引言

近年来，人工智能技术的突破推动了气象预报领域技术革新(Schultz et al，2021; Ebert-Uphoff and Hilburn, 2023; Nguyen et al，2023; 马雷鸣，2020; 陈鹤等，2022; 黄小猛等，2024; 周康辉等，2025)，基于深度学习构建的数据驱动天气预报模型成为研究热点(Rasp et al，2020; 杨绚等，2022; 盛杰等，2025)。国际上，以谷歌的GraphCast(Lam et al，2023)、英伟达的FourCastNet(Pathak et al，2022)以及华为的盘古气象模型(Bi et al，2023)为代表的人工智能天气预报模型，已展现出对传统数值模式在计算效率与部分要素预报精度上的显著优势(Chen et al，2023; Lam et al，2023)。与此同时，我国气象部门积极布局智能化转型，2024年中国气象局联合清华大学发布首个天气预报模型——人工智能全球中短期预报系统“风清”(以下简称风清模型)。区别于国内外主流研究多采用的视觉变换器网络(Bojesomo et al，2023; Nguyen et al，2023)、图神经网络(Keisler，2022; Lam et al，2023)、神经算子网络、扩散生成模型等技术路线，风清模型从“AI+ 物理”的路线出发，创新地将大气物理深度融入深度学习模型设计，构建了具有全新架构且具备强物理表征能力的模型结构。该模型已于2024年9月实现业务化运行。

开展预报检验评估是深入认识人工智能模型性能并推动其发展的重要环节(Rasp et al，2020; Rasp and Thuerey, 2021; Radford et al，2025)。然而，当前的检验多聚焦于模型的全球尺度性能，且主要基于统计检验指标(距平相关系数和均方根误差等)进行(Bi et al，2023)。考虑到人工智能模型与传统基于物理的数值模式存在本质差异，亟需从天气学的视角出发，针对性地评估模型对典型天气过程的预报能力(Ebert-Uphoff and Hilburn, 2023; Radford et al，2025)。此外，关于区域精细化预报能力的系统性检验尚存在空白。特别是针对风清模型，其在我国及周边地区对极端天气的捕捉能力、误差分布特征及其对预报员决策的辅助能力尚未明晰。为此，本文从预报精度、偏差分布和典型天气过程发展演变预报性能等方面入手，全面评估风清模型在中国及其周边区域的业务化表现，相关结论可为模型应用策略的优化以及天气预报业务的实际应用提供科学参考。

1 数据和方法 1.1 风清模型技术特点

风清模型遵循人工智能与物理约束相结合的总体思路，基于对大气多尺度动力过程的系统认知，自主构建了一套融合物理可解释性的深度学习天气预报框架。模型创新地提出了多尺度隐空间投影的总体架构(Wu et al，2023)，将天气系统的多尺度时空耦合过程转化为隐空间中的状态转移问题，从而在保留动力学一致性的同时有效降低模型训练复杂度。该设计实现了从数据驱动到物理约束的统一，使模型能够在隐空间中学习并归纳大气活动的内在规律，增强了预报结果的物理可解释性。

在损失函数构建上，模型结合灾害性天气形成过程中的多尺度相互作用机制及西风带环流基本特征，构建了多尺度特征提取网格，并引入侧重同纬度上下游关系的注意力机制。针对数据驱动模型中常见的“过平滑”及能量耗散问题，模型引入能量守恒隐式表征模型进行约束，从粗网格分析场中提取气象变量的守恒性质，以改善长时效预报的活跃及对极端天气过程的再现能力。

在训练策略方面，模型提出了可扩展的多时效联合优化策略，通过分离计算不同预报时效的参数梯度并进行统一优化，减少了迭代误差积累，并兼顾短期和中期预报效果。该策略可有效延长可训练预报时效，并提高模型在不同时间尺度上的稳定性与一致性。

在降水预报部分，风清模型针对6 h累计降水的生成机制与统计特征，自主建立了协变量驱动的降水预测框架，将降水自身的历史演变特征与大气背景场的关系相结合进行学习。为改善强降水样本稀疏性问题，采用增加强降水预报训练权重及中国区域主汛期时段样本重采样策略，进而提升对强降水的预报效果。

另外，在灾害性天气的预报优化方面，针对诸如台风、暴雨雪等灾害性天气以及气旋、锋面等天气系统发生的区域识别优化，根据对其产生的天气学条件分析，发现其发生均与强风的出现有着密切关联(梅婵娟等，2025; 邱孙俊杰和张芳华，2025; 孙一昕和张楠，2025)。基于这一认识，通过对大风出现区域加权优化，能够间接客观识别灾害性天气发生位置，从而实现针对性的预报优化。

模型的训练基于1979—2017年(共39年)ERA5再分析资料，依托中国气象局国家气象信息中心气象人工智能基础支撑技术平台完成。所得模型包含约30亿个参数，能够在约3 min内生成未来15 d、25 km分辨率、逐6 h的全球气象预报产品。预报产品涵盖地面要素(海平面气压、2 m气温、10 m经向和纬向风)和高空要素(1000~50 hPa共13个气压层的位势高度、气温、比湿、经向和纬向风)。该模型(CMA-AIM-GFS-Fengqing-V1.0版本)已成功通过中国气象局业务化准入流程，面向全国气象业务部门实时应用。

1.2 资料

本文针对风清模型的预报结果进行检验，同时将其预报结果与欧洲中期天气预报中心ECMWF-IFS全球数值模式的C1D版本预报结果(以下简称ECMWF模式)进行对比评估。时段为2024年1月1日至12月31日，检验对象包括逐日08时(全文均为北京时)和20时起报的6~240 h逐6 h预报产品，要素包括500 hPa位势高度场、700 hPa湿度场、850 hPa温度场和风场、2 m气温、10 m风场、海平面气压以及降水。其中，风清模型的空间分辨率为25 km，ECMWF模式地面预报产品的空间分辨率为12.5 km，气压层预报产品空间分辨率为25 km。

本文所用的风清模型的产品信息如表 1所示。对于除降水外的气象要素，采用中国气象局业务准入的CMA-AIM-GFS-Fengqing-V1.0版本，严格遵循实际业务应用场景(以ECMWF模式零场和6 h预报场作为输入)，对2024年开展逐12 h起报的0~360 h时效预报产品回算；对于降水预报，则基于在中央气象台内部测试应用的CMA-AIM-GFS-Fengqing-beta版本开展回算。考虑到风清模型于2024年9月正式业务化运行，为获取完整一年的预报样本以支撑系统性检验，按上述实际业务应用场景对2024年进行了回算。该回算结果在数据及算法框架上与业务预报完全一致，对其检验可等效反映模型在实际业务应用中的表现。

本文在开展格点检验时采用ERA5再分析资料(Hersbach et al，2020)作为真值，相关要素包括200 hPa风场、500 hPa位势高度场、700 hPa湿度场、850 hPa温度场和风场、海平面气压场、2 m气温、10 m风场。台风检验采用中央气象台台风路径和强度实时业务资料作为真值；降水检验采用中国气象局国家级气象台站逐小时降水观测数据，为了与逐6 h预报进行匹配，将台站观测的连续6个逐小时降水数据累加得到逐6 h累计降水，若时段内台站降水存在缺测，则该6 h累计降水记为缺测。

文中地图基于审图号为GS(2019)3082号的标准地图制作，底图无修改。

1.3 检验方法

针对关键要素的总体预报检验，聚焦我国及周边地区，区域范围为0°~60°N、70°~140°E。这部分检验主要在格点上进行。为了保持水平分辨率统一，研究将ECMWF模式的结果双线性插值至与风清模型一致的分辨率。检验指标包括距平相关系数(ACC)、预报活跃度(Forecast Activity)、均方根误差(RMSE)。其中，预报活跃度是用于评估天气现象可变性的指标，能够直观反映预报相对于实况的“活跃”或“动态”程度：高活跃度意味着模型预报的天气过程频繁且变化较为剧烈；反之，则表示预报的天气相对平稳、变化较少且更接近气候平均态(Bouallègue et al，2024)。

相关指标计算公式如下：

$ \frac{\mathrm{ACC}=}{\frac{\sum\limits_{j=1}^{N_y} \sum\limits_{i=1}^{N_x} \omega_j\left(f_{i, j}-c_{i, j}\right)\left(o_{i, j}-c_{i, j}\right)}{\sqrt{\left[\sum\limits_{j=1}^{N_y} \sum\limits_{i=1}^{N_x} \omega_j\left(f_{i, j}-c_{i, j}\right)^2\right]\left[\sum\limits_{j=1}^{N_y} \sum\limits_{i=1}^{N_x} \omega_j\left(o_{i, j}-c_{i, j}\right)^2\right]}}} $

$ \text { Forecast Activity }=\sqrt{\frac{\sum\limits_{j=1}^{N_y} \sum\limits_{i=1}^{N_x} \omega_j\left(f_{i, j}-c_{i, j}\right)^2}{\sum\limits_{j=1}^{N_y} \sum\limits_{i=1}^{N_x} \omega_j}} $

式中：f_{i, j}、o_{i, j}、c_{i, j}分别为格点i, j处的预报、观测、气候态均值，N_x和N_y分别是经向(i)和纬向(j)的总格点数。ω_j为第j个纬度的加权系数，即ω_j=cosφ_j。本文采用的气候态均值是基于1989—2008年的ERA-40资料，利用61 d的窗口滑动平均得到。

对典型天气过程的预报检验，主要采用双线性插值方法将不同要素预报产品插值到全国2401个国家级气象台站后开展。检验指标包括RMSE、TS评分、Bias评分等。降水预报的二分类检验基于设定阈值(如≥0.1 mm)划分事件，采用TS评分和Bias评分两个指标。其中：TS评分越接近1，表明预报命中率越高、预报性能越优；Bias评分越接近1预报越合理，高于1表示预报过度，空报次数多于漏报次数，低于1表示预报不足，漏报次数多于空报次数(刘会军等，2024)。

2 关键要素的总体预报检验

图 1给出中国及周边地区500 hPa位势高度预报的ACC及预报活跃度。500 hPa位势高度是评估天气预报技巧的重要变量之一，通常将距平相关系数超过0.6的预报时效作为有效预报时效(沈学顺等，2021)。从图 1a可以看出，风清模型预报的500 hPa位势高度ACC优于数值模式ECMWF预报结果，尤其是在长期时效下优势突出。ECMWF模式预报结果在216 h和228 h时效下的ACC分别为0.630和0.579，即其有效预报天数超过9 d但不足9.5 d；对于风清模型，240 h时效下ACC为0.604，即其预报的500 hPa位势高度在中国及周边区域最长有效预报时效超过10 d。

Keisler(2022)研究表明，模型的训练会导致过于平滑的预报结果，从而使得ACC评分较高、RMSE较小。因此在评估ACC、RMSE等指标时，有必要对预报结果的活跃水平进行比较(Bouallègue et al，2024)。由图 1b可见，ECMWF模式500 hPa位势高度的预报活跃度随着预报时效增加稳定维持，而风清模型预报活跃度在前120 h时效稳定维持，随后则随预报时效的增加明显下降。也就是说，在较长的预报时效下，风清模型对剧烈变化的天气预报能力较差。

图 2给出高空以及地面关键要素预报RMSE随时效的变化。从图中可以看出，风清模型相较于ECMWF模式对不同要素的预报均有所改善，其中500 hPa位势高度和海平面气压预报结果的改善相对较小，尤其是500 hPa位势高度，在96~156 h预报时效下的风清模型的RMSE略高于ECMWF模式结果。对于其他要素的预报，风清模型预报效果改进幅度在5.20%~37.66%。其中，2 m气温的预报改进效果最为突出，RMSE的最大降幅达37.66%，即便是最小降幅也达到了19.12%。

考虑到实际业务中通常关注72 h内预报效果，图 3给出不同要素0~72 h预报RMSE空间分布。对于200 hPa风场来说(图 3a)，风清模型对20°N以南地区以及我国东部上空的预报改善较为明显，RMSE较ECMWF模式偏小1~2 m·s^-1。对于500 hPa位势高度场来说(图 3b)，风清模型主要改善了中低纬地区的预报误差，尤其是对洋面上空的位势高度，RMSE减小超过3.2 gpm；在25°N以北地区，风清模型预报误差略高于ECMWF模式，尤其在我国青藏高原以及东北地区，RMSE偏高0.82 gpm(图略)。风清模型对700 hPa比湿的预报较ECMWF模式改进明显，在中低纬地区RMSE减小超过0.4 g· kg^-1，对我国东部地区比湿预报的RMSE也能减小0.3 g·kg^-1(图 3c)。从850 hPa温度预报RMSE空间分布可以看出，第二地形阶梯(海拔在500~3000 m)上的温度预报误差较大，风清模型可减小该地区温度预报的预报误差，RMSE在1.5℃左右(图 3d)；值得注意的是，风清模型对长江流域的预报改进更为突出，850 hPa温度预报RMSE减小约0.5℃。对于海平面气压来说(图 3f)，ECMWF模式在高海拔地区存在较大的预报误差，风清模型预报对该地区预报改进最为明显，尤其是青藏高原周边的RMSE可减小200 Pa以上。与海平面气压预报效果类似，风清模型预报的2 m气温在青藏高原周边及天山山脉处的RMSE较ECMWF模式偏小1℃以上(图 3g)。从图 3e和图 3h可以看出，ECMWF模式预报850 hPa风速误差最大区域位于日本海附近，其预报的10 m风速误差大值位于沿海、天山山脉地区，风清模型预报可有效改善上述地区的预报误差。总体而言，风清模型预报误差的空间分布较ECMWF模式偏小，对洋面、海陆交界以及高海拔地区的预报误差改善较为明显。

通过对2024年关键要素的总体预报检验可知，风清模型对我国及周边地区环流形势的预报效果较好，预报误差较ECMWF模式有所减小，500 hPa位势高度场最长有效预报天数超10 d。但相较于全球尺度预报来说，在我国及周边地区的预报仍存在一定偏差，未来仍需关注500 hPa位势高度场的预报，一方面应注意提高中长期预报的活跃度，另一方面应注意中高纬地区的预报改善。对于地面要素2 m气温、10 m风速来说，风清模型预报改进明显，尤其对前者的改进幅度较为突出，针对ECMWF模式预报误差较大的区域，可参考风清模型预报结果。

3 台风和降水预报检验

考虑到仅评估总体预报水平不足以了解模型在实际业务预报中的应用价值，本节将重点针对2024年发生的典型天气过程(主要关注台风、暴雨)进行细致检验，旨在揭示预报中的具体偏差特征，为后续优化改进模型提供依据。

3.1 台风 3.1.1 2024年整体预报检验

基于2024年全年26个编号台风的路径预报进行评估，对比ECMWF模式与风清模型预报情况(检验样本量相同)。从图 4a能够看出，在108 h以内，台风路径误差随预报时效缓慢增长，在此期间风清模型路径预报效果略优于ECMWF模式，预报误差在53~283 km。特别在72 h时效时，风清模型的预报效果相较ECMWF模式优势最为明显，误差减小约14%。在108~240 h时效，路径预报误差增长速度较快，此时风清模型预报效果略差于ECMWF模式。通常而言，对于台风路径的预报，人工智能模型相较于数值模式在不同程度上有所提升，而对于台风强度的预报则普遍较数值模式预报结果偏弱(Bouallègue et al, 2024)。就风清模型来说，虽然其台风强度预报同样较ECMWF模式偏弱，在各预报时效下均呈现负误差，24 h预报的强度误差为-11.8 m·s^-1, 但该预报结果仍略优于伏羲等人工智能模型预报结果(Niu, 2025)。另外，从台风中心最低海平面气压场的预报来看，风清模型0~72 h时效内预报误差仅在25 hPa左右(图略)，而风乌、盘古、伏羲等人工智能模型的误差接近30 hPa(Liu et al, 2024)。风清模型通过对大风出现区域进行加权优化，在一定程度上减缓了强度预报误差，但未来模型优化仍需关注更多与台风强度有关的物理条件以提升其预报水平。

3.1.2 “格美”台风个例预报分析

台风“格美”起编前，风清模型和ECMWF模式即较好地预报出了台风未来移动方向，且对于台风在菲律宾以东洋面的路径转向也有所反映。虽然二者均未能预报出登陆台湾，但是都提前5 d以上预报出了其将在东南沿海登陆。值得注意的是：(1)风清模型预报路径在海上阶段更接近实况，(2)此时风清模型已预报出台风登陆后西行的路径(图 5a)。

21日20时，“格美”为强热带风暴级，此时风清模型和ECMWF模式预报路径、登陆点(台湾和福建两次登陆)均与实况已相当接近，登陆台湾之前的阶段，风清模型的预报路径和实况基本重合。主要分歧在于登陆之后，风清模型仍预报台风向西移动，影响湖南等地，实况是“格美”在湖南引发灾害性降水；而ECMWF模式预报台风登陆后经安徽北上，进入山东(图 5b)。

3.1.3 “摩羯”台风个例预报分析

台风“摩羯”是2024年最强的台风之一，给海南、广东带来严重影响。9月1日20时，在“摩羯”正式起编前，该系统仍为位于菲律宾以东洋面的热带低压。此时风清模型和ECMWF模式均报出了台风先向北、后转向西移动并影响我国华南的趋势。相比来看，风清模型预报与实况更加接近。在进入南海后，ECMWF模式预报台风纬度有所南落，与实际偏差较大。分歧更大的是后期路径，接近海南岛时ECMWF模式预报台风路径北抬，最终进入广西内陆地区，与实况不符(图 6a)。

24 h后(9月2日20时)的预报，风清模型的台风路径与实况吻合度相当好，准确预报了在海南岛和广东雷州半岛的两次登陆。ECMWF模式预报路径相比之前明显地向南调整，与实况仍然有较大偏差，不仅未能预报出在广东的登陆，且在海南岛的登陆位置与实况也有不小的差距(图 6b)。此后随着台风逐渐西移进入南海，风清模型和ECMWF模式预报趋于一致，结果均较好(图略)。

综上，不论是西北行登陆并深入内陆的“格美”，还是南海西行的超强台风“摩羯”，风清模型相比ECMWF模式均有更好的预报表现。统计结果也表明，风清模型在120 h时效以内表现突出，路径误差整体小于ECMWF模式；然而，120 h后，其预报误差反而超过后者，表明风清模型在中长期预报中的准确性仍存在不足。这种性能差异可能与其在台风强度预报上的系统性偏弱、中长期预报场表现出过度平滑等问题有关。已有研究指出，预报场平滑化是人工智能天气预报模型的普遍特征，容易削弱模型对中小尺度系统的刻画能力，进而影响其对引导气流强度和路径突变等关键动力过程的响应(Liu et al, 2024; Chen et al, 2025)。此外，受限于物理机制表达能力和训练样本的代表性问题，当前人工智能模型在应对双台风相互作用、路径急转弯等复杂过程时能力仍显不足(Xu et al, 2025)。这些结果表明，尽管人工智能模型在台风短期预报中展现出一定优势，但提升其对复杂动力过程的表征能力，仍需通过引入物理约束、扩展数据多样性以及优化模型训练策略等方式加以强化(Olivetti and Messori, 2024)。

3.2 降水 3.2.1 2024年整体预报检验

图 7首先给出2024年降水预报的整体情况。从晴雨预报准确率来看(图 7a)，大部分时效下风清模型和ECMWF模式预报准确率均超过0.5，风清模型略低于ECMWF模式。但对于大雨和暴雨的预报，风清模型TS评分明显更高，0~72 h时效下暴雨预报TS评分综合来看超过0.21，较ECMWF模式提升了27.38%，73~168 h时效下暴雨预报TS评分则提升了43.53%(图 7b)。对大暴雨的预报，风清模型TS评分较ECMWF模式偏低，说明仍需提升其对于极端过程的预报能力。此外，大雨预报的Bias评分，风清模型较ECMWF模式偏高，基本均超过1，在长期时效下Bias评分甚至高达5，说明风清模型对大雨的空报偏多。

3.2.2 暴雨个例预报检验

2024年全国共出现41次大范围降水过程，根据行业标准《降雨过程强度等级》(QX/T 341—2016；中国气象局，2016)可知，其中18次达到强等级，达到特强等级的暴雨过程共有4次。前文提及的台风“格美”，便是引发其中一次特强等级暴雨过程的“主角”。7月下旬，台风“格美”本体为浙江、江西、湖南等地带来了强降雨，其外围云系和远距离输送效应还造成了山东、辽宁、吉林等地的暴雨。

图 8展示了此次过程中区域平均降水最强日(7月28日08时)的24 h降水量预报检验结果。从观测降水空间分布可知，受台风影响，当日降水呈弧状分布，华南—江南地区(广东、湖南)、华东地区(安徽、山东)以及东北地区(辽宁)为3个强降水中心。值得注意的是，风清模型和ECMWF模式在36 h时效下预报雨带基本特征方面都有不错的表现，风清模型预报的降水空间分布与观测的空间相关性达到0.63，ECMWF模式为0.49。在对强降水中心的预报上，二者都表现良好，风清模型优势尤为突出；观测的24 h降水量超过50 mm的站点有179个，而风清模型和ECMWF模式预报分别命中74个和60个；但从极端性的角度来说，观测的最大降水量为313.1 mm，ECMWF模式预报可达236.5 mm，而风清模型预报的最大降水量仅为168.9 mm，远低于观测结果。对于此次过程的暴雨和大暴雨预报评分，风清模型分别可达0.27和0.18，显著高于ECMWF模式。通过定量检验可知，0~72 h预报的该日暴雨、大暴雨TS评分均较ECMWF模式分别偏高18.0%、55.4%(表略)，说明风清模型对此次降水过程预报效果较好，其在降水预报上展现出的优势，可能与前文所述其在台风移动路径预报方面的出色表现相关。

除台风降水外，梅雨锋降水也是预报关注重点之一。2024年6月21日至7月2日，受高空槽、低涡切变和低空急流共同影响，我国长江中下游、广西和贵州等地出现持续强降水过程，此次过程也是年度4次特强等级暴雨过程之一。

图 9给出此次过程6月27日08时起报的36 h时效的24 h降水量其对应的环流预报结果。从图中可以看出，风清模型和ECMWF模式均可以较好预报东西向雨带的基本特征。值得注意的是，观测中雨带东部的暴雨-大暴雨区主要位于湖北东部到安徽南部一带，风清模型对此预报能力较好，强降水落区位置基本与观测相当，但ECMWF模式预报的强降水中心则明显偏北。通过定量检验可知，风清模型和ECMWF模式对暴雨(大暴雨)的预报TS评分分别为0.559(0.286)和0.517(0.107)，即36 h时效下风清模型均更优，且在其他时效下的预报TS评分也存在优势(表略)。上述结果展示了风清模型对强降水较好的预报能力，这与其针对性考虑降水分布样本不均的问题，增加了对强降水预报的训练权重有关。

从环流预报的角度来看，风清模型和ECMWF模式均可预报此次过程中高空槽、低空急流的特征。对比预报结果与实际观测的偏差可知，ECMWF模式对雨带预报偏北的主要原因在于其对河南南部上空的低涡强度预报显著偏强，风速预报亦偏大。

为进一步了解风清模型与ECMWF模式对雨带特征的预报能力，针对2024年强和特强等级的暴雨过程(共22次)进行基于对象的诊断评估(简称MODE空间检验)，图 10给出其中可识别的19次暴雨过程的24 h降水雨带特征检验结果。对于大雨以上的雨区来说，风清模型48 h时效内预报的雨带质心位置预报偏差在38.5~870.1 km，ECMWF模式的48 h时效内预报雨带质心位置预报偏差在45.1~939.4 km；二者预报的雨带质心位置平均误差分别为245.3 km和250.8 km，且19次过程中风清模型预报的雨带质心位置偏差小于ECMWF模式预报结果的有12次。通过对雨带内90%分位24 h降水量(用于表征极端强降水)进行检验可知，风清模型和ECWMF模式预报的结果较观测分别偏低23.15 mm和13.08 mm。

总体来说，从个例和统计检验结果均可发现风清模型对雨带位置的预报较好，但对极端降水强度的预报偏弱。

4 结论和讨论

本文基于观测，从预报准确率、偏差分布及典型天气过程等方面，对2024年风清模型在中国及周边区域的预报性能开展系统性检验，并与ECMWF全球高分辨率模式预报结果进行了对比评估。主要结论如下：

(1) 风清模型对850 hPa温度、风速及地面要素的预报效果明显优于ECMWF模式结果，尤其是在青藏高原及其周边的复杂地形区域优势更为突出，其中2 m气温预报的RMSE较ECMWF模式的最大改进幅度达37.66%。此外，500 hPa位势高度场的有效预报时效可达10 d。该模型在抑制中长期时效下误差快速增长、维持大尺度环流演变特征方面的优势可能与其采用的物理约束方案有关。

(2) 在典型天气过程的预报方面，由于风清模型在训练阶段针对性地引入了与极端过程相关的物理约束与权重优化策略，因此对台风移动路径、暴雨落区的预报能力较强，相应的预报误差在大部分时效下较ECMWF模式均偏小。但风清模型仍存在对灾害性天气过程极端性预报不足的问题，具体表现为大暴雨整体TS评分较低、台风强度预报偏弱。

(3) 随着预报时效的增加，风清模型预报活跃度逐渐下降，说明其对中长期时效下天气变化，尤其是中小尺度系统变化的预报能力不足。这可能与模型训练方法和不同尺度系统固有的可预报性有关。

风清模型是中国气象局发布的首个人工智能全球中短期预报系统。该模型通过引入多尺度隐空间投影及能量守恒约束等设计，实现了数据驱动与动力学约束的有机结合。检验结果表明，在保持物理一致性的基础上，该模型显著改善了我国复杂地形区及中长期时效下关键要素的预报质量，这为业务预报提供了新的参考。同时检验结果也指出，风清模型在灾害性天气极端性预报方面仍存在局限。其预报的台风中心强度、暴雨强度存在系统性偏弱的问题。因此，在实际业务应用中，风清模型的预报产品可以作为环流形势、降水落区判断的重要参考，但涉及极端性的定量预报时，预报员仍需结合传统数值预报结果进行综合判断。需要指出的是，本文仅对2024年风清模型预报结果进行了检验评估，未来还需利用更长时间的预报数据进行检验，以揭示模型在不同气候背景下的偏差特征。此外，未来可以引入更多能反映极端性的指标(如极端高/低温日数、极端降水强度)，考察人工智能模型对极端高温、寒潮和暴雨的预报效果，从而更全面地分析模型在实际业务预报中的适用性。