~168 h时效下较ECMWF-IFS模式提升了43.53%。总体而言，风清模型在业务预报中展现出较高潜力，但中长期时效下的活跃度与台风强度预报有待进一步提升。

“风顺”是首个基于人工智能方法实现次季节至季节全球气候异常预测人工智能模型（以下简称风顺模型）。文章利用2017—2021年CMA-RA1.0和NCEP再分析数据以及站点观测数据，采用时间相关系数（TCC）、距平相关系数（ACC）、综合空间评分（IPS）等方法，对风顺模型和欧洲中期天气预报中心的延伸期至季节尺度预报模式（S2S-ECMWF模式）在中国盛夏（7—8月）气温候尺度预测技巧进行对比检验。不同数据源的检验结果基本一致，表明评估结果具有较好的稳健性。风顺模型对中国盛夏气温的候尺度预测总体性能优于S2S-ECMWF模式，TCC、ACC和IPS评分分别较其提高7.9%、18.4%和1.5%。在地域分布上，风顺模型在黄淮、江淮、华中、华南、华东和新疆等地的TCC技巧更高，而在东北地区、内蒙古、青藏高原和西南地区相对较弱。在预报时效上，风顺模型超前1候和4~8候的预测技巧优于S2S-ECMWF模式，其中超前6候的预测技巧最高（TCC、ACC和IPS分别提高42%、260%和4.5%），具有更长的预见期。这种优势主要源于风顺模型对亚洲中纬度地区500 hPa位势高度这一环流关键区异常特征的更好刻画。超前2~3候预测技巧相对较弱，可能与该时段大气初值信号衰减、下垫面信息作用不充分等因素有关，未来将通过引入多圈层下垫面信息以进一步提升预测性能。

针对复杂地形区域2 m气温（T2m）精细化预报的挑战，选取地形复杂的广西区域为研究对象，以盘古天气模型（Pangu-Weather）预报产品为基础，提出了一种融合物理约束的深度学习预报模型PSD-Net。使用Pangu-Weather的预报产品（PANGU）作为特征变量输入，通过基于超分辨率生成对抗网络的生成器提取多尺度特征，在损失函数中显式引入功率谱密度和Kullback-Leibler散度作为约束项，以提高预报结果在频域、概率分布上与实况的一致性。对比2024年欧洲中期天气预报中心模式预报、国家气象中心T2m指导产品和PANGU这3类预报产品在广西区域的预报表现，结果表明PSD-Net的格点预报和站点预报均优于对比产品，其中格点预报平均绝对误差较PANGU降低37.6%，准确率提升17个百分点；1~72 h时效的T2m预报，PSD-Net的平均绝对误差和均方根误差随预报时效增长的幅度均小于对比产品，其中25～72 h误差增长趋势平缓。本研究验证了物理约束深度学习框架在T2m精细化预报中的有效性，为气象与AI模型结合提供新思路。

通过优化生成对抗网络（generative adversarial network，GAN）提出两种深度学习短时强降水临近预报方法PhySGAN（PhyDNet结合SGAN）和PhyMGAN（PhyDNet结合MGAN），提供江淮地区未来3 h的降水量预报。通过预报技巧评分、“复杂场景”性能评估和典型应用实例分析了两种方法在2024年江苏汛期短时强降水（降水强度≥20 mm·h-1）的预报表现，得到以下结论： PhySGAN和PhyMGAN在不同检验时段的3 h内短时强降水TS较基础试验PhyDNet和通用生成对抗网络试验PhyGAN均有明显提升，通过修正预报频率，使得TS增益幅度随预报时效增加，进而提升了较长时效的短时强降水TS；从各方法在“复杂场景”所展示出的预报性能看，深度学习较传统外推方法能体现强降水生消演变，PhySGAN和PhyMGAN较PhyDNet和PhyGAN表现出更好的预报性能，前者对强降水形态、强度等局部细节刻画能力更好，后者对强降水雨带的整体轮廓和位置表征更好；结合汛期典型强降水实例应用发现，PhySGAN和PhyMGAN在系统性强降水和局地强降水案例中均提前预报出降水增强过程，对临灾预警起到有效指导。此外，PhyMGAN对50 mm·h-1以上极端降水强度有一定指示作用，PhySGAN则能够更好体现雨带形态和位置的转变。

采用小波分析、Lanczos时间滤波器等方法，分析了广东2023年前汛期三次连续暴雨过程的低频振荡特征，重点揭示了发生在广东西北部强西南风连续暖区暴雨的平均环流场及其在准双周振荡不同位相大气环流场的演变特征及低频信号的来源。 结果表明，三次连续暴雨主要存在7～18 d的准双周振荡，并处于准30～60 d季节内振荡的两次正位相背景中。6月22—26日主要发生于广东西北部的强西南风连续暖区暴雨，中高纬度具有明显的“西阻”与“东阻”，广东西北部处在高原槽底部与西太平洋副热带高压边缘及低层西南季风大风轴的左侧、气旋性环流右侧。强西南风连续暖区暴雨过程从间歇-开始-鼎盛期，中高层的低频信号来自南支波列伊朗高原—青藏高原或以南具有斜压性的低频反气旋与气旋的东传南压，低层的低频信号来自蒙古高原东部低频反气旋与四川盆地—云贵高原以东逐渐加强的低频气旋的东移南压。它们使南亚高压中心逐渐东移，西太平洋副热带高压减弱东退，青藏高原由低频气旋转为反气旋环流控制，华北—华南由低频反气旋转为气旋环流控制。它们可为连续暖区暴雨的中期-延伸期预报提供参考。

对2022年9月至2024年9月长三角地区的强降水事件按天气形势进行分型，评估CMA-MESO、CMA-GFS、CMA-TYM、CMA-SH9、ECMWF模式在低涡切变、副高配合低槽、冷式切变、台风本体及外围四种主要天气型下的预报性能。结果显示，24 h降水预报小雨量级空报率高，暴雨以上量级TS评分低；3 h降水预报中弱降水CMA-MESO模式最优，强降水在冷式切变和低涡切变型下更难捕捉、预报性能更弱。 空间特征评估方面，南北方向上，低涡切变型和副高配合低槽型下除CMA-SH9模式外多数模式存在偏北的系统性误差，而台风本体及外围天气型下则偏南。东西方向上，台风本体及外围天气型下模式预报普遍偏东，其他天气型下多数模式具有偏西的系统性误差。时间特征评估方面，各天气型下模式对降水开始时间的预报准确率均最高，结束时间其次，峰值时间的预报准确率较低。

利用上海青浦、江苏南通和浙江杭州、嘉兴、湖州、宁波共6部S波段双偏振雷达资料，通过典型示踪因子主观判识、等高面插值对比和双雷达风场反演比对等几种方式，评估雷达的VCP21D、VCP11D、VCP216D等不同体扫模式在一般降水、强对流和台风等天气中的实际应用效果。结果表明：降水模式（VCP21D）和对流模式（VCP11D、VCP216D）均能准确识别零度层亮带特征，VCP21D相较VCP216D识别的融化层高度更稳定，标准差较小，与实况更吻合。对流模式（VCP11D、VCP216D）相较降水模式（VCP21D）能够有效提升垂直方向上的观测精度，对ZDR柱、中气旋等强对流天气关键特征的识别提供了更多有价值的信息；VCP216D相较VCP11D增加的1.0°仰角扫描，能够获取低层阵风锋等中尺度信息的同时，减少地物回波带来的影响和干扰；等高面插值对比中，VCP11D、VCP216D相较VCP21D，在5 km高度以上的信息获取更为连续；风场反演算法对比中，对流模式（VCP11D、VCP216D）的双雷达反演结果相较降水模式（VCP21D），其数据可用性和反演精度均有较明显提升。

2023年12月中旬，山西经历一次低温雨雪冰冻天气过程，其中13日山西南部垣曲县电线积冰给全县生活生产带来严重影响。利用常规气象观测、多普勒天气雷达和ERA5再分析资料，对此次严重致灾电线积冰过程的形成机制进行分析。结果表明：垣曲县致灾电线积冰属于雨雾混合凇类型，是前期短时间冻雨和随后长时间冻雾共同作用的结果，冻雾作用更为显著。500 hPa北支锋区中乌拉尔山高压脊前横槽和鄂霍次克海附近深厚冷涡稳定少动，横槽底前部短波槽快速东移影响山西，而南支锋区中700 hPa西南急流强盛，850 hPa东北—西南向冷槽位于华北上空，地面河套倒槽强烈发展与回流形势相互作用，西南暖湿气流沿着低层冷空气垫爬升，为垣曲冻雨和冻雾的形成提供了有利的大尺度环流背景。垂直方向上“上暖下冷”温度平流配置，使得温度从低空到高空呈现“冷-暖-冷”分布结构，且中层温度高于0℃而低层低于0℃，短波槽扰动产生的垣曲短时间冻雨属于融化机制。“上湿下干”湿度平流配置和下沉运动共同导致低层大气高度饱和，加之逆温持续，促使垣曲冻雾长时间维持，丰富的过冷却水滴先后经历两次快速增长，不断碰撞电线表面冰层，致使积冰不断增厚。东南气流沿喇叭口地形迎风坡抬升，也对电线积冰增厚起到一定的促进作用。

为提升拉萨机场降雪预报准确性与航空气象服务水平，文章采用改进的Jenkinson-Collison（J-C）环流分型方法，对2013—2020年拉萨机场56次降雪过程进行分型与物理量场诊断。结果表明，改进后的方法分型成功率为92.9%，识别出气旋型（12.5%）、低压槽型（42.9%）和西风平流型（37.5%），不确定型仅7.1%（显著低于传统方法）。三类分型特征差异显著：气旋型对应高原涡，动力与水汽条件最强，平均降雪量3.4 mm、持续358 min（均最大）；低压槽型受南支槽影响，层结最不稳定，动力与水汽较弱，平均降雪量1.2 mm、持续170 min（均最小）；西风平流型以暖脊和高空急流为主，层结最稳，水汽呈“低层辐合、高层辐散”结构，平均降雪量1.8 mm、持续280 min，降雪指标介于前二者之间。研究结果为拉萨机场降雪的精细化预报与航空气象服务提供科学参考。

2026年2月北半球极涡呈偶极型分布，主中心位于加拿大北部，次中心位于东半球新地岛至鄂霍次克海上空。我国中高纬度大部区域处于高压脊前部，位势高度以正距平为主，冷空气主体活动偏弱，全国大部气温偏高。全国平均气温较常年同期偏高2.1℃，为1961年以来同期第三高。南支槽位置与强度接近常年同期，配合北方阶段性冷空气活动，冷暖空气在我国北方地区频繁交汇，导致北方地区多雨雪天气过程。2月全国共出现4次明显雨雪天气过程，空间分布不均，华北南部、黄淮、西北地区东南部、新疆北部、内蒙古东北部及东北地区北部降水量较常年同期偏多，其余大部地区偏少。此外，月内还出现2次寒潮过程、2次沙尘天气过程及5次大雾天气过程。其中，20—23日沙尘天气影响范围最广、强度最强；25—27日雨雪天气过程强度最强、影响范围最广。