光流法等传统外推技术是目前强对流临近预报采用的主要客观方法，其无法体现对流系统的生消演变且预报时效有限；2024年中国气象局发布了我国首个基于人工智能的临近气象预报大模型“风雷”V1版本（以下简称“风雷”），基于雷达组合反射率开展3 h雷达回波外推预报。对2023年数据进行定量检验，结果表明“风雷”客观检验评分优于传统光流外推算法， 1 h预报时效以上回波预报优势更加明显，检验评分下降相对平缓，3 h预报时效内始终保持较小的Bias，致灾性显著的强回波TS评分较光流法提升了33%。选取2024年不同尺度的强对流过程开展个例评估，“风雷”在一定预报时效内能够正确给出对流系统生消演变的预报，表现出传统方法所不具备的对雷暴变化趋势的预报能力，有效延长了外推时效，为强对流临近预报提供了较好的人工智能客观指导产品。

为了提高降水临近预报的准确性，提出一种深度神经网络相结合的对抗神经网络模型CastNet。该模型借助循环神经网络捕捉雷达回波数据的时空特征，运用对抗神经网络模拟云团生消变化，再将光流约束融入神经网络引导模型训练，加速神经网络的学习过程并增强模型的时空一致性，有效地解决了预报模糊性问题，提升降水强度与位置的准确性。对2023年5—10月广西及周边区域的9次主要降水过程进行检验，结果表明：在不同降水强度（≥0.1、≥2、≥7、≥15、≥25、≥40 mm·h-1）下，SWAN 2.0的平均TS评分分别为0.458、0.270、0.085、0.034、0.014和0.003；SWAN 3.0的平均TS评分分别为0.452、0.402、0.225、0.129、0.085和0.048；CastNet模型的平均TS评分分别为0.439、0.397、0.225、0.139、0.104和0.073。即:除个别持平外，CastNet在≥7 mm·h-1及以上高降水强度中评分高于SWAN 2.0和SWAN 3.0。此外，随着预报时效延长，CastNet的相对优势更为明显。

根据飞鸟回波在天气雷达反射率产品上呈现明显的圆环形态这一具体图像特征，提出一种基于轻量化卷积神经网络（YOLOv5）与多目标跟踪算法（DeepSort）相结合的改进算法，利用2020—2023年营口雷达体扫回波强度资料，构造模型训练数据集和测试数据集，分别对鸟回波进行识别和追踪。首先，在YOLOv5算法中引入轻量级注意力机制以提高整体模型检测的准确性与有效性；其次，在DeepSort算法中将原有的交并比IOU匹配机制替换为一种改进的目标检测的损失函数DIOU匹配机制，DIOU在计算边界框重叠度的基础上，引入了边界框中心点之间的距离，从而提供更精确的定位，减少了因部分遮挡重叠等原因造成的追踪目标编号ID错误匹配和ID切换次数。试验结果表明，优化后的YOLOv5算法在精准度方面提升了2.6百分点，召回率提升了1.0百分点，阈值大于0.5的平均精准度提升了1.2百分点；改进后的DeepSort算法使得ID切换次数降低2次，多目标跟踪准确率提高了4.5百分点，实现对初始模型的轻量化;整体检测性能得到明显提高，满足对鸟回波识别与追踪的实际需求。

基于欧洲中期天气预报中心高分辨率模式预报产品以及中国气象局陆面数据同化系统逐1 h气温实况，构建了一种改进的长短期记忆网络ED-LSTM-FCNN模型，模型中加入嵌入层模块以处理高维空间、时间特征，并通过全连接神经网络融合不同类型特征实现气温的回归预测，生成0.05°×0.05°格点逐1 h气温预报产品。针对湖南省2022年预报检验表明：ED-LSTM-FCNN模型能显著降低数值模式的预报误差，提高预报稳定性，1~24 h时效预报均方根误差较模式预报与中央气象台指导预报分别降低了25.4%~37.7%和15.8%~40.0%；模型明显改善了数值模式在空间上（尤其是复杂地形）的预报效果，大部分地区气温均方根误差介于1.2~1.6℃；该模型在不同季节2℃误差以内的预报准确率达83.0%以上，明显高于模式预报与中央气象台指导预报，在平稳性极端高温天气中的优势更加明显，可有效应用于智能网格预报业务中。

洪水预报是降低洪灾损失、提升防灾减灾能力非工程措施的有效途径，实现精准洪水预报是水文领域的关键技术挑战之一。目前，基于物理机制的洪水预报模型在模拟精度和效率上仍有不足，而采用深度学习技术构建的预报模型则得到了迅猛发展。文章全面回顾和总结了洪水预报领域所应用的深度学习模型的原理和特点，及其在洪水定量和概率预报中的应用进展和存在问题。聚焦介绍和探讨了深度学习模型与洪水物理模型在物理过程参数化、可解释性研究、洪水预报模型误差校正等方面的契合点和应用前景。分析认为，深度学习未来将走向与物理模型的深度耦合，成为洪水时间序列预报的重要发展范式，并将是实现未来水利智慧化的重要研究内容。最后针对深度学习在洪水预报中的难点给出几点思考，对当前面临的挑战提出几点相应的解决方案，以便更好地在洪水预报领域探索应用深度学习技术。

针对自动气象观测站资料存在高隐蔽度的异常风向问题，基于DBSCAN算法建立自动气象观测站风向异常识别方法。选取2016—2022年影响广州的寒潮、冷空气、台风等16个天气过程个例的自动气象观测站历史风向数据和第2309号台风苏拉影响广州期间的自动气象观测站实时风向数据进行风向异常识别检测。分析结果表明，历史个例的风向可疑站点比例介于0.46%~5.56%，风向错误的站点比例介于0.25%~2.05%；在“苏拉”实时个例中识别出与地面主导风向存在显著偏离的异常风向站点有13个，造成风向异常的原因为风向传感器故障和站点观测环境影响。与传统方法相比，该方法的风向错误识别准确率提高了20.32百分点，为自动气象观测站历史风向数据质量控制提供了新思路，同时也为自动气象观测站设备运行监控及现场核查提供了有力的参考依据。

利用自动气象站雨量资料、ERA5再分析数据对2003—2022年4—6月惠州前汛期暖区暴雨个例进行挑选和环流分型，对比分析了不同类型暖区暴雨发生时的平均环流场和环境场特征。得到以下主要结果：2003—2022年惠州前汛期共发生48次暖区暴雨，可以分为切变型（第一类）、短波槽+低空急流型（第二类）和副热带高压外围+低空急流入口型（第三类）。进一步对比各类暖区暴雨的平均环流场发现，在500 hPa上除第二类暴雨受到短波槽影响外，其余两类暴雨惠州地区都处于西风气流、副热带高压外围西南气流的控制之下；在低层,第二、三类暴雨惠州附近都出现了双低空急流（西南低空急流和边界层低空急流），而第一类暴雨只在925 hPa珠江口以南出现了边界层低空急流。环境场特征分析表明，ERA5再分析资料计算的环境参量具有一定的可信度和适用性，第二、三类暴雨整体上水汽和能量条件优于第一类暴雨，但对于动力条件而言，第一类暴雨的垂直风切变则明显高于第二、三类暴雨，同时第一类暴雨的静力不稳定度也要高于其余两类暴雨。

高度指定误差是卫星导风产品最主要的误差来源。FY-4A云顶高度产品采用红外窗区通道和二氧化碳切片通道算法，精度较高。将FY-4A云顶高度与云导风产品进行时空匹配，在云导风目标追踪框中搜索代表性像元，用其平均云顶高度替换原有云导风的云高，实现其高度再指定。基于ERA5再分析资料的检验结果表明：高度再指定后，高、中、低三层的FY-4A云导风均方根误差均有明显降低，分别从4.06 m·s-1降至3.25 m·s-1， 4.25 m·s-1降至3.71 m·s-1， 2.42 m·s-1降至2.13 m·s-1。高度再指定缓解了云导风定高偏高的问题，降低了云导风偏差，特别是慢速偏差改善明显。东北冷涡和台风暹芭等个例表明该方法能够提高云导风与背景场的一致性，在数值预报同化和天气过程分析中具有较好的应用前景。

利用 NCEP/NCAR再分析数据集和中国2400个站的气候观测数据，对2024年秋季我国气候异常特征及其成因进行分析。2024年秋季中国平均气温为1961年以来历史同期最高；平均降水量较常年同期略偏多，空间分布总体呈现“北多南少”型特征。西北太平洋生成和登陆我国的台风个数均较常年偏多，台风移动路径以西北行为主。秋季东亚中高纬位势高度距平场总体呈现“西低东高”的环流特征，西太平洋副热带高压总体较常年偏强，西伸脊点偏西，脊线位置9月异常偏北、10月略偏北、11月接近常年，导致我国气温显著偏高。西太平洋海面温度偏高，南海和菲律宾以东区域上空为低层正涡度区且垂直风切变偏小，菲律宾北部至日本海以南区域低层假相当位温显著偏高，上述热力及动力条件均有利于秋季台风生成偏多；8月底至9月MJO东传，海洋性大陆至西太平洋地区对流活动加强有利于副热带高压脊线位置异常偏北，从而牵引台风移动路径偏北。此外，秋季赤道中东太平洋海温偏低，南海夏季风撤退的异常偏晚也有利于2024年秋季台风生成个数偏多、路径偏北。

2025年1月大气环流的主要特征是：北半球极涡呈偶极型分布，东亚大槽偏东，南支槽偏弱。全国平均降水量为9.3 mm，较常年同期（13.3 mm）偏少30.1%，空间分布不均，北偏多南偏少；全国平均气温为-3.3℃，较常年同期（-4.8℃）偏高1.5℃。月内气温起伏大，出现全国范围寒潮过程和大范围持续性雾-霾天气过程各一次。其中，23—27日的寒潮雨雪过程具有降温剧烈、风力大，雨雪范围广、累计降水量大，降雪强、积雪深，多地破极值等特点。

光流法等传统外推技术是目前强对流临近预报采用的主要客观方法，其无法体现对流系统的生消演变且预报时效有限；2024年中国气象局发布了我国首个基于人工智能的临近气象预报大模型“风雷”V1版本（以下简称“风雷”），基于雷达组合反射率开展3 h雷达回波外推预报。对2023年数据进行定量检验，结果表明“风雷”客观检验评分优于传统光流外推算法， 1 h预报时效以上回波预报优势更加明显，检验评分下降相对平缓，3 h预报时效内始终保持较小的Bias，致灾性显著的强回波TS评分较光流法提升了33%。选取2024年不同尺度的强对流过程开展个例评估，“风雷”在一定预报时效内能够正确给出对流系统生消演变的预报，表现出传统方法所不具备的对雷暴变化趋势的预报能力，有效延长了外推时效，为强对流临近预报提供了较好的人工智能客观指导产品。

为了提高降水临近预报的准确性，提出一种深度神经网络相结合的对抗神经网络模型CastNet。该模型借助循环神经网络捕捉雷达回波数据的时空特征，运用对抗神经网络模拟云团生消变化，再将光流约束融入神经网络引导模型训练，加速神经网络的学习过程并增强模型的时空一致性，有效地解决了预报模糊性问题，提升降水强度与位置的准确性。对2023年5—10月广西及周边区域的9次主要降水过程进行检验，结果表明：在不同降水强度（≥0.1、≥2、≥7、≥15、≥25、≥40 mm·h-1）下，SWAN 2.0的平均TS评分分别为0.458、0.270、0.085、0.034、0.014和0.003；SWAN 3.0的平均TS评分分别为0.452、0.402、0.225、0.129、0.085和0.048；CastNet模型的平均TS评分分别为0.439、0.397、0.225、0.139、0.104和0.073。即:除个别持平外，CastNet在≥7 mm·h-1及以上高降水强度中评分高于SWAN 2.0和SWAN 3.0。此外，随着预报时效延长，CastNet的相对优势更为明显。

根据飞鸟回波在天气雷达反射率产品上呈现明显的圆环形态这一具体图像特征，提出一种基于轻量化卷积神经网络（YOLOv5）与多目标跟踪算法（DeepSort）相结合的改进算法，利用2020—2023年营口雷达体扫回波强度资料，构造模型训练数据集和测试数据集，分别对鸟回波进行识别和追踪。首先，在YOLOv5算法中引入轻量级注意力机制以提高整体模型检测的准确性与有效性；其次，在DeepSort算法中将原有的交并比IOU匹配机制替换为一种改进的目标检测的损失函数DIOU匹配机制，DIOU在计算边界框重叠度的基础上，引入了边界框中心点之间的距离，从而提供更精确的定位，减少了因部分遮挡重叠等原因造成的追踪目标编号ID错误匹配和ID切换次数。试验结果表明，优化后的YOLOv5算法在精准度方面提升了2.6百分点，召回率提升了1.0百分点，阈值大于0.5的平均精准度提升了1.2百分点；改进后的DeepSort算法使得ID切换次数降低2次，多目标跟踪准确率提高了4.5百分点，实现对初始模型的轻量化;整体检测性能得到明显提高，满足对鸟回波识别与追踪的实际需求。

基于欧洲中期天气预报中心高分辨率模式预报产品以及中国气象局陆面数据同化系统逐1 h气温实况，构建了一种改进的长短期记忆网络ED-LSTM-FCNN模型，模型中加入嵌入层模块以处理高维空间、时间特征，并通过全连接神经网络融合不同类型特征实现气温的回归预测，生成0.05°×0.05°格点逐1 h气温预报产品。针对湖南省2022年预报检验表明：ED-LSTM-FCNN模型能显著降低数值模式的预报误差，提高预报稳定性，1~24 h时效预报均方根误差较模式预报与中央气象台指导预报分别降低了25.4%~37.7%和15.8%~40.0%；模型明显改善了数值模式在空间上（尤其是复杂地形）的预报效果，大部分地区气温均方根误差介于1.2~1.6℃；该模型在不同季节2℃误差以内的预报准确率达83.0%以上，明显高于模式预报与中央气象台指导预报，在平稳性极端高温天气中的优势更加明显，可有效应用于智能网格预报业务中。

洪水预报是降低洪灾损失、提升防灾减灾能力非工程措施的有效途径，实现精准洪水预报是水文领域的关键技术挑战之一。目前，基于物理机制的洪水预报模型在模拟精度和效率上仍有不足，而采用深度学习技术构建的预报模型则得到了迅猛发展。文章全面回顾和总结了洪水预报领域所应用的深度学习模型的原理和特点，及其在洪水定量和概率预报中的应用进展和存在问题。聚焦介绍和探讨了深度学习模型与洪水物理模型在物理过程参数化、可解释性研究、洪水预报模型误差校正等方面的契合点和应用前景。分析认为，深度学习未来将走向与物理模型的深度耦合，成为洪水时间序列预报的重要发展范式，并将是实现未来水利智慧化的重要研究内容。最后针对深度学习在洪水预报中的难点给出几点思考，对当前面临的挑战提出几点相应的解决方案，以便更好地在洪水预报领域探索应用深度学习技术。

针对自动气象观测站资料存在高隐蔽度的异常风向问题，基于DBSCAN算法建立自动气象观测站风向异常识别方法。选取2016—2022年影响广州的寒潮、冷空气、台风等16个天气过程个例的自动气象观测站历史风向数据和第2309号台风苏拉影响广州期间的自动气象观测站实时风向数据进行风向异常识别检测。分析结果表明，历史个例的风向可疑站点比例介于0.46%~5.56%，风向错误的站点比例介于0.25%~2.05%；在“苏拉”实时个例中识别出与地面主导风向存在显著偏离的异常风向站点有13个，造成风向异常的原因为风向传感器故障和站点观测环境影响。与传统方法相比，该方法的风向错误识别准确率提高了20.32百分点，为自动气象观测站历史风向数据质量控制提供了新思路，同时也为自动气象观测站设备运行监控及现场核查提供了有力的参考依据。

利用自动气象站雨量资料、ERA5再分析数据对2003—2022年4—6月惠州前汛期暖区暴雨个例进行挑选和环流分型，对比分析了不同类型暖区暴雨发生时的平均环流场和环境场特征。得到以下主要结果：2003—2022年惠州前汛期共发生48次暖区暴雨，可以分为切变型（第一类）、短波槽+低空急流型（第二类）和副热带高压外围+低空急流入口型（第三类）。进一步对比各类暖区暴雨的平均环流场发现，在500 hPa上除第二类暴雨受到短波槽影响外，其余两类暴雨惠州地区都处于西风气流、副热带高压外围西南气流的控制之下；在低层,第二、三类暴雨惠州附近都出现了双低空急流（西南低空急流和边界层低空急流），而第一类暴雨只在925 hPa珠江口以南出现了边界层低空急流。环境场特征分析表明，ERA5再分析资料计算的环境参量具有一定的可信度和适用性，第二、三类暴雨整体上水汽和能量条件优于第一类暴雨，但对于动力条件而言，第一类暴雨的垂直风切变则明显高于第二、三类暴雨，同时第一类暴雨的静力不稳定度也要高于其余两类暴雨。

高度指定误差是卫星导风产品最主要的误差来源。FY-4A云顶高度产品采用红外窗区通道和二氧化碳切片通道算法，精度较高。将FY-4A云顶高度与云导风产品进行时空匹配，在云导风目标追踪框中搜索代表性像元，用其平均云顶高度替换原有云导风的云高，实现其高度再指定。基于ERA5再分析资料的检验结果表明：高度再指定后，高、中、低三层的FY-4A云导风均方根误差均有明显降低，分别从4.06 m·s-1降至3.25 m·s-1， 4.25 m·s-1降至3.71 m·s-1， 2.42 m·s-1降至2.13 m·s-1。高度再指定缓解了云导风定高偏高的问题，降低了云导风偏差，特别是慢速偏差改善明显。东北冷涡和台风暹芭等个例表明该方法能够提高云导风与背景场的一致性，在数值预报同化和天气过程分析中具有较好的应用前景。

利用 NCEP/NCAR再分析数据集和中国2400个站的气候观测数据，对2024年秋季我国气候异常特征及其成因进行分析。2024年秋季中国平均气温为1961年以来历史同期最高；平均降水量较常年同期略偏多，空间分布总体呈现“北多南少”型特征。西北太平洋生成和登陆我国的台风个数均较常年偏多，台风移动路径以西北行为主。秋季东亚中高纬位势高度距平场总体呈现“西低东高”的环流特征，西太平洋副热带高压总体较常年偏强，西伸脊点偏西，脊线位置9月异常偏北、10月略偏北、11月接近常年，导致我国气温显著偏高。西太平洋海面温度偏高，南海和菲律宾以东区域上空为低层正涡度区且垂直风切变偏小，菲律宾北部至日本海以南区域低层假相当位温显著偏高，上述热力及动力条件均有利于秋季台风生成偏多；8月底至9月MJO东传，海洋性大陆至西太平洋地区对流活动加强有利于副热带高压脊线位置异常偏北，从而牵引台风移动路径偏北。此外，秋季赤道中东太平洋海温偏低，南海夏季风撤退的异常偏晚也有利于2024年秋季台风生成个数偏多、路径偏北。

2025年1月大气环流的主要特征是：北半球极涡呈偶极型分布，东亚大槽偏东，南支槽偏弱。全国平均降水量为9.3 mm，较常年同期（13.3 mm）偏少30.1%，空间分布不均，北偏多南偏少；全国平均气温为-3.3℃，较常年同期（-4.8℃）偏高1.5℃。月内气温起伏大，出现全国范围寒潮过程和大范围持续性雾-霾天气过程各一次。其中，23—27日的寒潮雨雪过程具有降温剧烈、风力大，雨雪范围广、累计降水量大，降雪强、积雪深，多地破极值等特点。