強對流實況分析關(guān)鍵技術(shù)與產(chǎn)品研制進展和展望

葛玲玲 師春香 谷軍霞 徐賓

（國家氣象信息中心，北京 100081）

0 引言

強對流天氣通常指的是由深厚濕對流產(chǎn)生的包括短時強降水、雷暴大風、冰雹和龍卷等災(zāi)害性天氣現(xiàn)象，具有突發(fā)性強、生命史短、局地性強、天氣劇烈、破壞力大等特點[1-2]。世界上將其列為僅次于熱帶氣旋、地震、洪澇之后第四位具有殺傷性的災(zāi)害性天氣。一般強對流天氣的產(chǎn)生要素包括靜力不穩(wěn)定、水汽和抬升觸發(fā)，在任何時間任何地點，這3個要素能夠同時滿足，就會有雷暴（深厚濕對流或?qū)α黠L暴）生成[3]。目前的強對流天氣實況分析主要依賴常規(guī)高空和地面觀測、氣象衛(wèi)星云圖、閃電定位儀數(shù)據(jù)、天氣雷達觀測數(shù)據(jù)、數(shù)值預報產(chǎn)品等資料來綜合判斷是否出現(xiàn)短時強降水、雷暴大風、龍卷以及冰雹等強對流災(zāi)害性天氣。而強對流天氣的臨近預報、預警主要是根據(jù)多普勒天氣雷達回波特征適當結(jié)合地面氣象站、衛(wèi)星和閃電等觀測資料判斷未來0～2 h是否可能出現(xiàn)大冰雹、雷暴大風（含下?lián)舯┝鳎┗蛘啐埦韀4]。

基于過去和現(xiàn)在的觀測去分析當前的強對流天氣發(fā)生、發(fā)展情況（預測未來的強對流天氣變化），是一個重要和具有挑戰(zhàn)性的問題。梳理現(xiàn)有的國內(nèi)外強對流實況分析業(yè)務(wù)現(xiàn)狀和研究技術(shù)動向可為我國今后的強對流實況分析體系建設(shè)提供借鑒和思考。首先，調(diào)研了美國、歐洲、亞洲、加拿大和澳大利亞等國際上主流的強對流實況分析業(yè)務(wù)現(xiàn)狀，其中重點調(diào)研了美國的預警決策支持系統(tǒng)—綜合信息（Warning Decision Support System-Integrated Information, WDSSII）、奧地利的綜合分析集成臨近預報系統(tǒng)（Integrated Nowcasting through Comprehensive Analysis, INCA）和中國的強對流天氣短時臨近預報系統(tǒng)（Severe Weather Automatic Nowcasting, SWAN）的數(shù)據(jù)源、產(chǎn)品概況、關(guān)鍵技術(shù)、起止時間和應(yīng)用領(lǐng)域。此外，針對強對流實況分析產(chǎn)品與預報實踐結(jié)合，調(diào)研了對強對流實況分析產(chǎn)品的應(yīng)用具有啟發(fā)性的美國國家海洋和大氣管理局（NOAA）的試驗平臺和春季預報試驗。其次，梳理了國內(nèi)外強對流實況分析技術(shù)動向，對比分析了快速更新同化數(shù)值模式、概念模型預報技術(shù)以及識別追蹤和外推預報技術(shù)等短時臨近強對流預警技術(shù)的優(yōu)缺點，并回顧了近年來國內(nèi)外各大主流機構(gòu)的強對流實況分析人工智能（AI）解決方案。最后，對強對流實況分析未來發(fā)展進行展望與思考。

1 國內(nèi)外強對流實況分析業(yè)務(wù)產(chǎn)品研究進展

1.1 發(fā)展概況

隨著氣象探測手段的不斷發(fā)展，衛(wèi)星、雷達、閃電定位儀以及地面自動氣象站等數(shù)據(jù)的應(yīng)用使得強對流天氣預報的能力有了顯著提高。為了強化對強對流天氣實況、發(fā)生條件及其氣候演變過程的認知，進一步提高嚴重災(zāi)害的預測的提前量和準確性，國內(nèi)外各大主流機構(gòu)運用了多種新技術(shù)、新方法對短時強降水、冰雹、雷暴大風和龍卷等強對流天氣進行了大量研究。表1列出了目前國內(nèi)外主流強對流天氣短時臨近預報業(yè)務(wù)系統(tǒng)的現(xiàn)狀。美國國家大氣研究中心（NCAR）較早研發(fā)了雷暴識別、跟蹤、分析和預報算法（TITAN）[5]和對流單體生消演變預報系統(tǒng)（ANC）[6]，NOAA研發(fā)了對流分析與預報系統(tǒng)（SCAN）[7]、局地分析與預測系統(tǒng)（LAPS-MM5）[8]、預警決策支持系統(tǒng)—綜合信息（WDSS-II）[9]和高分辨率集合預報系統(tǒng)（HREF, https://www.emc.ncep.noaa.gov/users/meg/hrefv3/）[10-11]，美國聯(lián)邦航空管理局（FAA）針對航空業(yè)專門建立了綜合風暴預測（CoSPA）[12]。在歐洲，英國氣象局（Met Office）研發(fā)了使用區(qū)域觀測數(shù)據(jù)進行建模的預測和初始化系統(tǒng)（NIMROD）[13]和短期集合預測系統(tǒng)（STEPS）[14-16]，德國氣象局研制了可替代全球模式和區(qū)域模式的全球天氣預報業(yè)務(wù)模型（GME）[17]，德國、希臘、意大利、波蘭、羅馬尼亞、俄羅斯和瑞士等國的氣象部門組成的聯(lián)盟建立了小規(guī)模建模聯(lián)盟（COSMO）[18-20]，意大利的Arpae-SIMC在COSMO內(nèi)開發(fā)了有限區(qū)域集合預測系統(tǒng)（COSMO-LEPS）[21-23]，法國氣象局研發(fā)了面向重要天氣的預報系統(tǒng)（SIGOONS）[24]，奧地利國家氣象局研發(fā)了綜合分析集成臨近預報系統(tǒng)（INCA）[25]，芬蘭氣象研究所和瑞士聯(lián)邦氣象學和氣候?qū)W辦公室等機構(gòu)聯(lián)合研發(fā)了基于Python框架的短期集合預測系統(tǒng)（pySTEPS）[26]。在亞洲，日本氣象廳研發(fā)了極短期的預測系統(tǒng)（VSRFS）[27]，香港天文臺建立了局部系統(tǒng)中的強暴雨短期預警系統(tǒng)（SWIRLS）[28]，中國氣象局強對流天氣預報中心建立了強對流天氣短時臨近預報系統(tǒng)（SWAN）[29]。此外，加拿大環(huán)境部建立了加拿大地區(qū)的雷達決策支持系統(tǒng)（CARDS）[30]，澳大利亞氣象局建立了雷暴交互式預報系統(tǒng)（TIFS）[31]。

表1 國際主流強對流天氣短時臨近預報業(yè)務(wù)系統(tǒng)現(xiàn)狀Table 1 Status of mainstream international operational systems for short-term forecasting and nowcasting of severe convective weather

1.2 國際主流強對流實況分析業(yè)務(wù)

表2從數(shù)據(jù)源、產(chǎn)品概況、關(guān)鍵技術(shù)、起止時間和應(yīng)用領(lǐng)域多角度對比了美國WDSS-II、奧地利INCA和中國SWAN業(yè)務(wù)系統(tǒng)的現(xiàn)狀。

表2 美國WDSS-II、奧地利INCA和中國SWAN業(yè)務(wù)系統(tǒng)的現(xiàn)狀Table 2 Status of the Warning Decision Support System-Integrated Information (WDSS-II) in the United States,the Integrated Nowcasting through Comprehensive Analysis (INCA) in Austria, and the Severe Weather Forecasting Automatic System (SWAN) in China

1.2.1 美國WDSS-II系統(tǒng)

預警決策支持系統(tǒng)—綜合信息（WDSS-II）是美國第二代用于分析、診斷和預測強對流天氣現(xiàn)象的自動算法、工具和顯示系統(tǒng)。它由美國國家強風暴實驗室（NSSL）和俄克拉何馬大學中尺度氣象研究合作研究所（CIMMS）的工程師和科學家聯(lián)合開發(fā)。在許多強對流天氣事件中，WDSS-II為預警預報提供重要信息，以決定是否發(fā)出警告[9]。WDSS-II由三個部分組成：一套多傳感器自動氣象算法，包括結(jié)合和詢問雷達數(shù)據(jù)、診斷冰雹、閃電和降水的技術(shù)；一個用于查看多傳感器數(shù)據(jù)和算法輸出的三維地球和時間中心顯示器；一個支持算法和顯示開發(fā)者的C++應(yīng)用編程接口（API）庫。WDSS-II主要的硬件系統(tǒng)包括：實時輸入和數(shù)據(jù)發(fā)布系統(tǒng)（RIDDS）、多普勒數(shù)據(jù)流的雷達工具（RUDDS）、強風暴分析程序（SSAP）和雷達和算法顯示系統(tǒng)（RADS）。在強風暴分析程序中主要包括旋風探測算法（MDA）、龍卷風探測算法（TDA）、冰雹探測算法（HDA）、風暴單元識別和跟蹤算法（SCIT），以及破壞性下沉氣流預測和檢測算法（DDPDA）。圖1為WDSS-II系統(tǒng)創(chuàng)建實時診斷產(chǎn)品的數(shù)據(jù)流，橢圓代表實時應(yīng)用，矩形代表可用于強對流天氣分析和預測的診斷產(chǎn)品。關(guān)于WDSS-II中算法和工具描述可以從官網(wǎng)（https://inside.nssl.noaa.gov/wdssii/）獲取。

圖1 WDSS-II系統(tǒng)數(shù)據(jù)流[9]（a）二維和三維產(chǎn)品的創(chuàng)建；（b）三維和衍生二維產(chǎn)品的創(chuàng)建Fig. 1 Data flow of the WDSS-II system[9](a) Creation of 2D and 3D products; (b) Creation of 3D and derived 2D products

1.2.2 奧地利INCA系統(tǒng)

INCA是由奧地利中央氣象學和地球動力學研究所（ZAMG）與幾個中歐氣象研究所合作開發(fā)的具有復雜地形適應(yīng)性的高分辨率（水平1 km）短時臨近集成分析預報系統(tǒng)，也是世界天氣研究計劃預報示范項目INCA-CE（Integrated Nowcasting through Comprehensive Analysis-Central Europe）推薦的短時臨近業(yè)務(wù)系統(tǒng)[32]。Suklitsch等[33]通過與有限區(qū)域集合預測，考慮與觀測有關(guān)的不確定性，可以實現(xiàn)針對短時臨近范圍的集成預報En-INCA。解小寒等[34]對INCA分析和預報進行了驗證檢驗，結(jié)果表明INCA在短時臨近階段對數(shù)值模式有明顯提升，其對流算法對純外推預報有所改進。在地面氣象站數(shù)據(jù)和雷達、衛(wèi)星等其他觀測的幫助下，INCA對數(shù)值模式輸出進行修正，為用戶提供了更準確的關(guān)于當前和未來天氣狀況的圖片（逐小時更新0～6 h），目前已經(jīng)在十幾個國家和地區(qū)得到廣泛應(yīng)用。圖2為整個系統(tǒng)概述，包括系統(tǒng)輸入、主要技術(shù)、要素產(chǎn)品、分析預報和下游應(yīng)用[35]。INCA基于高分辨系統(tǒng)地形、地表層指數(shù)和垂直坐標系，一方面保證分析中實況信息得以準確保留，另一方面利用遙感資料來提供基于實況插值的空間結(jié)構(gòu)。INCA短時臨近預報中不僅使用了經(jīng)典的相關(guān)運動矢量外推方法，還引入了地形影響方案。由于INCA系統(tǒng)實現(xiàn)了對山區(qū)地形的精細化描述，進而充分考慮了地形對要素場的影響。INCA在地形復雜的山區(qū)具有一定優(yōu)勢，在有著山洪地質(zhì)災(zāi)害隱患的地區(qū)將能發(fā)揮較好的短時臨近預警作用。INCA在強對流預報中不僅發(fā)展了基于INCA分析場對流參數(shù)組合和衛(wèi)星產(chǎn)品的決策算法來實現(xiàn)對流生消預報，還發(fā)展了基于物理參數(shù)化的雷暴大風預報方案，主要基于雷達觀測和短時臨近預報來估算降水粒子載荷和負浮力，進而預報雷暴大風。Ghaemi等[36]在對奧地利東南部12年的降水進行檢驗評估發(fā)現(xiàn)，INCA在估計短時對流降雨事件和極端事件的峰值方面的誤差和不確定性應(yīng)在未來的研究中加以考慮。

圖2 INCA系統(tǒng)概述（來源：EGU2020海報[35]）Fig. 2 Overview of the INCA system (from EGU2020 poster[35])

1.2.3 中國SWAN系統(tǒng)

SWAN是我國利用多源觀測資料（常規(guī)和非常規(guī)資料）自主建立的中國氣象局短時臨近預報業(yè)務(wù)系統(tǒng)。在強對流天氣綜合監(jiān)測業(yè)務(wù)系統(tǒng)中監(jiān)測對象包括積云、地面高溫、雷暴、地閃、冰雹、龍卷、大風、雷暴大風、短時強降水、雷暴反射率因子、對流風暴（基于雷達資料）、深對流云及中尺度對流系統(tǒng)等不同時段的分布。發(fā)展的監(jiān)測技術(shù)主要包括自動站資料質(zhì)量控制技術(shù)、強對流信息提取和統(tǒng)計技術(shù)、直角坐標交叉相關(guān)雷達回波追蹤技術(shù)、雷暴識別追蹤分析和臨近預報技術(shù)、深對流云識別技術(shù)、中尺度對流系統(tǒng)識別和追蹤技術(shù)，以及閃電密度監(jiān)測技術(shù)等[37]。2022年以來，在中國氣象局預報與網(wǎng)絡(luò)司的指導下，國家氣象中心、國家氣象信息中心以及地方氣象部門強化國省協(xié)同的短時臨近預報業(yè)務(wù)，以SWAN3.0為載體，打造“直連互通、循環(huán)閉合”的新型短時臨近業(yè)務(wù)流程，提升了極端天氣預報預警能力。在SWAN2.0算法基礎(chǔ)上，SWAN3.0不僅可以綜合顯示風云氣象衛(wèi)星、探空站、雷達、自動站等多源數(shù)據(jù)，直接對接國省市縣四級短時臨近業(yè)務(wù)，而且6 min內(nèi)生成全國短時臨近預報產(chǎn)品，共享回波降水外推、龍卷潛勢、AI雷暴大風分級等先進短時臨近預報技術(shù)產(chǎn)品。從2022年6月8日開始，SWAN3.0正式向全國推廣試用，以提高1 h精準化的預警提前量。

1.3 在預報實踐中的應(yīng)用

預報試驗應(yīng)用反饋對加速推進強對流實況分析業(yè)務(wù)產(chǎn)品研究進展至關(guān)重要。自2000年起NOAA的“災(zāi)害天氣試驗平臺”（HWT）每年都會開展針對強對流災(zāi)害天氣預報的“春季試驗”，以促進業(yè)務(wù)預報部門與科研機構(gòu)之間的交流[38]。HWT是一個物理空間和研究框架，以促進合作和評估新興的工具、技術(shù)和產(chǎn)品，用于美國國家氣象局業(yè)務(wù)。HWT的試驗性預警計劃側(cè)重于研究、技術(shù)和通信，以改善高影響天氣和強對流天氣的預警和社會反應(yīng)[39]。

針對雷達、衛(wèi)星和閃電試驗情況，專家學者們進行了大量的研究。Smith等[40]關(guān)于MRMS-Severe算法的探索性試驗，為進一步開發(fā)和改進旋轉(zhuǎn)軌跡和最大預期的冰雹大小等算法提供了指導。Heinselman等[41-42]通過模擬龍卷和強風暴案例的PARISE試驗，研究了更高時間分辨率的雷達數(shù)據(jù)會對預警決策過程產(chǎn)生積極影響的假設(shè)。Bass等[43]和Rude等[44]通過大氣層協(xié)作自適應(yīng)傳感試驗探索了新的雷達空白填補技術(shù)的優(yōu)勢和局限性，并評估了在預警決策期間使用空白填補的雷達以及對終端用戶通信的相關(guān)影響。Sandmael等[45]通過雷達操作中心試驗評估確定基于WSR-88D網(wǎng)絡(luò)的新算法是否可以合理地替代傳統(tǒng)版本，結(jié)果強調(diào)了單站雷達數(shù)據(jù)對于預警的影響。在地球靜止軌道環(huán)境業(yè)務(wù)衛(wèi)星（GOES）項目和聯(lián)合極地衛(wèi)星系統(tǒng)（JPSS）項目中，在每年春季進行基線、未來能力和試驗產(chǎn)品的演示，例如，對流初生的預測和概率[46-47]，以及0～3 h嚴重冰雹概率[48]。通過10多年的GOES-JPSS試驗反饋不僅極大地影響了可用的產(chǎn)品和可視化，而且還為預報員提供了在強對流天氣預報中使用衛(wèi)星數(shù)據(jù)的培訓和最佳實踐。在2013—2016年春季試驗期間，與GOESJPSS試驗場演示協(xié)調(diào)測試了總閃電跳躍算法（LJA）的不同實現(xiàn)，并根據(jù)Schultz等[49-50]的結(jié)果改進強對流天氣的短期預測。Liu等[51]研究表明閃電總數(shù)據(jù)和自動危險雷暴警報（DTA）的系統(tǒng)可以幫助增加當前強對流天氣和龍卷風警報的提前時間，特別是在2015年春季試驗期間完成了連續(xù)的現(xiàn)場天氣評估，發(fā)現(xiàn)了總閃工具的價值，例如風暴跟蹤和時間序列信息。

總體來說，HWT的試驗性預警計劃極大地影響了當前的業(yè)務(wù)預警環(huán)境，對今后的預警研究、技術(shù)和通信技術(shù)的改革和發(fā)展提供可行性建議。NOAA的試驗平臺和春季預報試驗不僅值得我國相關(guān)預報業(yè)務(wù)借鑒，更對強對流實況分析產(chǎn)品與預報實踐相結(jié)合具有啟發(fā)性。

2 國內(nèi)外強對流實況分析技術(shù)研究動向分析

2.1 研究進展概況

從強對流預警業(yè)務(wù)來看，主流的業(yè)務(wù)系統(tǒng)主要是基于邊界層輻合線理論、基于近地面溫度分析和強對流天氣短時臨近預報技術(shù)等進行強對流天氣預測。其中，國內(nèi)外強對流天氣短時臨近預警預報技術(shù)的發(fā)展與研究進展主要集中在雷暴識別追蹤和外推預報技術(shù)、以分析觀測資料為主的概念模型預報技術(shù)，以及數(shù)值預報技術(shù)。表3對比了快速更新同化數(shù)值模式[52-56]、概念模型預報技術(shù)[57]，以及識別追蹤和外推預報技術(shù)[58-60]這三種國內(nèi)外主要的短時臨近強對流預警預報技術(shù)的優(yōu)缺點。此外，從數(shù)值預報技術(shù)和短時臨近預報技術(shù)的預報技巧來看（圖3），對強對流系統(tǒng)發(fā)展、演變的預報時效超過1 h以上的預報可信度大大降低，而數(shù)值預報與短時臨近外推相結(jié)合可以大大提高短時臨近預報準確率[61]。

圖3 數(shù)值預報技術(shù)、短時臨近預報技術(shù)預報技巧比較示意圖[61]Fig. 3 Comparison between numerical prediction techniques and short-term forecasting and nowcasting techniques[61]

表3 主要短時臨近強對流預警預報技術(shù)列表Table 3 List of major short-term forecasting, nowcasting and early-warning technologies for severe convective weather

2.2 強對流實況分析人工智能解決方案

人工智能在地球系統(tǒng)科學應(yīng)用中優(yōu)勢明顯，表4列出了近年來經(jīng)典的強對流實況分析人工智能解決方案。

表4 經(jīng)典的強對流實況分析人工智能解決方案列表Table 4 List of classic artificial intelligence solutions for severe convective real-time analysis

2015年，Shi等[62]將降水臨近預報轉(zhuǎn)化為時空序列預測問題，利用香港天文臺提供的雷達回波數(shù)據(jù)專門設(shè)計了ConvLSTM編碼網(wǎng)絡(luò)用于短時降水預報。2017年，Shi等[63]針對雷達回波外推技術(shù)的實際應(yīng)用提出了TrajGRU模型，進一步改進了短時降水預報。

基于AI的強對流實況分析旨在通過數(shù)據(jù)驅(qū)動的方法挖掘數(shù)據(jù)特性，構(gòu)建針對性的模型提高準確率和物理可解釋性已成為一個重要的研究方向[64]。例如，McGovern等[65]通過將物理知識與自動修正相融合，旨在利用AI改進對高影響天氣的實時決策。Solazzo等[66]利用GNSS水汽觀測數(shù)據(jù)，開發(fā)一個基于神經(jīng)網(wǎng)絡(luò)方法的預報系統(tǒng)，減輕米蘭地區(qū)嚴重雷暴的影響。Burke等[67]通過引入機器學習方法來校準業(yè)務(wù)上的冰雹概率預報。

由于深度學習能夠有效綜合提取觀測數(shù)據(jù)和數(shù)值預報模式數(shù)據(jù)的信息，因此其預報性能顯著優(yōu)于單純依賴數(shù)值預報模式對流參數(shù)化方案的預報效果。而且，綜合應(yīng)用觀測數(shù)據(jù)和數(shù)值預報模式數(shù)據(jù)的深度學習方法預報效果也明顯優(yōu)于使用單一數(shù)據(jù)的深度學習方法。2020年，Google提出了秒級神經(jīng)網(wǎng)絡(luò)天氣模型MetNe[68]，它能夠以2 min的間隔和1 km的分辨率預測未來8 h內(nèi)的降水概率，優(yōu)于NOAA當前使用的基于物理定律的HRRR模型，且預測耗時只需幾秒鐘（之前的模型需要1 h）。該網(wǎng)絡(luò)的輸入自動從雷達站和衛(wèi)星網(wǎng)絡(luò)獲取，無需人工注釋。模型輸出是一個概率分布，用于推斷每個地理區(qū)域最可能的降水概率以及相關(guān)的不確定性。Google還提出了超越MetNet性能的MetNet-2[69]，通過采用更豐富的天氣輸入狀態(tài)，并擴展架構(gòu)以捕獲更長的空間依賴性。與基于物理的模型相比，MetNet-2在提前12 h進行天氣預報時優(yōu)于最先進的HREF集合預報模型。DeepMind提出了用于雷達降水的概率臨近預報的深度學習方法DGMR[70]，它能夠準確的預測未來90 min內(nèi)下雨的可能性。DGMR平衡了預測結(jié)果的降水強度和范圍，可以更好的捕捉環(huán)流強度和結(jié)構(gòu)，并能夠更清晰準確地預測局部的降雨和運動。除了采用各種評分指標來評估模型外，還通過50多位專業(yè)的氣象學家進行系統(tǒng)評估。評估結(jié)果表明，與之前廣泛使用的臨近預報方法相比，該方法在89%的案例中對位置、范圍、運動和強度等預測的準確性和實用性均排名第一，證明了DGMR深度學習方法具備為現(xiàn)實世界的決策者提供洞察力的能力。

針對強對流天氣預報這一世界級難題，需要國內(nèi)外氣象部門、企業(yè)、高校和科研院所強強聯(lián)合，積極探索智能化信息技術(shù)新路線。例如，ECMWF于2021年發(fā)布的未來十年戰(zhàn)略規(guī)劃表明，在未來的計算挑戰(zhàn)方面，AI將扮演重要角色，尤其是機器學習，它將成為整個數(shù)值天氣預報和氣候服務(wù)工作流程的一部分。Frnda等[71]利用氣象站觀測數(shù)據(jù)訓練深度學習模型以改善全球數(shù)值天氣預報模型（ECMWF研發(fā)）的短期預報精度，交叉驗證的結(jié)果表明深度學習模型優(yōu)于標準ECMWF的預報精度，并且更接近于當?shù)財?shù)值天氣預報模型的預測精度。

3 強對流實況分析的挑戰(zhàn)與思考

《全國氣象發(fā)展“十四五”規(guī)劃》明確指出，“十四五”時期將推動氣象領(lǐng)域的AI應(yīng)用，進一步實現(xiàn)以預報精準為核心、惠及監(jiān)測精密與服務(wù)精細。開展基于多源氣象觀測資料和AI綜合診斷技術(shù)，不僅有利于加強短時強降水、雷暴大風、冰雹和龍卷等強對流天氣的科學認識，而且能夠提供適用于防災(zāi)減災(zāi)的精細化氣象預報服務(wù)[72]。雖然人工智能已廣泛應(yīng)用于地球科學各個領(lǐng)域，但如何從大數(shù)據(jù)中挖掘有效時空信息、如何在模型構(gòu)建中利用物理先驗、如何結(jié)合數(shù)值模式和AI技術(shù)的優(yōu)勢提高準確率和物理可解釋性仍需深入研究[73]。在未來的強對流實況分析研究中，一方面，要加強衛(wèi)星、雷達、探空等多源數(shù)據(jù)在強對流實況分析產(chǎn)品研發(fā)中的融合應(yīng)用，加快推進強對流多源融合實況分析產(chǎn)品研制和業(yè)務(wù)化建設(shè)；另一方面，要推進人工智能技術(shù)在氣象學領(lǐng)域的融合應(yīng)用，汲取國內(nèi)外已有研究經(jīng)驗和教訓，實現(xiàn)我國強對流實況分析關(guān)鍵核心技術(shù)自主可控。